Tracking Vehicle Cruising in an Open Parking Lot Using Deep Learning and Kalman Filter
Notice bibliographique
Résumé
Due to the lack of wide availability of parking assisting applications, vehicles tend to cruise more than necessary to find an empty parking space. This problem is evident globally and the intensity of the problem varies based on the demand of parking spaces. It is a well-known hypothesis that the amount of cruising by a vehicle is dependent on the availability of parking spaces. However, the amount of cruising that takes place in search of parking spaces within a parking lot is not researched. This lack of research can be due to privacy and illumination concerns with suitable sensors like visual cameras. The use of thermal cameras offers an alternative to avoid privacy and illumination problems. Therefore, this paper aims to develop and demonstrate a methodology to detect and track the cruising patterns of multiple moving vehicles in an open parking lot. The vehicle is detected using Yolov3, modified Yolo, and custom Yolo deep learning architectures. The detected vehicles are tracked using Kalman filter and the trajectory of multiple vehicles is calculated on an image. The accuracy of modified Yolo achieved a positive detection rate of 91% while custom Yolo and Yolov3 achieved 83% and 75%, respectively. The performance of Kalman filter is dependent on the efficiency of the detector and the utilized Kalman filter facilitates maintaining data association during moving, stationary, and missed detection. Therefore, the use of deep learning algorithms and Kalman filter facilitates detecting and tracking multiple vehicles in an open parking lot.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».