面向车道侵入动作识别的相空间重构网络
计算机视觉与模式识别
2021-02-23 v1
摘要
在复杂道路交通场景中，行人或骑行者的非法车道侵入是自动驾驶应用中的主要安全挑战之一。本文提出一种新颖的面向对象级相空间重构网络（PSRNet）用于运动时间序列分类，旨在通过对固定在行驶车辆上的单目相机识别前方150米发生的车道侵入动作。在PSRNet中，行人与骑行者的运动被具体视为可观测的对象级动态过程，可在潜在相空间中重构为状态向量轨迹，并进一步由可学习的类李雅普诺夫指数分类器刻画，该分类器通过状态轨迹的平均指数发散性指示判别能力。此外，为首先将视频输入转换为各对象的一维运动时间序列，提出了一种基于视觉检测跟踪的车道宽度归一化方法。在真实城市道路采集的THU-IntrudBehavior数据集上进行了大量实验。结果表明，我们的PSRNet可达到98.0%的最佳准确率，显著超越现有动作识别方法30%以上。
引用
@article{arxiv.2102.11149,
title = {Phase Space Reconstruction Network for Lane Intrusion Action Recognition},
author = {Ruiwen Zhang and Zhidong Deng and Hongsen Lin and Hongchao Lu},
journal= {arXiv preprint arXiv:2102.11149},
year = {2021}
}