862公車的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

862公車進入發燒排行的影片

基於深度學習之公車行駛安全評估及乘客計數系統開發

為了解決862公車的問題，作者徐雅雯 這樣論述：

由於公車轉彎時因視野死角與機車擦撞或行人遭輾壓而造成傷亡的新聞事件時有所聞，交通部規定相關車輛應安裝行車視野輔助系統來減少事故發生。此外，根據研究調查指出，公車上的擁擠程度及班次間需等待時間皆會影響乘客搭乘公車的意願。因此，高效的交通管理系統對於公共交通是至關重要的。如果能即時且準確地偵測乘客流，則可以有效地安排公車的路線和班表，並且方便乘客安排相應的旅行時間。本論文希望能同時提升公共運輸的服務性及行車安全，探討了智慧型影像辨識技術於公車上的應用，並開發三個基於深度學習的公車影像辨識技術，分別為: 行駛安全評估系統以及兩種估計公車上乘客人數的方法。在行駛安全評估系統中，一種物件軌跡預測技術被

提出以即時生成車輛周圍物件的未來軌跡序列。本研究採用編碼器-解碼器架構，該架構使用基於長期短期記憶的編碼器來分析過去軌跡中的模式，並使用基於長短期記憶的解碼器來生成未來的軌跡序列。而在乘客計數系統中，一種方法是基於車門攝影機的影像畫面，透過偵測計數的方式實現。首先，設計一種簡單的方法來獲得車門的開啟及關閉狀態。接著，使用單次多框偵測器來學習並偵測乘客的特徵。最後，使用具有三步聯級數據關聯結構的粒子濾波器追蹤乘客，並依其軌跡移動方向進行上下車人數計數。另一種是基於車內攝影機的影像畫面，透過密度估測的方法實現。兩個深度學習架構被採用來實現這個目標：第一個是卷積自編碼器，主要用於從乘客群中提取特徵並

估算人群數量。第二個是You Only Look Once v3架構，主要用於偵測公車內乘客頭部特徵更為明顯的區域。將兩種網路模型架構獲得的結果相加，以計算公車當前的乘客佔用率。為了證明本論文所提出算法的性能，選擇不同情況的影帶進行驗證，且實驗結果表明提出的方法能有效運用於行駛安全評估和載客量計算。