Vehicle speed dataset for the major European road network derived from Sentinel-2 imagery, 2022-2026
Heidelberg Institute for Geoinformation Technology (HeiGIT)（海德堡地理信息技术研究所）；Faculty of Geographical Sciences, University of Lodz（罗兹大学地理科学学院）；GIScience Research Group, Institute of Geography, University of Heidelberg（海德堡大学地理研究所地理信息科学研究组）
该研究提供2022-2026年欧洲E级公路网的车辆速度数据集，基于Sentinel-2影像经特定处理流程生成，可支撑大陆尺度的交通相关研究。
2026-11-03 cs.CV
Leveraging Synthetic Data in Object Detection on Unmanned Aerial Vehicles
University of Tuebingen（蒂宾根大学）
获取数据以在无人机（UAV）上训练基于深度学习的物体检测器是昂贵、耗时的，并且在特定环境中甚至可能被法律禁止。另一方面，合成数据访问起来又快又便宜。在这项工作中，我们探讨了潜在的使用合成数据在目标检测从无人机在各种应用环境。为此，我们扩展了开源框架DeepGTAV，使其适用于无人机场景。我们捕获了多个领域的各种大规模高分辨率合成数据集，通过分析多个模型的多种训练策略，展示了它们在无人机真实世界目标检测中的应用。此外，我们分析了几种不同的数据生成和采样参数，为进一步的科学研究提供可操作的工程建议。DeepGTAV框架可在https://git.io/Jyf5j上获得。
2021-12-22 cs.CV
A Real-Time Wrong-Way Vehicle Detection Based on YOLO and Centroid Tracking
Chittagong University of Engineering and Technology（吉大港工程技术大学）
错道驾驶是世界范围内道路交通事故和交通堵塞的主要原因之一。通过检测错误的道路车辆，事故的数量可以减少，交通堵塞可以减少。随着实时的【形】交通管理系统的日益普及以及廉价摄像机的出现，监控视频已经成为一个重要的数据来源。在本文中，我们提出了一个自动错误的方式车辆检测系统，从道路上的监控摄像机镜头。我们的系统工作在三个阶段：检测车辆从视频帧使用你只看一次（YOLO）算法，跟踪每个车辆在指定的兴趣区域使用质心跟踪算法和检测错误的方向行驶的车辆。YOLO在目标检测方面非常准确，质心跟踪算法可以有效地跟踪任何运动目标。实验结果表明，该系统可以在不同的光照和天气条件下检测和识别任何逆行车辆。该系统非常简单，易于实现。
2022-10-19 cs.CV
Efficient Vision-based Vehicle Speed Estimation
Photoneo, s.r.o.（Photoneo公司）；Faculty of Mathematics, Physics and Informatics, Comenius University Bratislava（布拉迪斯拉瓦康门ius大学数学、物理与信息学学院）
本研究提出一种基于视觉的高效车辆速度估计方法，通过改进基于3D边界框与消失点几何的现有方案，在BrnoCompSpeed数据集上实现了精度优于现有最优水平且速度提升5.5倍的效果，适配边缘设备等多平台部署。
2025-05-02 cs.CV
Enhanced Vehicle Speed Detection Considering Lane Recognition Using Drone Videos in California
Department of Computer Science, University of California, Davis（计算机科学系，加州大学戴维斯分校）；Department of Civil and Environmental Engineering, University of California, Davis（土木与环境工程系，加州大学戴维斯分校）
针对加州车辆测速需求，本研究提出经近800张鸟瞰图微调的YOLOv11模型，可分车道检测车速并区分轿车与重型车辆，在北加州无人机数据上测速MAE达0.97mph、MSE达0.94mph²，精度优于现有方法。
2025-06-12 cs.CV cs.LG
Calibration-Free Vehicle Speed Estimation: A Monocular Keypoint-Template Approach
