[論文レビュー] Expressway visibility estimation based on image entropy and piecewise stationary time series analysis

Xiaogang Cheng, Guoqing Liu+3 more|arXiv (Cornell University)|Apr 8, 2018

Image Enhancement Techniques参考文献 21被引用数 6

ひとこと要約

本論文は、ガウス画像エントロピーと区分的定常時系列解析を用いて、中国の濃霧多発地域である通勤高速道路で大気視界を推定するデータ駆動型手法SPEVを提案する。領域別注目（ROI）分析と相対エントロピー比を活用することで、照明やシーンの変化の影響を軽減し、中国・江蘇省のトンチ高速道路で得られた200万本の動画において、予測の99.14％が相対誤差10％未満に収束する。

ABSTRACT

Vision-based methods for visibility estimation can play a critical role in reducing traffic accidents caused by fog and haze. To overcome the disadvantages of current visibility estimation methods, we present a novel data-driven approach based on Gaussian image entropy and piecewise stationary time series analysis (SPEV). This is the first time that Gaussian image entropy is used for estimating atmospheric visibility. To lessen the impact of landscape and sunshine illuminance on visibility estimation, we used region of interest (ROI) analysis and took into account relative ratios of image entropy, to improve estimation accuracy. We assume fog and haze cause blurred images and that fog and haze can be considered as a piecewise stationary signal. We used piecewise stationary time series analysis to construct the piecewise causal relationship between image entropy and visibility. To obtain a real-world visibility measure during fog and haze, a subjective assessment was established through a study with 36 subjects who performed visibility observations. Finally, a total of two million videos were used for training the SPEV model and validate its effectiveness. The videos were collected from the constantly foggy and hazy Tongqi expressway in Jiangsu, China. The contrast model of visibility estimation was used for algorithm performance comparison, and the validation results of the SPEV model were encouraging as 99.14% of the relative errors were less than 10%.

研究の動機と目的

• 濃霧およびはっきりしない状況下における既存のビジョンベースの視界推定手法の限界に対処すること。
• 照明の変動やシーンの内容が視界推定精度に与える影響を低減すること。
• 画像エントロピーと大気視界の因果関係をモデル化するデータ駆動型アプローチの開発。
• 持続的になお濃霧・はっきりしない状況が続く高速道路からの実世界動画データを用いてモデルを検証すること。
• 36名の参加者による大規模な主観的評価を通じて、信頼性の高い客観的視界測定ベンチマークを確立すること。

提案手法

• 濃霧やはっきりしない状況ではシャープネスが低下するため、画像のぼやけ具合を表す指標としてガウス画像エントロピーを計算する。
• 関連する道路セグメントに注目するため、領域別注目（ROI）分析を適用し、背景の干渉を低減する。
• ROIと全画像間の相対エントロピー比を用いて、照度やシーンコンテンツの変動を正規化する。
• 視界を区分的定常時系列としてモデル化し、濃霧・はっきりしない状況が明確で安定した信号セグメントをもたらすと仮定する。
• 区分的定常時系列解析を適用し、画像エントロピーと視界との間の因果的で時間依存性のある関係を確立する。
• 中国・江蘇省のトンチ高速道路から収集した200万本の動画クリップを用いてSPEVモデルを学習および検証する。

実験結果

リサーチクエスチョン

• RQ1 ガウス画像エントロピーは、濃霧およびはっきりしない状況下で大気視界の信頼できる代理指標として機能するか？
• RQ2 シーンコンテンツや照度の変動を効果的に正規化することで、視界推定精度を向上させられるか？
• RQ3 視界-エントロピー関係を区分的定常時系列としてモデル化することで、予測のロバストネスが向上するか？
• RQ4 持続的になお濃霧が発生する環境からの実世界動画データを用いたデータ駆動型アプローチで、どの程度の推定精度が達成可能か？
• RQ5 従来のコントラストベースの視界推定モデルと比較して、提案手法は誤差分布の面で優れているか？

主な発見

• テストデータセットにおいて、SPEVモデルは全予測の99.14％で相対誤差が10％未満に収束した。
• 領域別注目分析と相対エントロピー比の活用により、照明やシーンの変化に対するロバストネスが顕著に向上した。
• 区分的定常時系列モデルは、濃霧状況下での画像エントロピーと視界の因果的ダイナミクスを効果的に捉えた。
• 36名の参加者による主観的視界評価が、モデル検証の信頼性のある基準値ベンチマークを提供した。
• トンチ高速道路という持続的になお濃霧・はっきりしない状況が発生する場所の実世界動画データに対して、モデルは優れた一般化性能を示した。
• コントラストベースのモデルと比較して、SPEVは誤差分布および多様な視界条件下での一貫性の面で優れた性能を示した。