Optimized Video Tracking for Automated Vehicle Turning Movement Counts
Notice bibliographique
Résumé
This paper proposes a new method for automatically counting vehicle turning movements based on video tracking, expanding on previous work on optimization of parameters for road user trajectory extraction and on automated trajectory clustering. The counting method is composed of three main steps: an automated tracker that extracts vehicle trajectories from video data, an automated trajectory clustering algorithm, and an optimization algorithm. The proposed method was applied to obtain turning movement counts in three typical traffic engineering case studies in Canada representing industry-type conditions. These exhibited varying levels of tracking difficulty, ranging from a single-lane off-ramp to a six-movement intersection with a stop and a right-turn channel. Because of a limitation of the data set, giving flows per movement and not per lane, all sites were chosen with a single lane per movement. The 3-h morning peak period was used in the case studies. The results show an average weighted generalization error of 12% for more than 3,700 vehicles automatically analyzed for more than 8 h of video, ranging from 9.5% to 19.5%. The generalization error is on average 8.6% (and as low as 6.0% per movement) for the 3,084 uninterrupted vehicles that are in plain view of the camera. This paper describes in detail the methodology used and discusses the factors that affect counting performance and how to improve counting accuracy in further research.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».