The University of California, Berkeley（加利福尼亚大学伯克利分校）；The University of Texas, Austin（德克萨斯大学奥斯汀分校）
该研究提出一种无校准的单目车辆速度估计框架，采用36关键点车辆模板与YOLO关键点检测，在VS13等数据集上实现低MAE，可用于便携式设备的低成本速度执法。
2026-08-18 cs.CV
Detection of 3D Bounding Boxes of Vehicles Using Perspective Transformation for Accurate Speed Measurement
Comenius University in Bratislava（布拉迪斯拉发夸美纽斯大学）
交通监控摄像头捕获的车辆的检测和跟踪是智能交通系统的关键组成部分。我们提出了一个改进的版本，我们的算法检测的三维包围盒的车辆，跟踪和随后的速度估计。我们的算法利用已知的几何形状的消失点在被监视的场景中构建一个透视变换。该变换使得能够使用标准2D对象检测器将检测3D边界框的问题直观地简化为具有一个附加参数的2D边界框的检测。本文的主要贡献是一个改进的建设的透视变换，这是更强大的，全自动和扩展的实验评估的速度估计。我们在BrnoCompSpeed数据集的速度估计任务上测试我们的算法。我们评估我们的方法与不同的配置，以衡量准确性和计算成本之间的关系，并在2D检测的3D限界框检测的好处。所有经过测试的配置都是实时运行的，并且是全自动的。与其他已发表的最先进的全自动结果相比，我们的算法将平均绝对速度测量误差降低了32%（1.10 km/h至0.75 km/h），将绝对中值误差降低了40%（0.97 km/h至0.58 km/h）。
2020-08-04 cs.CV
Vehicles Lane-changing Behavior Detection
CyLab-ECE
车道级定位精度对自主车辆非常重要。全球导航卫星系统（GNSS），例如GPS，是用于车辆的通用定位方法，但是在城市环境中易受多径干扰。将基于视觉的相对定位结果和数字地图与GNSS相结合是提高全球定位精度从而实现车道级定位的常用且廉价的方法。本计画旨在发展一套以单摄影机为基础之换道行为侦测模组，以修正侧向GPS定位。我们实现了一个基于支持向量机（SVM）的框架，直接分类的驾驶行为，包括车道保持，左，右车道变换，从采样数据的原始图像安装在挡风玻璃后面的单摄像头。从卡内基梅隆大学附近的驾驶收集的训练数据，我们比较了训练的SVM模型w/和w/o的主成分分析（PCA）降维技术。基于SVM的分类方法的性能进行了比较与CNN方法。
2018-08-22 cs.CV
Intelligent Traffic Surveillance for Real-Time Vehicle Detection, License Plate Recognition, and Speed Estimation
Makerere University（Makerere大学）
本研究提出了一种针对发展中国家的实时智能交通监控系统，通过计算机视觉技术实现车辆检测、车牌识别和速度估计，显著降低错误率并实现自动发票。
2026-01-01 cs.CV
Automatic Road Lighting System (ARLS) Model Based on Image Processing of Moving Object
Institut Teknologi Bandung（万隆理工学院）
以汽车玩具（以后称为汽车）为运动对象，建立了自动道路照明系统（ARLS）模型。当车辆在道路的测试段中移动时，使用具有25 fps的数字视频摄像机来捕获车辆运动。然后处理捕获的图像以计算车辆速度。然后，车辆的速度和位置的信息被用于控制沿着经过车辆的路径的照明系统。道路测试段的长度为1米，摄像机位于测试段上方约1.1米处，车辆玩具尺寸为13厘米\times 9.3厘米。在该模型中，ARLS可以处理的最大速度约为1.32 m/s，并且在速度为0.93 m/s时获得最高性能约91%。
2013-11-27 cs.CV
Stable at Any Speed: Speed-Driven Multi-Object Tracking with Learnable Kalman Filtering
针对传统多目标跟踪方法忽略自车速度影响导致高速场景下性能下降的问题，提出速度引导可学习卡尔曼滤波器SG-LKF，结合MotionScaleNet参数预测与自监督轨迹损失，在多个MOT基准上取得领先性能。
2025-08-01 cs.CV
Modular Traffic Sign Recognition applied to on-vehicle real-time visual detection of American and European speed limit signs
