Echtzeit-Geschwindigkeitsschätzung bei indischen Fahrzeugen mithilfe von Deep Learning und Computer Vision

Der Straßenverkehr birgt oft unbeachtete Risiken, die erheblich zu Todesfällen und Verletzungen weltweit beitragen. Alarmierend ist, dass Indien an der Spitze der durch Verkehrsunfälle verursachten Schäden steht, mit 1,5 Millionen jährlichen Verkehrstoten. In diesem Szenario kann die Echtzeit-Geschwindigkeitsschätzung, unterstützt durch kameraüberwachte Fahrzeuge, ein hervorragendes Werkzeug zur Vermeidung von Unfällen und zur Verbesserung des Verkehrsmanagements sein. Dieses Paper untersucht die Komplexitäten der Echtzeit-Geschwindigkeitsschätzung und betont die effiziente Objekterkennung und -verfolgung für Fahrzeuge auf indischen Straßen mithilfe von Transferlernen über das Basis-Modell von YOLOv8. Das neue Modell erzielte eine Genauigkeit von 83 % auf dem Indian Vehicle Dataset. Der vorgeschlagene Algorithmus geht auch die Herausforderung der relativen Geschwindigkeitsschätzung anderer Fahrzeuge auf der Straße von einer kameraüberwachten Fahrzeugperspektive an, indem er die sich verändernden Pixelbereiche der Fahrzeuge im Videostream beobachtet. Durch diesen Ansatz konnten wir die Änderung der Geschwindigkeit der Fahrzeuge zufriedenstellend schätzen, wodurch die Grundlage für zukünftige Fortschritte in der praktischen Echtzeit-Geschwindigkeitsschätzung gelegt wurde.