深度学习方法在基于视频数据的自动化道路安全分析中的表现如何？一项实验研究
计算机视觉与模式识别
2025-03-14 v1
摘要
基于图像的多目标检测（MOD）和多目标跟踪（MOT）正在快速发展。已经为单目和立体相机开发了多种 2D 和 3D 的 MOD 和 MOT 方法。道路安全分析可以从这些进展中受益。由于碰撞是罕见事件，已经开发了安全的替代指标（SMoS）用于安全分析。（半）自动化安全分析方法提取道路使用者轨迹以计算安全指标，例如碰撞时间（TTC）和侵入后时间（PET）。受深度学习在 MOD 和 MOT 中成功的启发，我们研究了三种 MOT 方法，包括一种基于立体相机的方法，使用标注的 KITTI 交通视频数据集。开发了两种后处理步骤 IDsplit 和 SS 以改进跟踪结果并研究影响 TTC 的因素。实验结果表明，尽管在交互数量或与 TTC 分布的相似性方面具有某些优势，所有测试的方法都系统地高估了交互数量并低估了 TTC：它们报告的交互更多且更严重，使道路使用者交互看起来比实际更不安全。进一步的努力将指向测试更多方法和更多数据，特别是来自路边传感器的数据，以验证结果并提高性能。
引用
@article{arxiv.2503.09807,
title = {How good are deep learning methods for automated road safety analysis using video data? An experimental study},
author = {Qingwu Liu and Nicolas Saunier and Guillaume-Alexandre Bilodeau},
journal= {arXiv preprint arXiv:2503.09807},
year = {2025}
}
备注
This paper is accepted by TRB Annual Meeting 2024