Valeo Driving Assistance Domain（法雷奥驾驶辅助领域）；Ecole des Mines de Paris (ParisTech)（巴黎矿业学院（巴黎理工学院））
我们提出了一个新的模块化交通标志识别系统，成功地应用于美国和欧洲的限速标志。我们的符号检测步骤仅基于形状检测（矩形或圆形）。这使得它能够处理灰度图像，与大多数欧洲竞争对手相反，这减轻了对照明条件（特别是夜间操作）的鲁棒性。速度标志候选者通过分割它们内部的潜在数字（这是相当原始的并且具有几个优点）来分类（或拒绝），然后应用神经数字识别。（标准）美国和欧盟的全球检出率约为90%。速度标志，错误分类率<1%，并且在>150分钟的视频中没有经过验证的假警报。该系统在标准高端笔记本电脑上的实时的【形】处理速度约为20帧/秒。
2009-10-07 cs.CV
Traffic Surveillance Camera Calibration by 3D Model Bounding Box Alignment for Accurate Vehicle Speed Measurement
Brno University of Technology（布尔诺理工大学）
在本文中，我们专注于全自动交通监控摄像机的校准，我们使用的速度测量的过往车辆。我们改进了最近国家的最先进的交通监控摄像机标定方法的基础上检测到的两个消失点。更重要的是，我们提出了一种新的自动场景规模推断方法。该方法基于将车辆的渲染3D模型的边界框与图像中检测到的边界框进行匹配。该方法可以从任意视点使用，因为它没有约束的相机放置。我们在最近的速度测量BrnoCompSpeed的综合数据集上评估我们的方法。实验表明，我们的自动摄像机标定方法通过检测两个消失点减少了50%的误差（平均距离比误差从0.18减少到0.09）相比，以前的国家的最先进的方法。我们还表明，我们的场景规模推断方法是更精确的，优于最先进的自动校准方法的速度测量（误差减少86% -7.98公里/小时至1.10公里/小时）和手动校准（误差减少19% -1.35公里/小时至1.10公里/小时）。我们还提出了定性的结果，建议自动摄像机校准方法从真正的监控摄像机在不同的地方，并在不同的照明条件下（夜间，黎明，白天）获得的视频序列。
2017-06-01 cs.CV
A Narrative Vehicle Protection Representation for Vehicle Speed Regulator Under Driver Exhaustion -- A Study
SVS College of Engineering（SVS工程学院）
驾驶员疲劳是导致交通事故的重要因素之一，由于驾驶员警惕性降低而导致的事故数量不断增加，已成为社会严重关注的问题。警觉性水平下降的驾驶员的感知、识别和车辆控制能力明显下降，因此对自己和他人的生命构成严重危险。睡眠不足或睡眠障碍导致的疲劳是事故数量增加的一个重要因素。在这个项目的工作中，我们讨论了现有的各种方法和建议的方法的基础上的实时的在线安全原型，控制车辆的速度下驾驶员疲劳。该模型的目的是提出一种系统，以检测驾驶员的疲劳症状，并控制车辆的速度，以避免事故。该系统与不同技术的不同研究人员的主题进行了充分的测试，最后，所提出的模型的有效性的车辆速度控制器的驾驶员疲劳检测的基础上。
2014-02-15 cs.CV cs.HC
Data-driven vehicle speed detection from synthetic driving simulator images
University of Alcalá（阿尔卡拉大学）；European Commission, Joint Research Center（欧盟委员会联合研究中心）
尽管存在这些挑战和限制，但基于视觉的车辆速度检测由于其巨大的潜在优势（如降低成本和增强附加功能）而获得了研究兴趣。正如最近的一项调查[1]所述，使用基于学习的方法来解决这一问题仍处于起步阶段。主要困难之一是需要大量数据，这些数据必须包含输入序列，更重要的是，对应于车辆实际速度的输出值。在这种情况下的数据汇集需要复杂且昂贵的设置，以从与高精度速度传感器同步的摄像机捕获图像，从而生成地面真实速度值。在本文中，我们首次探索使用驾驶模拟器生成的合成图像（例如，CARLA）使用基于学习的方法来解决车辆速度检测问题。我们模拟了一个放置在一段道路上的虚拟摄像头，并生成了数千张图像，这些图像具有与多种速度、不同车辆类型和颜色以及照明和天气条件相对应的可变性。研究了将图像序列映射到输出速度（回归）的两种不同方法，包括CNN-GRU和3D-CNN。我们提出的初步结果，支持这种方法来解决车辆速度检测的高潜力。
2021-04-20 cs.AI cs.CV
