Deep learning 基于深度学习的交通密度估计

我正在从事一个实施深度学习和计算机视觉的项目，以估计任意给定路段/环形交叉口或交叉口的交通密度。
我得到了一个安装在无人机上的摄像头，它将捕获交通画面，我的目标是实时从中提取车辆和道路场景（图像分割），以计算密度。
问题是，计算交通密度的原始公式是车辆数量/单位道路长度，而使用当前的方法和资源，我无法测量长度，只能测量车辆和道路/路面覆盖的面积。我是否可以将交通密度计算为车辆面积/道路面积？如果没有，有人能给我推荐一种通过在任何路段（直线/曲线）上自动深入学习来测量道路长度的方法。

---

我读过很多文章，提到估算交通流量而不是密度来获得交通状况的方法。然而，我发现无法从交通流量推断道路是否拥挤（流量=0可能意味着交通拥挤或根本没有交通）。此外，其中一些人可以测量道路长度，因为他们在灯柱上安装了静态摄像头，这使得背景是静态的，并且他们可以轻松地手动计算道路的像素长度。或者，我使用无人机在任何地方自动获取交通数据，因此测量道路长度是不可能的。

对于您的问题，我认为语义分割可能会更好。

---

据我所知，你想要计算包含道路的图像与车辆图像的比率。您可以使用语义分割来找出属于每个类别（即道路和车辆）的像素数，然后使用这些像素的比率作为您想要的度量的代表。

我投票将此问题作为离题回答，因为它与编程无关。我没有提及任何与编程相关的内容。我要问的是解决这个问题的方法。很抱歉有任何误解。这正是你的问题离题的原因，堆栈溢出是一个关于编程的QA网站。对于给你带来的不便，我深表歉意。我是这个网站的新手。你能给我推荐其他我可以发布问题的页面吗？