[论文解读] Automated Approach for Computer Vision-based Vehicle Movement Classification at Traffic Intersections

Udita Jana, Jyoti Prakash Das Karmakar+5 more|arXiv (Cornell University)|Nov 17, 2021

Video Surveillance and Tracking Methods被引用 4

一句话总结

本文提出一种自动化、无监督的计算机视觉方法，通过分层聚类和一种新颖的相似性度量，对交通路口的车辆轨迹进行运动类型分类（如右转、左转和直行）。该方法无需人工指定感兴趣区域，且在无需重新配置的情况下，可在多种交通场景中保持稳健性能。

ABSTRACT

Movement specific vehicle classification and counting at traffic intersections is a crucial component for various traffic management activities. In this context, with recent advancements in computer-vision based techniques, cameras have emerged as a reliable data source for extracting vehicular trajectories from traffic scenes. However, classifying these trajectories by movement type is quite challenging as characteristics of motion trajectories obtained this way vary depending on camera calibrations. Although some existing methods have addressed such classification tasks with decent accuracies, the performance of these methods significantly relied on manual specification of several regions of interest. In this study, we proposed an automated classification method for movement specific classification (such as right-turn, left-turn and through movements) of vision-based vehicle trajectories. Our classification framework identifies different movement patterns observed in a traffic scene using an unsupervised hierarchical clustering technique Thereafter a similarity-based assignment strategy is adopted to assign incoming vehicle trajectories to identified movement groups. A new similarity measure was designed to overcome the inherent shortcomings of vision-based trajectories. Experimental results demonstrated the effectiveness of the proposed classification approach and its ability to adapt to different traffic scenarios without any manual intervention.

研究动机与目标

• 解决利用视觉数据对交通场景中的车辆轨迹按运动类型进行分类的挑战。
• 消除现有分类方法中对人工定义感兴趣区域的依赖。
• 开发一种鲁棒的自动化框架，可适应不同的交通状况和相机标定参数。
• 在无需人工干预的情况下，提高车辆运动分类的准确性和泛化能力。

提出的方法

• 该框架采用无监督分层聚类，从车辆轨迹中识别出不同的运动模式。
• 设计了一种自定义相似性度量，以处理因不同相机标定导致的视觉轨迹数据固有变异性。
• 基于所提出的度量，采用基于相似性的分配策略将轨迹分配至运动类别。
• 该方法完全自动化，无需人工标注或感兴趣区域配置。
• 在多种交通场景中对方法进行评估，以测试其适应性和鲁棒性。
• 该框架在真实世界交通摄像头数据上进行训练和测试，以确保实际适用性。

实验结果

研究问题

• RQ1 无监督聚类方法是否能在无需人工定义感兴趣区域的情况下，有效识别视觉轨迹中的运动模式？
• RQ2 所提出的相似性度量在应对因相机标定差异导致的轨迹数据变化时表现如何？
• RQ3 该分类框架在无需重新配置的情况下，能在多大程度上泛化至多样化的交通路口场景？
• RQ4 在真实世界交通环境中，该自动化分类系统的准确性和鲁棒性如何？

主要发现

• 所提出的方法在无需人工调参或感兴趣区域定义的情况下，于多种交通场景中均实现了高分类准确率。
• 新颖的相似性度量即使在相机标定差异导致的轨迹数据变化下，仍能有效捕捉运动模式。
• 无监督聚类方法成功基于轨迹形状识别出不同的运动类型，如右转、左转和直行。
• 该框架对不同交通状况表现出强适应性，在多种路口布局下均保持一致的性能表现。
• 实验结果证实了该方法在真实部署环境中的鲁棒性和可扩展性。
• 系统完全自动运行，显著降低了对人工专业知识进行设置和配置的依赖。