新闻动态

使用智能设备传感器提高车辆识别的准确性——正规的足球外围网站设计专题

作者:小编时间:2022-11-05 13:22:57

本文探讨了智能设备传感器在车辆识别中的应用。目前,作为人们生活中无处不在的方面,智能设备可以通过通常内置的电话活动识别过程,方便地记录有关步行、骑自行车、慢跑和踏步的详细信息,包括生理数据。本文研究了智能交通系统的研究,以揭示智能设备传感器数据如何用于车辆识别研究,并适合其不断增长的文献。在这里,我们使用智能手机中常见的加速度计和陀螺仪来检测车辆的类别。我们使用智能手机从汽车、公共汽车、火车和自行车中收集数据,并设计了一个利用残差连接进行车辆识别的1DCNN模型。该模型的预测准确率达到了98%以上。此外,我们还根据我们的研究提供了未来的研究方向。


自1979年以来,手持移动设备已成为全球市场不可或缺的一部分,并且近年来,手持移动设备已从手机扩展到手表和腕带。消费者现在可以通过移动智能设备访问基于位置的服务和移动社交网络,这些设备可以使用手机信号塔、无线保真、全球定位系统、蓝牙和射频识别等技术。加速度计传感器和陀螺仪传感器常用于手机。这些传感器特别适用于测量三维物体方向或定位,以及周围环境的变化,因为它们能够提供非常清晰和准确的原始数据。


机动车辆的自动无线监控通过防止碰撞、在事故发生时通知驾驶员以及门诊和紧急服务来挽救许多生命。借助GPS,我们构建了用于测试汽车、轮船和火车的应用程序,以帮助避免或监控问题.当应用于车辆识别时,活动识别技术可以收集和评估大量的车辆、驾驶员、交通和环境数据,从识别道路上的任何小颠簸,到提高车辆识别的准确性,以及驾驶员的范围和驾驶条件。除了直接的客户支持外,还可以从智能设备中利用这些信息,并将其无线处理到大规模数据库中,以挖掘市场情报。当AppleWatch发送无线运动数据时,甚至在它们成为主要问题之前就可以识别出坑洞。在车辆经过道路上的特定点后,可以实时传达光滑或不安全的驾驶条件。小工具可以向消费者提交警报或与智能交通系统通信,


作为车辆识别研究的一个明显的非视觉、低成本和移动的分支,智能传感器车辆识别系统具有促进智能交通系统与人类活动识别相结合的潜力,使得一个人的旅行活动可以跟踪进出他们的车辆,随后有可能为所有其他基于移动的活动系统做出贡献并与之集成。扩展Pias等人的研究结果。,本文有助于基于智能传感器的车辆识别研究。


这项研究提出了以下研究问题:仅使用智能手机中的加速度计和陀螺仪来识别交通方式的振动和运动的关键差异,从而实现实时识别,能否获得高精度?具体而言,本研究旨在识别和区分四种特定交通方式中的这些特征:自行车、汽车、火车和公共汽车。此外,无论交通和天气,以及汽车或手机的品牌和型号如何,该模型都旨在保持卓越的准确性。


image.png


通过智能传感器识别车辆

智能传感器,而不仅仅是使用摄像头,它可以接收许多不同类型的传感数据,其中图3描述了一些常见的例子。通常,通过机器学习、深度学习或神经网络分析来分析原始传感器数据,从而解释来自传感器的信息以获得进一步的含义。许多研究已经使用长短期记忆分类来识别交通方式的智能传感器,例如在参考文献中。,它分析了GPS、手机和Wi-Fi接收器,以确定受试者是否静止、步行、跑步、骑自行车、驾驶汽车、乘坐公共汽车、火车或地铁。这些作者观察到对每种车辆交通方式进行分类的准确率在88%到94%之间,而GPS被证明是他们最有价值的输入。虽然参考。使用LSTM分类器和三个传感器获得了88-94%的准确度,我们的研究只需要两个传感器——加速度计和陀螺仪——并获得了98%的更高准确度。


智能交通系统

通过智能传感器进行车辆识别具有整合智能交通系统的新技术和进步的潜力。车辆的安全性可以追溯到首次引入安全带和挡风玻璃雨刷器的时候。十字路口的警卫和停车标志有助于向人们发出信号,指示是否要在交通信号灯前停车,最近还引入了闯红灯摄像头技术。以前一个牵强的目标,红灯摄像头现在是主要十字路口的正常安装,导致汽车和机动车辆碰撞减少18%,从而减少交通伤亡。


通过智能设备传感器进行车辆识别可以帮助增强已经发展的人工智能和车辆识别技术的集成体,这些技术除了车辆和监控技术外,还有助于推进交通管理和公共安全。如果从车辆内部验证机动车辆操作的无线技术可以直接进行通信,那么将来可以直接通信其他安全功能,例如跟踪汽车运动以识别坑洼、悬架系统故障或超速时与此类功能进行通信。此外,智能手机在社会中无处不在建议有可能克服依赖于红灯摄像头等系统的智能交通系统的邻近限制,将交通事故的监控与事故发生时配备摄像头的交通信号灯的可用性联系起来。


