[论文解读] 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 4

一句话总结

本文提出了一种交通标志实时视觉可识别性评估模型（TSTVREM），利用移动激光扫描获取的三维可测量点云，定量评估实际驾驶条件下交通标志的可识别性。通过整合可见性场与可识别性场及交通大数据，该方法实现了对不同车道和驾驶速度下标志可见性的高效、大规模评估，在包含最多1.31亿个点的数据集上实现了实时性能。

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.

研究动机与目标

• 为解决在动态、大规模交通环境中缺乏定量评估交通标志可识别性的方法的问题。
• 通过客观、数据驱动的评估方法，确保驾驶员能及时识别交通标志，从而提升驾驶安全。
• 将人类视觉认知原理与三维点云数据及交通大数据相结合，构建准确的可识别性建模方法。
• 开发一种自动化、可扩展的流程，实现实时评估多车道交通标志的可见性。

提出的方法

• 基于三维可见性场提出可见性评估模型（VEM），用于计算从特定视角观察标志的可见性。
• 提出视觉可识别性场（VRF）与视觉可识别性评估模型（VREM），基于视网膜成像与几何视场（GFOV）量化可识别性。
• 将VREM与实际最大连续视觉识别距离及交通大数据结合，构建用于车道特定评估的TSTVREM模型。
• 开发一种自动化算法，结合交通标志与道路标线的检测/分类、沿道路轮廓的点云分割以及视角计算。
• 利用移动激光扫描（MLS）数据（RIEGL VMX-450）提取道路环境的可测量三维点云。
• 通过基于右侧行车道轮廓的分割降低计算负载，实现在大规模数据集上的快速处理。

实验结果

研究问题

• RQ1 如何利用可测量点云在三维空间中定量评估交通标志的视觉可识别性？
• RQ2 在真实交通环境中，从驾驶员视角出发，哪些因素会影响交通标志的及时可识别性？
• RQ3 如何将车辆速度与驾驶行为等交通大数据整合进三维视觉可识别性模型？
• RQ4 对MLS点云的自动化处理在多大程度上能够支持交通标志可见性的实时、大规模评估？
• RQ5 所提出的模型能否扩展至其他交通设施（如交通信号灯）？

主要发现

• 在4400万点的道路路段（WPR sec2）上，该方法总评估耗时81.339秒，表明其在大规模部署中具备计算效率。
• 交通标志的检测与分类耗时最短（15.25秒），而道路标线的检测与分类耗时更长。
• TSTVREM模型的时间复杂度随标志数量增加而上升，但由于基于道路轮廓的分割实现了数据降维，整体仍保持高效。
• 该模型成功利用交通大数据中的真实车辆速度数据，实现了对不同车道可识别性的评估。
• 通过在点云中将交通信号灯识别为平面特征，该方法可扩展至其他交通设施（如交通信号灯）。
• 该方法为智慧城市建设中的交通标志清查、维护与安全评估提供了可行且高效的解决方案。