[論文レビュー] Automated Approach for Computer Vision-based Vehicle Movement Classification at Traffic Intersections

Udita Jana, Jyoti Prakash Das Karmakar+5 more|arXiv (Cornell University)|Nov 17, 2021

Video Surveillance and Tracking Methods被引用数 4

ひとこと要約

本稿では、階層的クラスタリングと新規の類似性測定法を用いて、交通交差点における車両の軌跡を右折、左折、進行などの移動タイプに自動で教師なしで分類するコンピュータビジョン手法を提案する。本手法は手動での領域の指定を不要とし、再設定を要せず、多様な交通状況においても頑健な性能を示す。

ABSTRACT

Movement specific vehicle classification and counting at traffic intersections is a crucial component for various traffic management activities. In this context, with recent advancements in computer-vision based techniques, cameras have emerged as a reliable data source for extracting vehicular trajectories from traffic scenes. However, classifying these trajectories by movement type is quite challenging as characteristics of motion trajectories obtained this way vary depending on camera calibrations. Although some existing methods have addressed such classification tasks with decent accuracies, the performance of these methods significantly relied on manual specification of several regions of interest. In this study, we proposed an automated classification method for movement specific classification (such as right-turn, left-turn and through movements) of vision-based vehicle trajectories. Our classification framework identifies different movement patterns observed in a traffic scene using an unsupervised hierarchical clustering technique Thereafter a similarity-based assignment strategy is adopted to assign incoming vehicle trajectories to identified movement groups. A new similarity measure was designed to overcome the inherent shortcomings of vision-based trajectories. Experimental results demonstrated the effectiveness of the proposed classification approach and its ability to adapt to different traffic scenarios without any manual intervention.

研究の動機と目的

• 視覚ベースのデータを用いて、交通シーンにおける車両の軌跡を移動タイプに分類する課題に対処すること。
• 従来の分類手法に依存する手動で定義された領域（注目領域）を排除すること。
• さまざまな交通状況やカメラキャリブレーションに適応可能な、頑健で自動化されたフレームワークを開発すること。
• 人為的介入なしに、分類の精度と一般化性能を向上させること。

提案手法

• フレームワークは、車両の軌跡から明確な移動パターンを同定するために、教師なしの階層的クラスタリングを採用する。
• 異なるカメラキャリブレーションに起因する視覚ベースの軌跡データの固有のばらつきに対処するため、独自の類似性測定法を設計する。
• 提案された指標を用いた類似性に基づくアサインメント戦略により、軌跡を移動グループに割り当てる。
• 本手法は完全に自動化されており、手動でのラベリングや領域の設定を一切不要としている。
• 適応性と頑健性を検証するために、複数の交通状況でアプローチを評価する。
• 実世界の交通カメラデータを用いてフレームワークを学習およびテストすることで、実用的応用性を確保する。

実験結果

リサーチクエスチョン

• RQ1 教師なしのクラスタリング手法は、手動での注目領域の定義なしに、視覚ベースの車両軌跡から移動パターンを効果的に同定できるか？
• RQ2 提案された類似性測定法は、カメラキャリブレーションの違いに起因する軌跡データのばらつきをどの程度適切に処理できるか？
• RQ3 再設定を要せず、多様な交通交差点の状況にわたって分類フレームワークがどの程度一般化できるか？
• RQ4 実世界の交通環境において、自動分類システムの精度と頑健性はどの程度か？

主な発見

• 提案手法は、手動でのチューニングや注目領域の指定を要せず、複数の交通状況において高い分類精度を達成した。
• 新規の類似性測定法は、カメラキャリブレーションの違いによって生じる軌跡データのばらつきに対しても、移動パターンを効果的に捉えることができた。
• 教師なしのクラスタリング手法は、軌跡の形状に基づいて、右折、左折、進行などの明確な移動タイプを効果的に同定した。
• フレームワークは、さまざまな交通状況に強く適応可能であり、多様な交差点レイアウトにおいても一貫した性能を維持した。
• 実験結果から、本手法の頑健性とスケーラビリティが、実運用環境で確認された。
• システムは完全に自動で動作し、セットアップや設定に人的専門知識への依存を大幅に削減した。