Der Entwurf eines automatischen Fahrzeugerkennungssystems (AVD) anhand von Standbildern oder Movies wäre ein nützliches Werkzeug, um den Anforderungen des Verkehrsmanagementsystems gerecht zu werden.
In den letzten Jahren wurden zahlreiche Datenbanken für Forscher auf diesem Gebiet der AVD entwickelt. Allerdings sind die meisten von ihnen in den indischen Szenarien aufgrund bestimmter praktischer Einschränkungen wie der Straßeninfrastruktur, der Artwork der Staus und der in Indien häufig anzutreffenden Fahrzeugtypen nicht akzeptabel. Ziel dieser Forschung ist die Entwicklung einer Standbilddatenbank, die neun verschiedene Arten von Fahrzeugklassen umfasst, die über Mobiltelefonkameras auf verschiedene Weise erfasst werden, um ein automatisiertes Verkehrsmanagementsystem zu entwerfen. Identifizieren und Analysieren der Mängel von
Die entwickelte Datenbank stellt eine Verbesserung gegenüber vorhandenen Datenbanken dar und stellt eine Verbesserung dar, um solche Engpässe zu beheben. Darüber hinaus wird die Effizienz dieser Datenbank anhand eines Ensembles aus drei hochmodernen Deep-Studying-Architekturen evaluiert. Zunächst wird jedes Fahrzeug in den Szenenbildern lokalisiert und kategorisiert. Es werden fünf Basisobjekterkennungsmodelle verwendet, nämlich YOLOv3, YOLOv5, YOLOv6, YOLOv7, YOLOv8, Sooner-RCNN, RFCN, SSDv1 und SSDLitev2. Schließlich wird die Weighted Bins Fusion-Technik als Ensemble-Methode (Ensemble der besten drei der fünf Basislerner) verwendet, wodurch die Leistung der einzelnen Objekterkennungsmodelle verbessert wird.
