lnu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Extraction of Vehicle Turning Trajectories at Signalized Intersections Using Convolutional Neural Networks
Linnéuniversitetet, Fakulteten för teknik (FTK), Institutionen för byggteknik (BY).ORCID-id: 0000-0003-0530-9552
Qatar University, Qatar.
Qatar University, Qatar.
2020 (Engelska)Ingår i: Arabian Journal for Science and Engineering, ISSN 2193-567X, Vol. 45, s. 8011-8025Artikel i tidskrift (Refereegranskat) Published
Hållbar utveckling
SDG 11: Göra städer och bosättningar inkluderande, säkra, motståndskraftiga och hållbara
Abstract [en]

This paper aims at developing a convolutional neural network (CNN)-based tool that can automatically detect the left-turning vehicles (right-hand traffic rule) at signalized intersections and extract their trajectories from a recorded video. The proposed tool uses a region-based CNN trained over a limited number of video frames to detect moving vehicles. Kalman filters are then used to track the detected vehicles and extract their trajectories. The proposed tool achieved an acceptable accuracy level when verified against the manually extracted trajectories, with an average error of 16.5 cm. Furthermore, the trajectories extracted using the proposed vehicle tracking method were used to demonstrate the applicability of the minimum-jerk principle to reproduce variations in the vehicles’ paths. The effort presented in this paper can be regarded as a way forward toward maximizing the potential use of deep learning in traffic safety applications.

Ort, förlag, år, upplaga, sidor
Springer, 2020. Vol. 45, s. 8011-8025
Nyckelord [en]
Convolutional neural networks, minimum jerk method, Vehicles tracking
Nationell ämneskategori
Transportteknik och logistik
Forskningsämne
Teknik, Byggteknik
Identifikatorer
URN: urn:nbn:se:lnu:diva-94704DOI: 10.1007/s13369-020-04546-yISI: 000530236200001Scopus ID: 2-s2.0-85085108477OAI: oai:DiVA.org:lnu-94704DiVA, id: diva2:1429309
Tillgänglig från: 2020-05-10 Skapad: 2020-05-10 Senast uppdaterad: 2022-03-21Bibliografiskt granskad

Open Access i DiVA

fulltext(6881 kB)281 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 6881 kBChecksumma SHA-512
d75385ac0366f7159483388b2df0efe8e8796bd5c8f9b07019102effda5893e0915e2034e39602680898f6d4727ac8eee4983ea23a60434b408cf5a994757876
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltextScopus

Person

Abdeljaber, OsamaYounis, Adel

Sök vidare i DiVA

Av författaren/redaktören
Abdeljaber, OsamaYounis, Adel
Av organisationen
Institutionen för byggteknik (BY)
Transportteknik och logistik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 281 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 340 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf