基于挑战性条件下车道偏离检测的车辆驾驶行为分析
计算机视觉与模式识别
2019-06-04 v1
摘要
在本文中，我们提出一种新颖模型，用于从移动摄像头记录的具有挑战性的低分辨率视频中检测车道区域并提取车道偏离事件（变道与侵入）。我们的算法使用基于 Mask-RCNN 的车道检测模型作为预处理器。近来，基于深度学习的模型为结合分割的目标检测提供了最先进的技术。在若干深度学习架构中，卷积神经网络（CNNs）优于其他机器学习模型，尤其在区域提议与目标检测任务上。目标检测的最新进展由区域提议方法与基于区域的 CNNs（R-CNNs）的成功所推动。我们的算法利用车道分割掩码进行检测，并使用 Fix-lag Kalman 滤波器进行跟踪，而非通常的从单视频帧检测车道线的方法。该算法允许从连续车道检测中检测驾驶员向左或向右车道的偏离。初步结果显示了对车道偏离事件鲁棒检测的潜力。在我们的自定义测试数据集上，车道偏离事件的总体灵敏度为 81.81%。
引用
@article{arxiv.1906.00093,
title = {Driver Behavior Analysis Using Lane Departure Detection Under Challenging Conditions},
author = {Luis Riera and Koray Ozcan and Jennifer Merickel and Mathew Rizzo and Soumik Sarkar and Anuj Sharma},
journal= {arXiv preprint arXiv:1906.00093},
year = {2019}
}
备注
6 pages, 4 figures, 2 algorithms