臺灣博碩士論文加值系統

造成交通事故的成因很多，如未注意車前狀況、違反號誌管制、未依規定讓車、轉彎不當、行駛疏忽等，其中又以未注意車前狀況為最高頻率，意即駕駛分心造成。首先，本文將針對前人對於如何降低危險因子之研究進行探討，包含如何降低未注意車前狀況、盲點偵測等。本研究專注於即時路況分析及透過YOLO影像分析應用的方式進行車種的辨識，分類出大型車、中型車、機車、行人等四種分類，並且透過窮舉法分析路口車輛行進方向降低錯誤判斷，並將分類出來的訊號資訊發佈到CMS即時告警看板，達到提醒用路人注意路口狀態，降低路口肇事率，目前台中市非號誌化路口佔整個車禍肇事率約48%，期待透過這樣的方式可以降低30%的肇事率發生。
本文除了提到透過YOLO影像分析方式，還進一步探討攝影機的環境因子如何影響辨識度，如光照、雨天、陰天、車尾燈、地面反光等分析，期待透過這樣的分類說明，可以讓後人在進行影像分析時，不在因攝影機架設的角度問題而耗費太多時間，或降低了辨識度。

There are many reasons that cause the traffic accidents, such as not paying attention to the situation in front of the cars, not following the traffic signs, not going after the cars leave, not making a proper turn and the carelessness of driving etc. And the highest frequency is not paying attention to the situation in front of the cars, which means that the drivers are distracting. First of all, this article will focus on the previous research on how to reduce the factors of the risk, including how to reduce the unattended situation, blind spot detection, etc. This research focuses on the analysis of immediate road conditions and the identification of vehicle types through YOLO image analysis applications. It classifies four categories, large vehicles, medium-sized vehicles, scooters and pedestrians. Analyze the direction of vehicles at the intersection by exhaustive methods to reduce false judgements. Publish the classified signal information to the CMS immediate board to remind people to pay attention to the intersection status and reduce the accident rate at the intersections. At present, the intersections which are not signalized in Taichung City accounts for about 48% of the total accident rate. It is expected that the accident rate will be reduced by 30% in this way. In addition to the YOLO image analysis method, this article also explores how the environmental factors of the camera affect the recognition, such as illumination, rainy day, cloudy day, tail lights, ground reflection, etc.. It is expected that through such classification, it won’t take too much time to analysis recognition or reduce the readability due to the angle problem of camera setting.

誌　　謝
摘　　要
ABSTRACT
目　　錄
第一章 緒論
1.1 研究背景與動機
1.2 研究目的
1.3 研究範圍
1.4 研究方法及使用工具說明
1.5 研究流程
第二章 文獻回顧
2.1 路側設備
2.2 車輛盲點偵測
2.3 影像分析應用
2.4 綜合評析
第三章 系統設計
3.1 系統概念
3.2 路口型態與攝影機施工安裝概述
3.3 判斷物件行逕方向課題
3.4 AI建模實驗流程
第四章 系統實例應用
4.1 模擬實作環境
4.2 模擬前置設定
4.3 資料告警交換與通訊協定
4.4 資料分析與改善
第五章 結論與未來研究方向
5.1 結論
5.2 未來研究方向
附錄
參考文獻

一、中文部分
內政部警政署道路交通事故庫（2019）。臺中市交通事故件數。上網日期：2019年5月8日，檢自
https://www.npa.gov.tw/NPAGip/wSite/np?ctNode=12855&mp=1。
內政部統計處(2019)。臺中市汽機車數量統計。上網日期：2019年4月18日，檢自https://www.moi.gov.tw/stat/index.aspx。
王鈞奕（2018）。利用卷積神經網路對空拍影像中車輛進行偵測與分類。中原大學資訊工程學系碩士班，桃園市。
林泰丞 (2018)。通用型機車盲點偵測輔助系統。國立中正大學
雲端計算與物聯網數位學習碩士在職專班，嘉義縣。
交通部統計資料(2019)。臺中市汽機車數量統計。上網日期：2019年4月18日，檢自
https://stat.motc.gov.tw/mocdb/stmain.jsp?sys=100。
李逸涵（2018）。現有車流偵測設備異業合作促成華麗升級。上網日期：2019年3月22日，檢自https://www.digitimes.com.tw。
周正全、吳瑞成(2008)。以3D物件模型為基礎之車輛偵測演算法。電腦與通訊， (124)，84-89, doi:10.29917/CCLTJ.200806.0015。
侯建和（2015）。設計與實現適合都市交通控制通訊協定3.1版之具事件偵測功能之影像式車輛偵測器。國立中山大學電機工程學系碩士班，高雄市。
陳信銘、鄭維恆、黃子峻、郭萓聖、簡大為（2018）。結合深度學習演算法應用於道路車輛影像識別。電工通訊C.I.E.E Magazine ，201812_(4)，30-39，DOI：10.6328/CIEE.201812_(4).0004。
黃琳桂（2002）。環路線圈車輛偵測器之最佳佈設方式研究。國立臺灣大學土木工程學研究所，臺北市。
鄭英美（2017）。大型車之盲點偵測。高苑科技大學電子工程研究所，高雄市。
維基百科（2019）。盲點偵測系統。上網日期：2019年5月1日，檢自https://zh.wikipedia.org/wiki/盲點偵測系統。
維基百科（2019）。資料探勘。上網日期：2019年5月1日，檢自(https://zh.wikipedia.org/wiki/資料探勘)。
臺灣納智捷（2019）。Active Eagle View+。上網日期：2019年5月1日，檢自https://www.luxgen-motor.com.tw/。
臺中市主計處(2018)。市政統計簡析第107—12號禮讓行駛，用路平安。上網日期：2019年4月8日，檢自https://www.dbas.taichung.gov.tw/media/360700/107-012-%E7%A6%AE%E8%AE%93%E8%A1%8C%E9%A7%9B-%E7%94%A8%E8%B7%AF%E5%B9%B3%E5%AE%89.pdf。
蔡俊明、林宗易（2018）。利用深度學習之YOLOv3偵測機車車牌。國教新知，9-20，臺北市立大學，臺北市。
蔡俊明、魏家瑜（2018）。以深度學習YOLOv3 進行雪山隧道之
車輛偵測和分類。國教新知，43-61，臺北市立大學，臺北市。

二、英文部分
A. Jain, H. S. Koppula, B. Raghavan, S. Soh, and A. Saxena（2015）。Car that knows before you do: Anticipating maneuvers via learning temporal driving models。In ICCV。
Fu-Hsiang Chen（2017）。Anticipating Accidents based on Deep Learning in Dashcam Videos。國立清華大學電機工程學系碩士班，新竹市。
Joseph Chet Redmon（2018）.YoLo. Pjreddie website. Retrieved Nov 19, 2019, from https://pjreddie.com/darknet/yolo/.
Lin, Ting-Li (2011)。Traffic-Flow Detection System with Roadside Low-Angle Camera。國立交通大學電控工程研究所，新竹市。
MUTCD（2012）. Manual on Uniform Traffic Control Devices. MUTCD website. Retrieved March 22, 2019, from
https://mutcd.fhwa.dot.gov/.
WHO(World Health Organization)（2018）.Road traffic injuries. WHO website. Retrieved Feb 15, 2019, from
https://www.who.int/news-room/fact-sheets/detail/road-traffic-injuries.