通过集成车道与车辆检测改进智能交通系统中基于视觉的车辆自定位

交通拥堵是一个普遍存在的问题。动态交通路由系统和拥堵收费在近期研究中日益重要。车道预测和车辆密度估计是此类系统的重要组成部分。我们引入了一个新颖的车辆自定位问题，该问题涉及利用行车记录仪捕获的视频来预测道路上的车道数量以及车辆在这些车道中的位置。我们提出了一种集成闭环方法，其中我们利用车辆的存在来辅助自定位任务，反之亦然。为了将多种因素和高级语义知识纳入解决方案中，我们将此问题表述为一个贝叶斯框架。在该框架中，车道数量、车辆在这些车道中的位置以及其他车辆的存在被视为参数。我们还提出了一种边界框选择方案，以减少错误检测的数量并提高计算效率。我们表明，使用该选择方法，边界框提议的数量减少了 6 倍。这也导致了错误检测数量的大幅减少。整个方法在真实世界视频上进行了测试，并发现给出了可接受的结果。