MPP: A Novel Algorithm for Estimating Vehicle Space Headways from a Single Image
Notice bibliographique
Résumé
Vehicle space headway, also called spacing, is an important and basic traffic parameter. Traditional space headway calculation methods are facing the problems of large errors and high costs. This paper presents a novel algorithm based on measurement point pairs (MPPs) to estimate the real-time microcosmic vehicle space headway from single images in existing traffic surveillance videos and images without any additional equipment. First, the camera is calibrated with road markings to obtain the relationship between the image coordinates and the world coordinates. Second, vehicle pairs of two successive vehicles in the image are established, measurement points on each vehicle are selected by video intelligence analysis technologies, and their world coordinates are calculated by camera calibration results. Finally, the measurement points of the preceding and following vehicles are matched to obtain the MPPs, followed by the calculation of the weighted space headway. By using the measurement point information, one of the most difficult problems in image distance measurement, the lack of height information, is solved. The main factors causing estimation errors are fully addressed and the range and trend of errors under certain conditions are given by virtual simulation. Two real-world experiments are used to prove the accuracy and usability of the MPP in common video scenes: the simulation experiment indicates that the MPP algorithm achieves a high accuracy with estimation error less than ±0.1 m and the relative error within 1.1%; the application experiment shows that the MPP-based calculation is more accurate and stable than the state-of-the-art distance measurement algorithm and that the convenience of the proposed MPP algorithm is higher than that of traditional methods of space headway estimation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».