[论文解读] Accident Forecasting in CCTV Traffic Camera Videos.

Ankit Shah, Jean-Baptiste Lamare+2 more|arXiv (Cornell University)|Sep 16, 2018

Traffic Prediction and Management Techniques被引用 3

一句话总结

该论文提出了一种用于CCTV视频中交通碰撞预测的新颖数据集，通过将上下文挖掘（CM）和增强型上下文挖掘（ACM）与Faster R-CNN结合，解决了小行人检测的挑战。该方法在检测性能上分别提升了+8.51%（CM）和+6.20%（ACM），实现了1.684秒的碰撞前时间（Time-To-Accident）和47.25%的平均精度（Average Precision），采用事故LSTM架构进行预测。

ABSTRACT

This paper presents a novel dataset for traffic accidents analysis. Our goal is to resolve the lack of public data for research about automatic spatio-temporal annotations for traffic safety in the roads. Through the analysis of the proposed dataset, we observed a significant degradation of object detection in pedestrian category in our dataset, due to the object sizes and complexity of the scenes. To this end, we propose to integrate contextual information into conventional Faster R-CNN using Context Mining (CM) and Augmented Context Mining (ACM) to complement the accuracy for small pedestrian detection. Our experiments indicate a considerable improvement in object detection accuracy: +8.51% for CM and +6.20% for ACM. Finally, we demonstrate the performance of accident forecasting in our dataset using Faster R-CNN and an Accident LSTM architecture. We achieved an average of 1.684 seconds in terms of Time-To-Accident measure with an Average Precision of 47.25%. Our Webpage for the paper is this https URL

研究动机与目标

• 为CCTV视频中的交通碰撞分析解决缺乏公开可用、时空标注数据集的问题。
• 研究在真实交通场景中，由于小物体尺寸和场景复杂性导致的行人检测精度下降问题。
• 通过在Faster R-CNN中集成上下文信息，利用上下文挖掘（CM）和增强型上下文挖掘（ACM），提升小行人检测性能。
• 在所提出的数据集上，开发并评估基于Faster R-CNN和事故LSTM架构的事故预测系统。
• 量化使用碰撞前时间（Time-To-Accident）和平均精度（Average Precision）指标的事故预测性能。

提出的方法

• 提出从CCTV交通摄像头视频中收集的新数据集，对事故分析进行时空信息标注。
• 应用上下文挖掘（CM），通过聚合图像中周围区域的上下文特征，增强特征表示。
• 提出增强型上下文挖掘（ACM），通过数据增强技术提升CM的鲁棒性，以应对小行人实例的检测挑战。
• 将CM和ACM集成到Faster R-CNN框架中，提升对小尺寸和复杂场景下行人目标的检测性能。
• 采用事故LSTM架构，建模目标检测结果的时间依赖性，用于预测潜在事故。
• 使用碰撞前时间（TTA）和平均精度（AP）作为评估指标，衡量预测性能。

实验结果

研究问题

• RQ1 在真实CCTV交通视频中，小行人检测性能如何因物体尺寸小和场景复杂性而下降？
• RQ2 上下文挖掘（CM）在复杂交通场景中对小行人检测精度的提升程度如何？
• RQ3 与仅使用CM相比，增强型上下文挖掘（ACM）是否能进一步提升检测性能？
• RQ4 所提出的系统在碰撞前时间和平均精度方面的预测性能如何？
• RQ5 将Faster R-CNN与事故LSTM结合，在CCTV视频序列中预测交通碰撞的有效性如何？

主要发现

• 所提出的数据集揭示了由于小物体尺寸和场景复杂性，行人检测精度显著下降。
• 与基线Faster R-CNN相比，上下文挖掘（CM）使行人检测精度提升了8.51%。
• 与基线Faster R-CNN相比，增强型上下文挖掘（ACM）在检测精度上实现了6.20%的提升。
• 事故预测系统实现了1.684秒的碰撞前时间，表明具备早期预警能力。
• 系统在事故预测中达到47.25%的平均精度，表现出中等但具有实际意义的预测性能。
• 通过CM和ACM集成上下文特征，显著提升了在密集交通场景中小行人检测的可靠性。