End-to-end Multi-Modal Multi-Task Vehicle Control for Self-Driving Cars with Visual Perception
University of Rochester（罗切斯特大学）；SAIC USA Innovation Center（上汽美国创新中心）
卷积神经网络（CNN）已成功应用于自动驾驶任务，许多是以端到端的方式。以前的端到端转向控制方法将图像或图像序列作为输入，并直接用CNN预测转向角。虽然转向角的单任务学习已经报告了良好的性能，但单独的转向角对于车辆控制是不够的。在这项工作中，我们提出了一个多任务学习框架，以端到端的方式同时预测转向角和速度控制。由于它是不平凡的预测准确的速度值只有视觉输入，我们首先提出了一个网络来预测离散的速度命令和转向角的图像序列。此外，我们提出了一个多模态多任务网络来预测速度值和转向角度，通过以前的反馈速度和视觉记录作为输入。在公开的Udacity数据集和新收集的SAIC数据集上进行了实验。结果表明，该模型预测转向角和速度值准确。此外，针对实际道路试验中存在的误差积累问题，对故障数据合成方法进行了改进。
2018-02-02 cs.CV
Vision-Language Work Zone Intelligence for Safety-Critical Speed Regulation of Mixed-Autonomy Vehicles in Dynamic Environments
UC Merced（加州大学默塞德分校）；Johns Hopkins（约翰霍普金斯大学）；UC San Diego（加州大学圣地亚哥分校）
提出一种实时车载感知管线，通过目标检测与语义验证融合及滞后状态转换，从视觉标志中识别临时工作区限速，在低成本硬件上实现96.5%召回率和68.7%精确率。
2026-06-07 cs.CV
A Framework for Real-time Traffic Trajectory Tracking, Speed Estimation, and Driver Behavior Calibration at Urban Intersections Using Virtual Traffic Lanes
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
在以前的研究中，我们提出了VT车道，一个三步框架实时的【形】车辆检测，跟踪和转向运动分类在城市交叉口。在这项研究中，我们提出了一个案例研究，将高度准确的轨迹和运动分类通过VT车道的速度估计和驾驶员行为校准的目的，在城市交叉口的交通。首先，我们使用高度仪表化的车辆来验证从视频推理获得的估计速度。速度验证结果表明，我们的方法可以实时的【形】估计被检测车辆的平均行驶速度，误差为0.19 m/s，相当于研究交叉口平均观察行驶速度的2%。瞬时速度（在30赫兹的分辨率）被发现估计的平均误差为0.21米/秒和0.86米/秒，分别为自由流动和拥挤的交通条件。然后，我们使用估计的速度来校准的参数的驾驶员行为模型的车辆在该地区的研究。结果表明，校准后的模型复制的驾驶行为的平均误差为0.45米/秒，这表明使用该框架的自动化，大规模校准的汽车跟驰模型从路边交通视频数据，这可能会导致实质性的改善交通建模通过微观模拟的高潜力。
2021-06-18 cs.CV
A dataset for audio-video based vehicle speed estimation
Faculty of Electrical Engineering University of Montenegro Podgorica, Montenegro；Faculty of Maritime Studies University of Montenegro Kotor, Montenegro
道路车辆的准确速度估计由于若干原因而重要。一个是限速执法，这是减少交通事故和死亡的一个重要工具。与其他研究领域相比，车辆速度估计的可用数据集数量仍然非常有限。我们提出了一个数据集的道路上的音频视频记录的单个车辆通过摄像头在已知的速度，保持稳定的车载巡航控制。该数据集包含13辆汽车，选择尽可能多样化的制造商，生产年份，发动机类型，功率和传输，从而产生总共$ 400 $注释的音频-视频记录。该数据集是完全可用的，并打算作为一个公共基准，以促进音频视频车辆速度估计的研究。除了数据集之外，我们还提出了一种交叉验证策略，该策略可用于车辆速度估计的机器学习模型中。提出了两种对数据集进行训练-验证分割的方法。
2022-12-03 cs.CV cs.LG cs.SD
Vision-based Vehicle Speed Estimation: A Survey
University of Alcalá（阿尔卡拉大学）；European Commission, Joint Research Center（欧盟委员会联合研究中心）
