《Franklin Open》：Adaptive Vehicle Counting Method Using YOLOv10 Integrated with BoostTrack at Symmetrical Traffic Light Intersections
编辑推荐：
城市地区车辆数量的不断增加产生了复杂的交通模式，尤其是在印度尼西亚常见的具备混合交通特征的对称十字路口。准确的车辆计数对于自适应交通信号灯系统至关重要，因为实时交通密度估计能够减少等待时间、降低燃料消耗并提高路口通行效率。然而，低照度、车辆间遮挡以及高交通密度
城市地区车辆数量的不断增加产生了复杂的交通模式，尤其是在印度尼西亚常见的具备混合交通特征的对称十字路口。准确的车辆计数对于自适应交通信号灯系统至关重要，因为实时交通密度估计能够减少等待时间、降低燃料消耗并提高路口通行效率。然而，低照度、车辆间遮挡以及高交通密度仍然是现有车辆计数方法面临的主要挑战。本研究旨在为混合交通条件下的对称十字路口开发一种稳健且高效的车辆计数系统。研究人员引入了交叉路口交通数据集（CJT-D），这是一个新颖的标注基准，包含5000张图像和111531个对象标注，在早晨、中午、下午和夜间四种照度条件下采集。此外，研究人员提出了一个统一框架，将YOLOv10n作为主要检测器，结合具备置信度感知能力的BoostTrack跟踪器，以及专为对称十字路口几何结构定制的自适应区域计数机制。在CJT-D上训练的检测模型实现了0.952的平均精度均值（mAP@0.5），F1分数为0.91，推理速度为每张图像1.7毫秒。跟踪模块实现了56.82的高阶跟踪精度（HOTA），58.49的多目标跟踪精度（MOTA），以及72.70的身份一致性分数（IDF1）。在早晨条件下车辆计数准确率达到100%，在下午和傍晚达到84%至91%，在夜间则降至66%至73%。这些结果证实，研究人员提出的框架在对称十字路口提供了准确、高效且具备抗遮挡能力的实时车辆计数，为基于计算机视觉的自适应交通信号灯控制系统展现出巨大潜力。
随着城市地区车辆数量的不断增加，交通模式变得日益复杂，尤其是在具备混合交通特征的十字路口。传统的固定时间交通信号系统通常无法适应动态交通密度，导致等待时间延长和燃料消耗增加。尽管计算机视觉和深度学习技术被引入以实现自动化车辆检测，但现有大多数模型在包含尺度大小的异构对象的密集动态路口环境中仍存在性能下降的问题。目前针对印度尼西亚城市景观中常见的对称十字路口的混合交通行为研究仍然有限。现有公开数据集主要用于高速公路或自动驾驶场景，缺乏针对信号灯路口静止阶段、高度异构的车辆类别（如机动三轮车）以及静态遮挡模式的代表性基准。此外，现有检测和跟踪方法难以应对对称路口固有的长时间静态遮挡和走走停停的动态特性，极易发生身份切换和不稳定关联。传统的基于越线或质心的计数方法也无法完全解决信号灯路口特有的车道无序移动和长时间静止遮挡问题。为了克服数据集、方法论和系统整合层面的差距，研究人员开展了本研究，旨在开发一种能够在复杂混合交通场景下一致地检测、跟踪和计数车辆的自适应框架。研究人员提出了交叉路口交通车辆跟踪与计数框架（CJT-VTC Framework），引入了全新的交叉路口交通数据集，整合了无后处理的端到端YOLOv10n检测器与置信度感知的BoostTrack跟踪器，并设计了一种专用的自适应感兴趣区域计数机制。该研究为基于计算机视觉的自适应交通信号灯控制系统提供了可靠且计算高效的解决方案，具有重要的工程应用意义。该论文已发表在《Franklin Open》上。
为开展此项研究，研究人员主要采用了以下关键技术方法：首先，样本队列来源于印度尼西亚班达亚齐市多个近对称路口（包括Oman Mosque、AMD和Dodik路口），使用配备4K@30FPS分辨率的无人机摄像头在四种不同时间段采集视频。其次，构建并标注了交叉路口交通数据集进行目标检测模型训练。最后，在方法体系上，选用YOLOv10n作为主干检测器，采用BoostTrack作为多目标跟踪算法结合了轨迹置信度建模与增强相似度匹配，并设计了基于多边形区域的自适应计数算法进行车流统计。
模型评估
通过在CJT-D上训练YOLOv10n模型并使用混淆矩阵及性能评估曲线进行分析，研究人员得出结论：模型在大型和中型车辆类别上表现极佳，但在小型车辆（如摩托车）及复杂视觉条件下面面临漏检挑战。YOLOv10n实现了0.952的mAP@0.5，同时具备每张图像1.7毫秒的极快推理速度，在检测精度与计算效率之间取得了最优平衡，使其高度适用于需要快速检测响应的自适应交通信号灯控制场景。
YOLOv10与BoostTrack跟踪的集成
通过将YOLOv10n的检测输出集成至BoostTrack跟踪算法中，并在不同规模的测试集上使用HOTA、MOTA和IDF1等指标进行评估，研究人员得出结论：该集成框架在复杂路口环境中成功平衡了检测精度与对象身份一致性。在1000帧场景中，HOTA达56.823，MOTA为58.496，IDF1为72.708。尽管在更具挑战性的环境测试下指标有所下降，但相较于类似混合交通背景下的其他研究，显著更高的HOTA分数证实了该集成框架在密集动态交通环境中具备更强大的关联可靠性。
计数准确度
研究人员利用基于区域的方法在不同时间条件下对框架的自动车辆计数性能进行了评估。结果显示，在早晨，得益于最佳的光照条件，计数准确率达到100%；在中午和下午，准确率保持在84%至91%之间；而在夜间，由于环境照度低和迎面而来的车灯眩光，准确率显著降至66%至73%。这一结论表明，该框架在充足的光照条件下具备卓越的计数能力，但在低照度环境下仍存在局限性。
定性结果与局限性
通过对跟踪算法进行定性可视化评估及分析失败案例，研究发现BoostTrack在夜间场景下保持了更高的检测置信度稳定性。而失败的案例表明，模型在处理密集交通下的小尺度对象、快速移动目标以及车辆间空间紧密造成的边界框分配模糊时仍存在困难，部分卡车还因视觉相似性被误检为汽车。此外，夜间计数准确率的下降以及数据集仅采集自班达亚齐单一区域限制了其泛化能力。
结论
本研究成功开发了面向对称十字路口的CJT-VTC框架。在CJT-D数据集的支持下，YOLOv10n实现了极高的平均精度与推理速度。集成BoostTrack的框架在保持身份一致性方面表现出色。该框架在早晨计数达到完全准确，下午亦表现稳定，仅在夜间因光线不足而性能下降。该研究为基于计算机视觉的自适应交通系统奠定了可靠基础，未来工作将致力于通过图像预处理等方法改进夜间鲁棒性并扩大数据集多样性。