image.png


因此,智能设备传感器与智能交通系统网络中的其他传感器连接和集成的能力,为整个交通网络中更高水平的互连、信息和交互性创造了潜力。智能手机传感器可以跟踪驾驶员的行为,从而有可能了解事故的原因,甚至避免事故。行人还能够实时知道公共汽车和火车的到达时间。红绿灯可以预测行人和骑自行车的人的接近,可能会准备好信号以最好地适应他们。智能道路可以识别、跟踪来自其上方联网汽车的压力或磁力并与之交互,实时监控车辆并与车辆交互。在所有这些交通方式之间的通信中,交通信号灯和公共交通系统,以及任何潜在的自动驾驶车辆,都能够适应交通状况和/或适应紧急车辆的需要,提前并绕过任何交通状况。如系统中的公司办公室所示,智能建筑同样连接到所有这些系统,如果可以从中获得任何好处,则允许他们适应不断变化的条件。最后,城市中心的整个电网通过交通信号灯、手机信号塔、带有智能传感器的人员携带设备和GPS卫星的无处不在的连接,与所有其他城市中心、周围的红绿灯、公共汽车站和火车终点站相连。,以更好地控制和自动化智能交通系统。


可以有不同类型的数据集;例如,表格、图像和时间序列。每种类型的数据集都有不同的方向和依赖性。一般情况下,表格数据的特征并不直接相互依赖。但是,图像和时间序列数据的情况有所不同。图像数据使用张量表示,每一行/列都依赖于另一行/列。这意味着一列或一行不能与另一列或行交换。时间序列数据比常规表格数据更复杂。它们具有数据依赖性。出于这个原因,一般的机器学习算法不够有效。


与深度学习方法相反,机器学习算法需要有代表性的特征向量作为输入。但是,深度学习算法可以使用原始数据集进行处理。从时间序列数据中提取特征非常困难。可以从时间序列数据中提取统计值来训练机器学习分类器。然而,这些特征集不足以代表完整的时间序列。结果,性能下降。


另一方面,深度学习方法没有这些问题。特别是,LSTM和CNN已被证明对于处理此类数据集是有效的。LSTM用于识别CNN使用卷积提取特征的数据依赖性。CNN的卷积运算相当于傅里叶变换,将时间序列数据从时域转移到频域。频域比时域更具代表性。在这项研究中,我们利用CNN及其卷积特性从时间序列数据集中学习固有模式。为了评估我们的理论


本研究的模型与我们的研究问题和预期结果一致。当窗口大小在200-500之间计算5倍精度时,结果反复在10个epoch内达到98%的总体精度。这种整体准确性适用于汽车、公共汽车、铁路或自行车识别,并且在测试汽车时不受天气或交通状况的影响。此外,汽车的品牌也不影响汽车的准确识别。


在实现这些结果的过程中,该研究推进了车辆识别的一个分支,该分支可以通过智能设备传感器被动地获取车辆和活动数据。由于能够通过智能设备识别车辆,本文还有助于对基于传感器的系统进行越来越多的研究,这些系统可以跟踪驾驶员和乘客的交通习惯,可能会导致系统能够理解甚至预测首选模式乘客和司机的运输。此外,还可以根据行驶距离和时间、道路状况和其他驾驶条件等参数,确定并推荐最佳交通方式。这些结论与我们手稿中提出的证据和论点一致。我们的模型能够一致地识别公共汽车、自行车、铁路和汽车的交通方式。此外,无论汽车的品牌、天气状况、交通状况,或者汽车是混合动力车还是标准汽油车,这种识别都是一致的。


image.png


由于GPS技术可以实现自动无线车辆跟踪,全世界许多人的生命得到了挽救。这些系统不仅可以警告用户发生事故,还可以帮助驾驶员防止碰撞。GPS设备和运动检测技术可用于监控车辆的行进。然而,GPS技术的缺点是无法跟踪微小的运动。尽管如此,通过使用加速度计和陀螺仪,我们能够轻松识别小车辆位移,并对运输方式进行分类。凭借这种跟踪小规模车辆运动的能力,可以以类似的方式对车辆进行分类和监控,但与GPS以及其他智能交通系统相比,它具有不同的优点和缺点。


通过智能设备传感器车辆识别,基于视觉的监控系统有可能受益于越来越多的物联网技术,迅速嵌入车辆中。考虑到这一点,通过智能设备传感器表面进行车辆识别有许多潜在的好处,包括采用无线技术与机动车辆直接通信或跟踪机动车辆运动的额外安全功能。这是因为车内的移动型系统可以包括我们在车辆识别研究中使用的相同智能手表传感器,并且这样做可以使车内发生的事情与通过外部监视和监控。这种同时使用车辆识别系统将在未来的研究中,


因此,通过智能设备传感器进行车辆识别可以解决现有文献中的许多功能应用和理论方向。如图所示表格1,许多在车辆识别方面具有先进理论并导致实际应用的重要研究可能会受益于通过智能设备传感器研究探索车辆识别。尽管如此,还需要指出的是,虽然智能传感器有可能增加车辆识别系统的复杂性和实用性,但在驾驶时使用智能手机存在潜在风险。根据最近的一份报告,除了美国总计130万起事故之外,手机在所有车祸中占不低于23%。在该研究中,智能手机被用作传感器来检测驾驶和发短信的同时行为,这类似于我们的论文,我们使用智能手机作为传感器来获取数据。研究人员进一步提出了TEXIVE,它可以通过利用与普通智能手机相结合的惯性传感器,以高灵敏度、精确度和准确度完美识别危险活动。对自愿使用各种智能手机和车辆的各种个人进行了广泛的实验,结果表明,TEXIVE在分类方面的准确率为87.18%,准确率为96.67%。


光电训练系统

相关推荐