yolo目标检测+目标跟踪+车辆计数+车辆分割+车道线变更检测+速度估计

这个项目使用YOLO进行车辆检测，使用SORT（简单在线实时跟踪器）进行车辆跟踪。该项目实现了以下任务：

在这里插入图片描述

车辆计数是指在道路上安装相应设备，通过对车辆通过的检测来获取车辆数量的统计信息。这种技术广泛应用于交通管理、城市规划、智能交通系统等领域。车辆计数可以帮助交通管理部门更好地了解交通流量变化情况，并根据数据采取相应的交通管理措施。
车道分割是指在道路上设置标线或固定隔离物，将车行道分为不同的车道，以便车辆有序行驶。车道分割可以提高交通安全性，减少事故率，并有助于缓解拥堵。同时，车道分割还可以为智能交通系统提供数据支持，如车道占用监测和车辆类型识别等。
车道变更检测是指通过车载摄像头、雷达或其他传感器设备等技术，实现对车辆行驶过程中车道变更情况的检测。车道变更检测可以提高驾驶员的行驶安全性和舒适度，避免发生事故，同时也可为智能交通系统提供数据支持，如实时路况分析和交通拥堵预测等。
速度估计是指通过车辆行驶过程中的运动学参数（如加速度、角度等），结合数据处理算法，实现对车辆速度的估计。速度估计可应用于交通管理、智能交通系统、驾驶员辅助系统等领域，如路段速度监测、交通拥堵预测、自适应巡航控制等。

请注意，视频中有4个位置和对应的代码（4个IF语句），您可以删除其中3个，并根据需要编辑第一个。

运行项目：

安装所需依赖项，请运行：

$ cd code/

$ pip3 install -r requirements.txt

通过以下方式下载yolo权重文件：

$ bash download_weights

确保根据您的视频更改检测和车道分割行，微调YOLO模型的阈值和置信度

运行

$ Python3 main.py -input /path/to/video/file.avi -output /path/for/output/video/file.avi -yolo /path/to/YOLO/directory/

这是一个有趣的项目，主要是由于摄像头抖动（可能是由于风或其他原因！）。这种摄像头抖动会导致框架闪烁。这意味着我们不能使用传统的像素距离到公里/小时的映射，因为随着每个帧的闪烁，边界框的中心点也会任意地闪烁。因此，我尝试了这种新方法：两条线之间的速度。

两个线之间的速度（SBTL）
该方法做出了一些假设，如下所示：

–>我们在垂直于车辆行驶方向的帧上绘制两条线，然后找到任何汽车穿过这两条线所需的最短时间（此车将以限速行驶）。一旦我们找到任何车通过这两条线所需的最短时间，我们使用简单的速度=距离/时间公式计算其余车辆的速度。[我知道这不完美，但肯定比像素映射方法更精确]

在这里插入图片描述