[论文解读] Vehicles Lane-changing Behavior Detection

Iljoo Baek, Mengwen He|arXiv (Cornell University)|Aug 22, 2018

Advanced Vision and Imaging参考文献 1被引用 4

一句话总结

本文提出一种基于单目相机的变道行为检测系统，采用SVM与HoG特征，以提升城市环境中GNSS定位精度。当将'未知'误分类视为正确时，该方法达到80%的准确率，优于基于Canny的SVM，且性能与CNN相当，尽管复杂度更低，为自动驾驶车辆提供了低成本的车道级定位解决方案。

ABSTRACT

The lane-level localization accuracy is very important for autonomous vehicles. The Global Navigation Satellite System (GNSS), e.g. GPS, is a generic localization method for vehicles, but is vulnerable to the multi-path interference in the urban environment. Integrating the vision-based relative localization result and a digital map with the GNSS is a common and cheap way to increase the global localization accuracy and thus to realize the lane-level localization. This project is to develop a mono-camera based lane-changing behavior detection module for the correction of lateral GPS localization. We implemented a Support Vector Machine (SVM) based framework to directly classify the driving behavior, including the lane keeping, left and right lane changing, from a sampled data of the raw image captured by the mono-camera installed behind the window shield. The training data was collected from the driving around Carnegie Mellon University, and we compared the trained SVM models w/ and w/o the Principle Component Analysis (PCA) dimension reduction technique. The performance of the SVM based classification method was compared with the CNN method.

研究动机与目标

• 开发一种低成本、基于相机的解决方案，以提升自动驾驶车辆在城市环境中GNSS定位的准确性。
• 仅使用单目视觉，不依赖LiDAR或CANBUS数据，检测并分类变道行为（保持、左转、右转）。
• 通过将视觉获取的车道信息与GNSS及数字地图融合，提升横向定位精度。
• 对比基于PCA与HoG特征的SVM与基于Canny特征的SVM及CNN在行为分类中的表现。
• 构建一个可控且可解释的变道检测框架，支持未来与视觉里程计、IMU及CANBUS数据融合。

提出的方法

• 从前方单目相机图像中提取感兴趣区域（ROI），距离车辆分别为1米、10米、20米、30米。
• 应用边缘检测（Canny）与方向梯度直方图（HoG）从ROI中提取视觉特征。
• 使用主成分分析（PCA）降低特征维度，同时保留原始能量的98%以上。
• 使用Canny与HoG特征（含与不含PCA）训练支持向量机（SVM）分类器。
• 为对比，实现一个包含10个卷积层、ReLU激活函数与SoftmaxLoss的CNN，输入为相同ROI，输出为三分类（保持、变道、未知）。
• 通过混淆矩阵与真实标签评估性能，并将'未知'类别重新解释为'保持'类的真正例，重新计算准确率。

实验结果

研究问题

• RQ1 单目相机结合SVM与HoG特征是否能以足够高的准确率检测变道行为，从而纠正GNSS定位误差？
• RQ2 基于PCA的降维对SVM驱动的变道分类性能有何影响？
• RQ3 基于HoG的SVM在检测变道行为方面，与基于Canny的SVM及CNN分类相比表现如何？
• RQ4 在多大程度上可将被误分类为'未知'的片段重新解释为正确的'保持'行为，以提升有效准确率？
• RQ5 结合多种视觉特征与传感器（如IMU、视觉里程计、CANBUS）的混合系统能否进一步提升检测鲁棒性？

主要发现

• 当将'未知'误分类视为'保持'类的真正例时，基于HoG的SVM分类器达到80%的准确率，优于基于Canny的SVM。
• 基于HoG的SVM在'保持'与'未知'类别之间的误分类率更低，表现出更好的稳定性。
• 基于CNN的分类器测试准确率为79.70%，略低于基于HoG的SVM的80%有效准确率，但训练准确率更高（99.93%）。
• 基于HoG的SVM与CNN在车辆超车时均未能检测到变道行为，表明训练数据中存在数据分布差距。
• 混淆矩阵显示，与CNN相比，基于HoG的SVM在'左转'与'右转'变道类别上的假阳性更少，表明其在方向性变道检测中具有更好的泛化能力。
• 结合HoG与PCA的SVM框架相比黑箱CNN提供了更高的可解释性与可控性，有利于未来与额外传感器数据融合。