基于改进YOLOv5模型的人车冲突概率评估

余 龙阳
西华大学

摘要


在无信控交叉口环境中，为了提升对行人与车辆之间的冲突概率的评估精度，本文提出了一种基于
YOLOv5的改进模型。该模型首先利用 YOLOv5和DeepSORT技术识别车辆与行人之间的相对位置并进行轨迹跟
踪；其次，通过 LPET方法判别行人与车辆的冲突程度；最后，采用 SPSS进行数据分析，验证模型的有效性并计算
人车冲突概率。数据分析结果表明，模型的显著性水平 P=0.000，小于常规显著性水平，证明该冲突模型能够有效识
别无信控交叉口的人车冲突。与 YOLOv5模型对比，改进模型的准确率提升了 0.07%，表明其在无信控交叉口人车冲
突识别上具备更高的精度。

关键词


无信控交叉口；人车冲突；YOLOv5；DeepSORT；LPET

全文:

PDF


参考


[1]唐鹏，陈鹏，闫伟曦.无信控路段行人与非机

动车过街行为分析.武汉理工大学学报.2022；44（2）：

21-7.

TangP, ChenP, YanWX. Analysis of Pedestrian and

Non-motor Vehicle Crossing Behaviorsat Uncontrolled

Road Sections. Journal of Wuhan University of Technology.

2022; 44(2): 21-27.

[2]杨澜，赵祥模，吴国垣，等.智能网联汽车协同

生态驾驶策略综述 [J].交通运输工程学报，2020，20（5）：

58-72.

[3]WojkeN, BewleyA, PaulusD. Simple online and

realtime tracking with a deep association metric[C]//2017IEEE

international conference on image processing(ICIP). IEEE,

2017: 3645-3649.

[4]余以春，李明旭.改进 YOLOv5s的自动驾驶汽车

目标检测.计算机系统应用，2023，32（9）：97-105.

[5]韩晓冰，王雨田，黄综浏，等.改进 YOLOv5

+DeepSORT的行人跟踪算法 [J].现代电子技术，2023，

46（7）：33-38.

[6]于浩.基于 YOLOv5+DeepSORT的多目标算法

[J].信息技术与信息化，2023（6）：87-90.

[7]ZhengL, WenC, GuoY, et al. Investigating consecutive

conflicts of pedestrian crossing at unsignalized crosswalks using

the bivariate logistic approach[J].AccidentAnalysis&Prevention

,2021,162:106402.

[8]ArunA, HaqueMM, WashingtonS, et al. How many

are enough: Investigating the effectiveness of multiple conflict

in dicators for crashfrequency-by-severity estimation by

automated traffic conflict analysis[J]. Transportation research

part C: Emerging Technologies, 2022, 138: 103653.

[9]AlmodferR, hongS, FangZ, et al. Quantitative analysis

of lane-based pedestrian-vehicle conflict atanon-signalized

marked crosswalk[J]. Transportation research part F: Traffic

Psychology and Behaviour, 2016, 42: 468-478.

[10] I smailKA. Application of compute r vi sion

techniques for automated road safety analysis and traffic data

collection[D]. University of British Columbia, 2010.


Refbacks

  • 当前没有refback。