Traffic near-crash events serve as critical data sources for various smart transportation applications, such as being surrogate safety measures for traffic safety research and corner case data for automated vehicle testing. However, there are several key challenges for near-crash detection. First, extracting near-crashes from original data sources requires significant computing, communication, and storage resources. Also, existing methods lack efficiency and transferability, which bottlenecks prospective large-scale applications. To this end, this paper leverages the power of edge computing to address these challenges by processing the video streams from existing dashcams onboard in a real-time manner. We design a multi-thread system architecture that operates on edge devices and model the bounding boxes generated by object detection and tracking in linear complexity. The method is insensitive to camera parameters and backward compatible with different vehicles. The edge computing system has been evaluated with recorded videos and real-world tests on two cars and four buses for over ten thousand hours. It filters out irrelevant videos in real-time thereby saving labor cost, processing time, network bandwidth, and data storage. It collects not only event videos but also other valuable data such as road user type, event location, time to collision, vehicle trajectory, vehicle speed, brake switch, and throttle. The experiments demonstrate the promising performance of the system regarding efficiency, accuracy, reliability, and transferability. It is among the first efforts in applying edge computing for real-time traffic video analytics and is expected to benefit multiple sub-fields in smart transportation research and applications.


翻译:首先,从原始数据源中提取近悬崖需要大量的计算、通信和储存资源;此外,现有方法缺乏效率和可转移性,从而阻碍可能的大规模应用;为此,本文件利用边缘计算的力量,通过实时处理现有破碎摄像头视频流,来应对这些挑战;我们设计了一个多轨系统结构,在边缘装置上操作,并模拟线性复杂天体探测和跟踪生成的捆绑盒;这种方法对摄像参数不敏感,落后于不同的车辆;现有方法缺乏效率和可转移性,从而阻碍可能的大规模应用;为此,本文件利用边缘计算的力量,通过实时处理现有破碎摄像头的视频流,解决这些挑战;我们设计了一个多轨式系统结构,不仅在边缘装置上运行,而且模拟线性物体探测和跟踪生成的捆绑盒;这种方法对摄像参数不敏感,而且与不同的车辆的落后;对两部汽车和四部大客车进行有记录的视频和实时测试,从而节省劳动力成本、处理时间、网络带宽度和数据存储;我们不仅收集了事件视频,而且还收集了其他宝贵的数据,例如:在车辆轨道运行轨道运行的预期速度、车辆运行速度、预变速性试验中,对车辆的预期速度和速度转换效率,对车辆的预期速度和速度、记录、记录、记录速度分析,对车辆的精确性试验,对车辆的精确性试验,对车辆的精确性试验,对车辆运行效率进行实时转换速度和速度和速度的精确性试验,对车辆的精确性试验,对车辆的精确性研究,对车辆的精确性试验,对车辆的精确性研究,对速度和速度进行。

1
下载
关闭预览

相关内容

智慧交通的前身是智能交通(Intelligent Transport System,简称ITS),ITS是20世纪90年代初美国提出的理念。到了2009年,IBM提出了智慧交通的理念。是将先进的信息技术、通讯技术、传感技术、控制技术及计算机技术等有效率地集成运用于整个交通运输管理体系,而创建起的一种在大范围内及全方位发挥作用的,实时、准确及高效率的综合的运输和管理系统。美国、日本、欧洲率先展开相应的研究并成为ITS发展的三强,此外加拿大、中国、韩国、新加坡、澳大利亚等国家的研究也具有相当规模。智能交通系统由多个系统构成,其中包括出行者信息系统(ATIS)、先进交通管理系统(ATMS)、先进公共交通系统(APTS)、先进车辆控制系统(AVCS)、电子不停车收费系统(ETC)、商用车辆运营系统(CVOS)等
专知会员服务
39+阅读 · 2020年9月6日
Fariz Darari简明《博弈论Game Theory》介绍,35页ppt
专知会员服务
109+阅读 · 2020年5月15日
专知会员服务
60+阅读 · 2020年3月19日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
已删除
将门创投
3+阅读 · 2017年9月12日
Arxiv
1+阅读 · 2021年8月18日
Arxiv
35+阅读 · 2019年11月7日
Deep Learning for Deepfakes Creation and Detection
Arxiv
6+阅读 · 2019年9月25日
Object Detection in 20 Years: A Survey
Arxiv
48+阅读 · 2019年5月13日
Arxiv
11+阅读 · 2019年1月24日
Deep Learning for Generic Object Detection: A Survey
Arxiv
13+阅读 · 2018年9月6日
VIP会员
相关资讯
CCF C类 | DSAA 2019 诚邀稿件
Call4Papers
6+阅读 · 2019年5月13日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
IEEE | DSC 2019诚邀稿件 (EI检索)
Call4Papers
10+阅读 · 2019年2月25日
人工智能 | SCI期刊专刊信息3条
Call4Papers
5+阅读 · 2019年1月10日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
已删除
将门创投
3+阅读 · 2017年9月12日
Top
微信扫码咨询专知VIP会员