基于 CNN-SVM 分类器尾灯信号识别的夜间驾驶行为预测
计算机视觉与模式识别
2025-01-28 v1
摘要
本文旨在通过识别有人驾驶与自动驾驶车辆的尾灯来增强夜间驾驶行为预测能力。所提模型包含一个定制检测器，用于准确检测道路上前车的尾灯。在检测器起始处，实现了一个可学习的预处理模块，从输入图像中提取深度特征并计算各特征的数据稀有度。下一步，受软注意力启发，设计了一个加权二值掩码，引导模型更关注预定区域。本研究利用卷积神经网络（CNNs）从这些区域提取区分性特征，随后使用主成分分析（PCA）降维。最后，使用支持向量机（SVM）预测车辆行为。为训练与评估模型，从福特汽车公司车辆后视的两类行车记录仪与 Insta360 相机收集了大规模数据集。该数据集包含超过 12k 帧在白天与夜间拍摄的帧。为解决夜间数据有限的问题，采用了一种独特的逐像素图像处理技术将白天图像转换为逼真的夜间图像。实验结果表明，所提方法能以 92.14% 准确率、97.38% 特异度、92.09% 灵敏度、92.10% F1 值以及 0.895 Cohen's Kappa 统计量准确分类车辆行为。更多细节见 https://github.com/DeepCar/Taillight_Recognition。
引用
@article{arxiv.2310.16706,
title = {Nighttime Driver Behavior Prediction Using Taillight Signal Recognition via CNN-SVM Classifier},
author = {Amir Hossein Barshooi and Elmira Bagheri},
journal= {arXiv preprint arXiv:2310.16706},
year = {2025}
}
备注
12 pages, 10 figures