[論文レビュー] Traffic Sign Timely Visual Recognizability Evaluation Based on 3D Measurable Point Clouds

Shanxin Zhang, Cheng Wang+4 more|arXiv (Cornell University)|Oct 10, 2017

Remote Sensing and LiDAR Applications参考文献 1被引用数 4

ひとこと要約

本稿では、モバイルレーザースキャニングから得られる3次元測定可能な点群を用いて、リアルタイム走行状態下での交通標識の即時視認可能性を定量的に評価するための交通標識即時視認可能性評価モデル（TSTVREM）を提案する。可視性および視認可能性フィールドと交通ビッグデータを統合することで、異なるレーンや走行速度における標識の可視性を効率的かつ大規模に評価可能となり、最大1億3100万点のデータセットにおいてもリアルタイム性能を達成する。

ABSTRACT

The timely provision of traffic sign information to drivers is essential for the drivers to respond, to ensure safe driving, and to avoid traffic accidents in a timely manner. We proposed a timely visual recognizability quantitative evaluation method for traffic signs in large-scale transportation environments. To achieve this goal, we first address the concept of a visibility field to reflect the visible distribution of three-dimensional (3D) space and construct a traffic sign Visibility Evaluation Model (VEM) to measure the traffic sign visibility for a given viewpoint. Then, based on the VEM, we proposed the concept of the Visual Recognizability Field (VRF) to reflect the visual recognizability distribution in 3D space and established a Visual Recognizability Evaluation Model (VREM) to measure a traffic sign visual recognizability for a given viewpoint. Next, we proposed a Traffic Sign Timely Visual Recognizability Evaluation Model (TSTVREM) by combining VREM, the actual maximum continuous visual recognizable distance, and traffic big data to measure a traffic sign visual recognizability in different lanes. Finally, we presented an automatic algorithm to implement the TSTVREM model through traffic sign and road marking detection and classification, traffic sign environment point cloud segmentation, viewpoints calculation, and TSTVREM model realization. The performance of our method for traffic sign timely visual recognizability evaluation is tested on three road point clouds acquired by a mobile laser scanning system (RIEGL VMX-450) according to Road Traffic Signs and Markings (GB 5768-1999 in China), showing that our method is feasible and efficient.

研究の動機と目的

• 動的で大規模な交通環境における交通標識の視認可能性を定量的に評価する手法の不足に対処すること。
• 客観的でデータドリブンな評価により、ドライバーの安全を高めるために標識の即時視認を確実にすること。
• 人間の視覚認知の原則を3次元点群データと交通ビッグデータと統合し、正確な視認可能性モデリングを実現すること。
• 複数レーンにわたる交通標識の可視性をリアルタイムで評価可能な自動的でスケーラブルなパイプラインを開発すること。

提案手法

• 3次元可視性フィールドに基づく可視性評価モデル（VEM）を導入し、特定の視点から標識の可視性を計算する。
• 視覚的視認可能性フィールド（VRF）と視覚的視認可能性評価モデル（VREM）を提案し、網膜像と幾何学的視野（GFOV）に基づいて視認可能性を定量化する。
• VREMを実際の最大連続視認距離と交通ビッグデータと統合し、レーン別評価を可能にするTSTVREMモデルを構築する。
• 交通標識およびレーンマークの検出・分類、道路縁の沿った点群セグメンテーション、視点計算を組み合わせた自動アルゴリズムを開発する。
• モバイルレーザースキャニング（MLS）データ（RIEGL VMX-450）を活用し、道路環境の測定可能な3次元点群を抽出する。
• 右側道路縁に基づくセグメンテーションにより計算負荷を低減し、大規模データセットにおける高速処理を実現する。

実験結果

リサーチクエスチョン

• RQ1 測定可能な点群を用いて、3次元空間における交通標識の視覚的視認可能性をどのように定量的に評価できるか？
• RQ2 現実の交通環境において、ドライバーの視点から交通標識の即時視認可能性に影響を与える要因は何か？
• RQ3 車両速度や走行行動の交通ビッグデータを、3次元視覚的視認可能性モデルにどのように統合できるか？
• RQ4 MLS点群の自動処理が、リアルタイムかつ大規模な交通標識可視性評価をどの程度支援できるか？
• RQ5 提案されたモデルを、信号機などの他の交通機器へ拡張可能か？

主な発見

• 4400万点のレーンセグメント（WPR sec2）において、合計評価時間は81.339秒にとどまり、大規模展開における計算効率を示した。
• 交通標識の検出・分類が最も時間短縮された（15.25 s）、一方でレーンマークの検出・分類はより時間がかかった。
• TSTVREMモデルの時間計算量は標識数に比例するが、道路縁のセグメンテーションによるデータ削減のおかげで、依然として効率的である。
• 交通ビッグデータから得た実際の車両速度データを用いて、異なるレーンにおける視認可能性が正常に評価された。
• 点群内の平面的特徴として検出することで、信号機などの他の交通機器に対しても本アプローチを拡張可能である。
• スマートシティの応用において、交通標識のインventoring、保守、安全評価のための実用的で効率的なソリューションを提供する。