[论文解读] Traffic Density Estimation using a Convolutional Neural Network

Julian Nubert, Nicholas Giai Truong+4 more|arXiv (Cornell University)|Sep 5, 2018

Traffic Prediction and Management Techniques参考文献 5被引用 5

一句话总结

本文提出了一种基于卷积神经网络（CNN）的系统，利用公开的交通摄像头图像实现实时城市交叉路口交通密度估计。通过应用类别不平衡处理和图像掩码技术，该模型在自标注的4,582张图像数据集上实现了74.3%的准确率和81.3%的F1分数，证明了其在自适应交通信号控制以减少拥堵方面的可行性。

ABSTRACT

The goal of this project is to introduce and present a machine learning application that aims to improve the quality of life of people in Singapore. In particular, we investigate the use of machine learning solutions to tackle the problem of traffic congestion in Singapore. In layman's terms, we seek to make Singapore (or any other city) a smoother place. To accomplish this aim, we present an end-to-end system comprising of 1. A traffic density estimation algorithm at traffic lights/junctions and 2. a suitable traffic signal control algorithms that make use of the density information for better traffic control. Traffic density estimation can be obtained from traffic junction images using various machine learning techniques (combined with CV tools). After research into various advanced machine learning methods, we decided on convolutional neural networks (CNNs). We conducted experiments on our algorithms, using the publicly available traffic camera dataset published by the Land Transport Authority (LTA) to demonstrate the feasibility of this approach. With these traffic density estimates, different traffic algorithms can be applied to minimize congestion at traffic junctions in general.

研究动机与目标

• 开发一个端到端的机器学习系统，利用公开的交通摄像头数据实现实时交叉路口交通密度估计。
• 通过基于实时密度估计的自适应交通信号控制，改善城市交通流。
• 解决实际部署环境中类别不平衡、光照/天气条件变化以及实时处理等挑战。
• 确保系统在公共基础设施中的安全性、可靠性与伦理使用，防止偏差或恶意利用。

提出的方法

• 在自标注的4,582张交通摄像头图像数据集上训练一种自定义CNN架构，图像按密度等级分类（如：空闲、低、中、高）。
• 通过比率加权交叉熵损失缓解类别不平衡，损失权重与类别频率成反比：$ \alpha_c = \text{median\_count} / \text{count}_c $。
• 训练过程中应用实时数据增强，以增加多样性并提升少数类别的一般化能力。
• 使用图像掩码抑制无关区域（如对向车道），但其对性能的影响较小。
• 系统以增量方式处理流式视频数据，支持实时推理，实现动态交通信号自适应。
• 通过人机协同界面确保与现有交通信号和行人横道的兼容性，可选集成行人检测功能。

实验结果

研究问题

• RQ1 CNN能否在真实世界变化条件下，基于静态交通摄像头图像实现高准确率与强鲁棒性的交通密度估计？
• RQ2 如加权损失与数据增强等类别不平衡处理技术，对少数密度类别模型性能有何影响？
• RQ3 通过聚焦于相关车道，图像掩码在多大程度上提升了模型准确率？
• RQ4 该系统能否实现实时性能，并确保在公共交通基础设施部署中的安全与可靠性？

主要发现

• 在同时采用类别不平衡缓解与图像掩码技术时，模型实现了74.3%的准确率与81.3%的F1分数，表明其在不平衡数据上的优异表现。
• 类别不平衡处理显著提升了F1分数，表明少数类别的精确率与召回率均得到改善，尽管准确率仅略有提升。
• Top-2准确率达到94%，表明即使在相邻密度等级间发生误分类，仍能为交通控制提供有用信息。
• 图像掩码带来了1-2%的准确率提升，但影响有限，表明CNN可在无需显式预处理的情况下隐式聚焦于相关区域。
• 系统性能足够稳健，可支持实时部署，尤其在结合视频帧的时间平均处理后表现更佳。