详情

原文传递基于车载视频的前车换道压线检测追踪及风险评估

论文题名：	基于车载视频的前车换道压线检测追踪及风险评估
关键词：	车载视频;前车换道;压线检测;追踪机制;风险评估
摘要：	在车辆正常行驶时，驾驶员为达到超车、避障等目的通常采取换道驾驶。然而违规压线等不当的操作会干扰后方交通运行，在车流密集或车速较快的路段具有潜在危险性，甚至易导致与相邻车道的车辆发生碰撞事故，因此需要对存在风险的换道行为准确高效地实施监管。机器视觉作为大数据技术关键组成部分，能够利用非结构化的图像视频数据感知多种交通现象，为上述任务提供有效的解决方案。由于电子警察安装位置固定、监控视野受限，可以将道路上大量的车载监控作为数据源，在移动视角下准确高效地捕捉并追踪前车换道行为，为风险性评估提供丰富信息。这不仅可以应用于交通执法领域，还能够借助车辆网环境形成群车众包机制，助力构建安全高效的道路交通系统。本文通过车载视频，实现前方交通运行信息感知，针对前车换道压线行为搭建检测追踪机制，并基于获取的多维数据结合无监督学习算法进行换道行为风险评估。　　首先在信息感知中的前车检测与追踪模块，本文针对研究需求改进Mask R-CNN模型中的特征提取结构并应用于前车检测，同时基于检测结果结合视频帧间车辆运动特征和外观特征实现对前车的连续追踪。其中主要利用无迹卡尔曼滤波（Unscented Kalman Filter，UKF）预测进行不同帧车辆运动特征关联，同时基于重识别网络提出了一种分域检测方法并实现外观特征关联。此外，本文通过级联卷积神经网络分别实现车道线检测与分类，并加入冗余像素清除模块以改进模型语义分割性能。将车辆像素坐标经车载相机标定转变为路面上的实际坐标，经整合实现信息初步提取。　　本文根据车辆与车道线信息感知结果设计规则，在原画面中直接判定各帧中前车的压线状态。由于换道过程包含了压线行为，本文针对视频中车辆，记录并绑定其在历史各帧中的信息，以车辆追踪生成的ID号为索引，利用提出的信息回溯方法以5帧为一个滑动时间窗捕捉车辆压线开始和结束时刻，随即再以此两时刻为界限，在前后帧中继续通过前车运行信息进一步确定换道开始和结束时刻。　　本文基于获取的时刻锁定换道时段，通过信息回溯获取并输出前车换道过程各帧的坐标位置数据，采用格拉布斯准则筛选异常值，并同缺失值一起进行填充，随后平滑前车轨迹坐标以减小车载监控画面摆动造成的误差，实现数据预处理。基于坐标信息计算横向速度、横向加速度等信息，扩展并完善多维指标。随后通过整合使每帧数据含有六个维度特征，包括最小车辆间距、横向速度、横向加速度、压线类型Type、天气条件、光照强度。以每帧的数据为一个样本，将所有车辆换道过程各帧的信息集中在一起构成样本数据集。选用无监督学习中的高斯混合模型GMM作为聚类算法，根据提前设置的多个簇数依次进行聚类，并以 Calinski-Harabaz（CH）指数作为性能评估标准。选取CH指数最大时对应的聚类结果，提取并分析聚类中心，对每个类别中的换道行为进行风险等级分类，实现风险评估。　　通过训练各模块中的模型，将搭建的变道检测与追踪机制应用于 400 段案例视频中。针对捕捉的换道过程时空信息，通过类比经典 IOU 方法设计精度评价方法，最终检测与追踪机制精度达到91.2%。将数据集应用于GMM算法，最终当聚类簇数为五类时，CH指数达到最大。分别提取聚类中心，经分析对各类别中的换道行为风险等级进行分类，实现风险评估。
作者：	刘钟锴
专业：	交通运输工程
导师：	刘志远;吴才锐
授予学位：	硕士
授予学位单位：	东南大学
学位年度：	2022