由于至少两个主要原因，准确估计道路车辆的速度的需要变得越来越重要。首先，近年来，全球安装的测速摄像头数量一直在增长，因为引入和执行适当的速度限制被认为是提高道路安全的最有效手段之一。其次，道路网络中的交通监测和预测对于提高智能城市的交通量、排放量和能源消耗量起着基础性的作用，车辆的速度是交通状态最相关的参数之一。在可用于精确检测车辆速度的技术中，基于视觉的系统的使用带来了有待解决的巨大挑战，但也带来了巨大的潜在优势，例如由于没有昂贵的测距传感器而大幅降低成本，以及准确识别车辆的可能性。本文综述了基于视觉的车速估计方法。我们描述的术语，应用领域，并提出了一个完整的分类法的一个大的选择的作品，分类所涉及的所有阶段。提供了性能评估指标和可用数据集的概述。最后，我们讨论了目前的局限性和未来的发展方向。
2021-05-26 cs.AI cs.CV cs.RO
Towards view-invariant vehicle speed detection from driving simulator images
University of Alcalá（阿尔卡拉大学）；European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）
与感应线圈、雷达或激光等其他技术相比，使用摄像头进行车速测量更具成本效益。然而，由于摄像机提供准确的距离估计的固有限制，准确的速度测量仍然是一个挑战。此外，经典的基于视觉的方法是非常敏感的摄像机和道路之间的外部校准。在这方面，使用数据驱动的方法似乎是一个有趣的替代办法。然而，数据汇集需要复杂且昂贵的设置来记录来自与高精度速度传感器同步的摄像机的真实交通条件下的视频，以生成地面真实速度值。最近已经证明，使用驾驶模拟器（例如，CARLA）可以作为生成大型合成数据集的鲁棒替代方案，以使深度学习技术能够应用于单个相机的车辆速度估计。在本文中，我们研究了相同的问题，使用多个摄像机在不同的虚拟位置和不同的外部参数。我们解决的问题是，复杂的3D-CNN架构是否能够使用单个模型隐式地学习视图不变的速度，或者特定于视图的模型是否更合适。结果非常有希望，因为它们表明，具有多个视图数据的单个模型报告的准确性甚至比相机特定模型更好，为视图不变的车辆速度测量系统铺平了道路。
2022-09-28 cs.AI cs.CV
3D Lane Detection with Odometry for High-Speed Vehicle Racing
研究高速赛车场景下的3D车道检测问题，通过新数据集比较多种方法，提出改进措施，利用多摄像头集成及里程计等提升性能，相比其他方法提高了F1分数并降低误差，在车辆部署中取得良好指标。
2026-07-17 cs.CV eess.IV
Near-field Perception for Low-Speed Vehicle Automation using Surround-view Fisheye Cameras
University of Limerick（利默里克大学）；Valeo Vision Systems（法雷奥视觉系统公司）
本文综述面向自动泊车等低速场景的环视鱼眼近场感知系统，提出由识别、重建、重定位和重组构成的4R架构，并结合既有结果与架构方案论证其协同可行性。
2023-06-06 cs.CV cs.RO
Digital twins to alleviate the need for real field data in vision-based vehicle speed detection systems
University of Alcalá（阿尔卡拉大学）；Karlsruher Institut für Technologie (KIT)（卡尔斯鲁厄理工学院）；European Commission, Joint Research Centre（欧盟委员会联合研究中心）
针对视觉车速检测缺乏真实标注数据的问题，提出用CARLA模拟器构建数字孪生生成多样化合成数据集，训练3D CNN模型，在真实场景下实现了低于3km/h的平均绝对误差。
2024-07-11 cs.AI cs.CV
Deep Learning Enhanced Road Traffic Analysis: Scalable Vehicle Detection and Velocity Estimation Using PlanetScope Imagery
Heidelberg Institute for Geoinformation Technology (HeiGIT)（海德堡地理信息技术研究所）；Heidelberg University（海德堡大学）；University of Lodz（罗兹大学）
