基于视频流的骑行近距离超车检测基准
计算机视觉与模式识别
2025-03-26 v2
摘要
骑行是一种健康且可持续的出行方式。然而，与机动车的相互作用仍是阻碍更多人参与骑行的一个关键障碍。利用车载传感检测潜在危险相互作用的能力，可为骑行者与政策制定者提供重要信息。影响骑行者舒适度与安全性的一个关键因素是近距离超车，即车辆从骑行者近旁掠过。本文提出一个名为 Cyc-CP 的新基准，用于从视频流中检测近距离超车（CP）事件。该任务被划分为两类问题：场景级与实例级。场景级检测确定所给视频片段中是否存在 CP 事件；实例级检测识别场景中引发 CP 事件的具体车辆。为应对这些挑战，我们引入四种基准模型，每种均以先进的深度学习方法为支撑。为训练与评估这些模型，我们构建了一个合成数据集并采集了一个真实世界数据集。基准评估显示，模型在真实世界数据集上场景级检测准确率达 88.13%，实例级检测达 84.60%。我们期望该基准作为加速 CP 检测并促进道路安全、智能交通系统与人工智能领域间交互的测试平台。基准数据集与检测模型将于 https://github.com/SustainableMobility/cyc-cp 公开，以促进实验可复现性并鼓励该领域更深入的研究。
引用
@article{arxiv.2304.11868,
title = {A Benchmark for Cycling Close Pass Detection from Video Streams},
author = {Mingjie Li and Ben Beck and Tharindu Rathnayake and Lingheng Meng and Zijue Chen and Akansel Cosgun and Xiaojun Chang and Dana Kulić},
journal= {arXiv preprint arXiv:2304.11868},
year = {2025}
}
备注
Accepted by Transportation Research Part C: Emerging Technologies