Dual-Camera Intersection Monitoring: Detection, Tracking, and Predictive Safety Alerts for Road Users
Notice bibliographique
Résumé
Intelligent transportation systems (ITS) offer significant potential for enhancing traffic safety and efficiency through advanced sensing and driver assistance technologies. One of the major challenges for ITS is accurately assessing risks, particularly in interactions with unpredictable pedestrians in busy urban areas. This study addresses this challenge by developing a real-time camera-based monitoring system for proactive risk identification and mitigation at intersections, with a specific focus on ensuring the safety of drivers and pedestrians. Our research was conducted using data from two synchronized cameras that captured full HD video footage at the Gordon and Kortright intersection in Guelph City, Ontario, Canada. We collected and processed data from 40,132 frames per video, identifying and tracking road users using deep learning models. These models converted detected objects' coordinates to satellite and GPS coordinates, ensuring consistent tracking across both camera views. A novel multi-target multi-camera tracking algorithm was developed to maintain consistent object IDs across overlapping fields of view. This facilitated accurate trajectory prediction using deep learning models, incorporating features such as traffic light status, vehicle speed, and spatial interactions. The integration of these features significantly enhanced the model's predictive capabilities, enabling real-time risk assessments for pedestrians and vehicles. Key innovations include the use of computer vision techniques for traffic light status detection and the development of a binary 'Yield' feature to represent right-of-way laws. Additionally, our approach leverages satellite images to create a unified coordinate system for tracking, allowing seamless integration of additional cameras and sensors. The findings of this research demonstrate the feasibility and effectiveness of a camera-based monitoring system for real-time trajectory prediction and collision risk assessment. This system has the potential to improve urban mobility and road safety by reducing accidents and enhancing the safety of vulnerable road users.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».