طراحی یک چارچوب هوشمند چندوظیفه ای مبتنی بر YOLOv۹ و DeepSORT برای تشخیص، ردیابی و تحلیل رفتار عابران پیاده و علائم راهنمایی و رانندگی در ویدئوهای ترافیکی

با توسعه سامانه های حمل ونقل هوشمند و خودروهای خودران، تشخیص و ردیابی دقیق عابران پیاده و علائم راهنمایی و رانندگی به یکی از مهم ترین چالش های حوزه بینایی ماشین تبدیل شده است. محیط های شهری پیچیده، تغییرات نور، شرایط نامساعد جوی، انسداد اهداف و تراکم ترافیکی موجب کاهش عملکرد مدل های سنتی می شوند. هدف این پژوهش ارائه یک چارچوب هوشمند چندوظیفه ای مبتنی بر YOLOv۹ و DeepSORT برای تشخیص، ردیابی و تحلیل رفتار عابران پیاده و علائم راهنمایی و رانندگی در ویدئوهای ترافیکی است. در معماری پیشنهادی، از ماژول های CAM، AFF و AKConv جهت بهبود استخراج ویژگی های چندمقیاسی و افزایش دقت تشخیص استفاده می شود. همچنین الگوریتم DeepSORT برای ردیابی چندهدفه و تحلیل مسیر حرکت عابران به کار گرفته می شود. انتظار می رود چارچوب پیشنهادی ضمن افزایش دقت تشخیص و ردیابی، قابلیت پیش بینی رفتار عابران و ارزیابی خطر برخورد را نیز فراهم سازد. نتایج این پژوهش می تواند در توسعه خودروهای خودران، سامانه های نظارت شهری و مدیریت هوشمند ترافیک مورد استفاده قرار گیرد.

کلیدواژه ها:

تشخیص عابر پیاده ، یادگیری عمیق ، YOLOv۹ ، DeepSORT