Resumen

En este artículo se propone un marco de detección de colisiones basado en la visión para detectar rápidamente varios tipos de colisiones en entornos de tráfico mixto, teniendo en cuenta las condiciones de baja visibilidad. En primer lugar, se introdujo el algoritmo de mejora de imágenes Retinex para mejorar la calidad de las imágenes recogidas en condiciones de baja visibilidad (por ejemplo, días de lluvia intensa, días de niebla y noches oscuras con poca luz). A continuación, se entrenó un modelo Yolo v3 para detectar múltiples objetos a partir de imágenes, incluidos peatones/ciclistas caídos, vehículos volcados, vehículos en movimiento/parados, ciclistas/peatones en movimiento/parados, etc. A continuación, se desarrolló un conjunto de características a partir de los resultados de Yolo, sobre cuya base se entrenó un modelo de decisión para la detección de colisiones. Se realizó un experimento para validar el marco del modelo. Los resultados mostraron que el marco propuesto alcanzaba una alta tasa de detección del 92,5%, con una tasa de falsas alarmas relativamente baja del 7,5%. Hay algunas conclusiones útiles: (1) el modelo propuesto superó a los modelos empíricos de detección basados en reglas; (2) el método de mejora de la imagen puede mejorar en gran medida el rendimiento de la detección de colisiones en condiciones de baja visibilidad; (3) la precisión de la detección de objetos (por ejemplo, la predicción del cuadro delimitador) puede afectar al rendimiento de la detección de colisiones, especialmente en el caso de colisiones menores de vehículos de motor. En general, el marco propuesto puede considerarse una herramienta prometedora para la detección rápida de colisiones en entornos de tráfico mixto en diversas condiciones de visibilidad. En el artículo también se discuten algunas limitaciones.

• Materias:Motores (Mecánica) Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Engines Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:entorno de flujo de tráfico mixto, rendimiento de la detección de colisiones, condiciones de visibilidad, algoritmo de mejora de imágenes retinex, baja tasa de falsas alarmas, modelo yolo v3, marco de detección de colisiones, días de lluvia intensa, alta tasa de detección, método de mejora de imágenes
• Keywords:mixed traffic flow environment, crash detection performance, visibility conditions, retinex image enhancement algorithm, low false alarm rate, yolo v3 model, crash detection framework, heavy rainy days, high detection rate, image enhancement method