本文提出基于PlanetScope SuperDove卫星影像和Keypoint R-CNN的车辆检测与速度估计方法，利用波段时序差异跟踪车辆轨迹，在德国和波兰高速公路上验证了其可扩展的全球交通监测潜力。
2024-10-04 cs.CV cs.LG
An Intelligent Monitoring System of Vehicles on Highway Traffic
University of Engineering and Technology Peshawar（白沙瓦工程技术大学）；University of Swabi（斯瓦比大学）；COMSATS University Islamabad（伊斯兰堡COMSATS大学）；Jessore University of Science and Technology（杰索尔科技大学）
高速公路的车速监控与管理是当今科技与人口不断增长的时代道路的关键问题。管理不善导致交通堵塞、违反交通规则和致命交通事故频繁发生。使用传统的雷达、激光雷达和激光雷达技术来解决这个问题是耗时、昂贵和繁琐的。本文提出了一个有效的框架，以产生一个简单的，成本效益和智能系统的车辆速度监测。所提出的方法使用安装在路边的高清（高清晰度）摄像机，无论是在杆上或交通信号记录视频帧。在此基础上，采用半径增长法跟踪车辆，通过计算连续帧中车辆的遮挡和位移来计算车辆的速度。该方法使用模式识别、数字图像处理和用于车辆检测、跟踪和速度计算的数学技术。通过在不同公路上的试验验证了该模型的有效性。
2019-05-27 cs.AI cs.CV cs.LG
FARSEC: A Reproducible Framework for Automatic Real-Time Vehicle Speed Estimation Using Traffic Cameras
Hasso Plattner Institute（哈索·普拉特纳研究所）；Porsche Digital（保时捷数字公司）；Porsche AG（保时捷股份公司）；University of Potsdam（波茨坦大学）
针对现有交通摄像头车速估计方法跨数据集可复现性与鲁棒性不足的问题，提出FARSEC端到端实时框架，利用深度图预测路段长度并自动适应摄像机移动和多类视频输入。
2023-09-25 cs.CV cs.LG cs.SI
VI-IKD: High-Speed Accurate Off-Road Navigation using Learned Visual-Inertial Inverse Kinodynamics
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Army Research Laboratory（陆军研究实验室）
在地面车辆上的高速越野导航的关键挑战之一是，车辆地形相互作用的Kinodynamics可以根据地形而显著不同。以前的方法来解决这一挑战已经考虑学习逆kinodynamics（IKD）模型，条件是惯性信息的车辆感测的kinodynamics的相互作用。在本文中，我们假设，使准确的高速越野导航使用一个学习的IKD模型，除了惯性信息从过去的，还必须预测的kinodynamic相互作用的车辆与地形在未来。为此，我们引入视觉惯性逆Kinodynamics（VI-IKD），一种新的基于学习的IKD模型，除了过去的惯性信息之外，它还基于机器人前方地形的视觉信息，使其能够预测未来的Kinodynamic交互。我们验证了VI-IKD在室内和室外环境中的1/5 UT-AlphaTruck越野自动驾驶汽车上进行精确高速越野导航的有效性，并表明与其他最先进的方法相比，VI-IKD能够在各种不同地形上以高达3.5 m/s的速度进行更准确和更强大的越野导航。
2022-08-01 cs.AI cs.CV cs.LG
A Visual-inertial Navigation Method for High-Speed Unmanned Aerial Vehicles
Beijing University of Posts and Telecommunications（北京邮电大学）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）
研究了高速高空无人机的单目摄像定位问题。提出了一种利用视觉和惯性器件互补的导航方法，以克服无人机水平飞行时的奇异性。通过分离线性部分和非线性部分，改进了定位问题的数学模型，用线性等式约束优化问题代替了非线性最小二乘问题。为了避免序列无约束极小化方法（罚方法）在最优点附近的病态性，基于微分代数动力系统构造了一种半隐式连续信赖域方法来求解线性等式约束优化问题.除了传统的常微分方程数值方法在有限积分区间上的收敛性分析外，还分析了半隐式连续方法在无穷积分区间上的全局收敛性。最后给出了数值结果。
2020-02-12 cs.CV cs.NA cs.SY
