摘要
骑自行车作为一种可持续且有益健康的交通方式，正变得越来越受欢迎。然而，骑车者在道路上面临的风险也在不断增加，尤其是在遇到大型车辆时。本研究旨在减少车辆与自行车之间的碰撞事故，这些事故通常是由驾驶员对盲区的注意力不足所引起的。为此，我们设计了一种先进的实时单目自行车检测系统，该系统能够利用目标检测卷积神经网络（如EfficientDet Lite和SSD MobileNetV2）来识别自行车。首先，我们提出的自行车检测模型在新提出的包含超过20,000张图像的自行车图像数据集上进行了微调，实现了大于0.900的平均精度均值（mAP，交并比IoU：0.5）。接下来，这些模型被部署到带有摄像头模块的Google Coral Dev Board微型计算机上，并对其速度进行了分析，达到了低至15毫秒的推理时间。最后，端到端的自行车检测设备在实时环境中进行了测试，以模拟交通场景，并进一步分析了其性能和可行性。研究结论表明，该自行车检测设备能够准确且快速地识别骑车者，并具有显著提高骑车者安全性的潜力。未来的研究可以探讨该设备在汽车行业的可行性及其随时间推移对骑车者安全性的改进效果。