基于深度学习的骑行者方向检测对易受伤害的道路使用者的安全影响

在本研究中，利用深度学习进行方向检测，特别关注了一类特别脆弱的道路使用者——骑自行车者。了解骑自行车者的方向对于预测其未来的行驶轨迹具有重要意义，这在智能交通系统中对于避免事故至关重要。通过使用预训练模型和TensorFlow进行迁移学习，我们对文献中报道的主要目标检测算法（如SSD、Faster R-CNN和R-FCN）以及MobilenetV2、InceptionV2、ResNet50和ResNet101特征提取器进行了性能比较。此外，我们提出了一种多类别检测方法，根据方向分为八个不同的类别。为此，我们引入了一个新的数据集“Detect-Bike”，该数据集包含11,103张图像中的20,229个骑自行车者实例，并基于骑自行车者的方向进行了标注。然后，用于检测的相同深度学习方法被训练以确定目标的方向。我们的实验结果和广泛的评估表明，所有研究的方法在骑自行车者及其方向检测方面均表现出令人满意的性能，特别是使用ResNet50的Faster R-CNN在精度上表现优异但速度显著较慢。与此同时，使用InceptionV2的SSD在精度和执行时间之间提供了良好的平衡，并且更适合实时嵌入式应用。