[论文解读] Advances and Applications of Computer Vision Techniques in Vehicle Trajectory Generation and Surrogate Traffic Safety Indicators

Mohamed Abdel‐Aty, Zijin Wang+2 more|arXiv (Cornell University)|Mar 27, 2023

Autonomous Vehicle Technology and Safety被引用 5

一句话总结

本文综述了用于车辆轨迹生成和代理交通安全隐患指标（SSM）的计算机视觉（CV）技术，弥合了视频处理与交通安全隐患建模之间的鸿沟。文章整合了从检测到SSM应用的CV处理流程，为研究人员提供了选择CV方法和应用SSM进行安全分析的实用指导，主要贡献在于系统性整合与交通研究者在实施中的最佳实践。

ABSTRACT

The application of Computer Vision (CV) techniques massively stimulates microscopic traffic safety analysis from the perspective of traffic conflicts and near misses, which is usually measured using Surrogate Safety Measures (SSM). However, as video processing and traffic safety modeling are two separate research domains and few research have focused on systematically bridging the gap between them, it is necessary to provide transportation researchers and practitioners with corresponding guidance. With this aim in mind, this paper focuses on reviewing the applications of CV techniques in traffic safety modeling using SSM and suggesting the best way forward. The CV algorithm that are used for vehicle detection and tracking from early approaches to the state-of-the-art models are summarized at a high level. Then, the video pre-processing and post-processing techniques for vehicle trajectory extraction are introduced. A detailed review of SSMs for vehicle trajectory data along with their application on traffic safety analysis is presented. Finally, practical issues in traffic video processing and SSM-based safety analysis are discussed, and the available or potential solutions are provided. This review is expected to assist transportation researchers and engineers with the selection of suitable CV techniques for video processing, and the usage of SSMs for various traffic safety research objectives.

研究动机与目标

• 通过系统性地整合计算机视觉（CV）技术与代理安全措施（SSM），弥合视频处理与交通安全隐患建模之间的差距。
• 为交通研究人员和实践者提供一份全面指南，帮助其从视频数据中选择合适的CV算法进行车辆检测与跟踪。
• 回顾用于准确提取车辆轨迹的视频预处理和后处理技术。
• 分析将SSM应用于提取轨迹后，用于微观交通安全隐患评估的性能。
• 识别基于CV的视频处理与SSM实施中的实际挑战，并提出可行或已有的解决方案。

提出的方法

• 调研从早期方法到最先进模型的车辆检测与跟踪CV算法，包括YOLO、Faster R-CNN以及基于Transformer的架构。
• 概述背景减除、运动分割和图像增强等视频预处理步骤，以提升输入质量。
• 详细说明使用卡尔曼滤波和数据关联（如匈牙利算法）等后处理技术，以生成平滑、准确的车辆轨迹。
• 对常见SSM（如碰撞时间TTC、侵入后时间PET和最小距离MD）进行分类与综述，用于冲突检测。
• 将轨迹数据映射至SSM，以量化交通冲突和近似事故事件，用于安全评估。
• 提供实施建议，包括处理遮挡、低光照条件以及实时处理限制等问题。

实验结果

研究问题

• RQ1 在交通视频中，哪些计算机视觉技术在车辆检测与跟踪方面最为有效？它们随时间如何演变？
• RQ2 哪些预处理与后处理技术可优化从视频数据中提取轨迹的准确性？
• RQ3 将不同代理安全措施（SSM）应用于CV生成的车辆轨迹时，其表现如何？
• RQ4 在现实交通安全隐患应用中部署CV与SSM流程的主要实际挑战是什么？
• RQ5 有哪些最佳实践与解决方案可提升基于CV的交通安全隐患分析的可靠性与可扩展性？

主要发现

• 最先进的CV模型（如YOLO和基于Transformer的检测器）相比旧方法，在车辆检测精度和速度方面均有显著提升。
• 背景减除和图像增强等预处理技术可降低噪声，提升低能见度条件下的检测性能。
• 结合卡尔曼滤波与数据关联算法的后处理可增强轨迹平滑性并减少跟踪误差。
• SSM如TTC和PET在量化冲突严重程度方面表现良好，且在高质量轨迹上具有鲁棒性。
• 遮挡、光照变化和实时处理等实际挑战普遍存在，但多目标跟踪和模型微调等方法可有效缓解其影响。
• CV与SSM的整合提供了一种可扩展、非侵入式的微观交通安全隐患分析方法，可在无需物理传感器的情况下实现大规模冲突检测。