Fahrzeugzählung mithilfe von Detektions-Tracking-Kombinationen: Eine vergleichende Analyse

Angesichts des raschen Fortschritts beim Bau von Smart Cities und intelligenten Verkehrssystemen ist der Bedarf an einem genauen und Echtzeit-System zur Fahrzeugzählung zu einer sehr dringlichen Notwendigkeit geworden. Ein robustes und genaues Zählsystem zu finden, ist eine Herausforderung, da das System mehrere Fahrzeuge in komplexen und dynamischen Situationen, verschiedenen Modellen und Klassen sowie unterschiedlichen Verkehrsdichten erkennen, klassifizieren und verfolgen muss. Zu diesem Zweck sind mehrere Hardware- und Softwaresysteme entstanden, deren Ergebnisse unterschiedlich waren. In den letzten Jahren haben sich aufgrund des enormen Wachstums der Rechenkapazitäten und der Techniken des tiefen Lernens, auf tiefem Lernen basierende Fahrzeugzählungssysteme zu einer beeindruckenden Leistung bei niedrigen Kosten entwickelt. In dieser Studie werden mehrere hochmoderne Detektions- und Tracking-Algorithmen untersucht und miteinander kombiniert, um verschiedene Modelle zu erstellen. Diese Modelle werden in automatischen Fahrzeugzählungsrahmen in Verkehrsvideos angewendet, um zu bewerten, wie genau ihre Ergebnisse im Vergleich zur Realität sind. Experimente mit diesen Modellen präsentieren die bestehenden Herausforderungen, die ihre Fähigkeit zur Extraktion der charakteristischen Objektmerkmale behindern und somit ihre Effizienz untergraben, wie Probleme mit Okklusion, Erkennung großer Objekte, Beleuchtung und unterschiedliche Wetterbedingungen. Die Studie ergab, dass die Detektoren, die mit dem Deep Sort-Tracker gekoppelt sind, wie YOLOv4, Detectron2 und CenterNet, die besten Ergebnisse im Vergleich zu den anderen Modellen erzielten.