感知城市场景中易肇事特征以实现主动驾驶与事故预防

在城市中，道路及其沿线的视觉信息容易分散驾驶员注意力，导致遗漏交通标志及其他易肇事（AP）特征。为避免由于遗漏这些视觉线索而引发事故，本文提出一种基于行车记录仪实时图像向驾驶员视觉提示AP特征的方法。为此，利用真实事故数据集识别出的事故热点（事故高发区域）周边的Google Street View图像，训练一种新颖的注意力模块，将给定的城市场景分类为事故热点或非热点（事故稀疏区域）。所提模块在不同CNN骨干网络之上利用通道、点与空间注意力学习。与单独使用CNN骨干网络相比，这带来了更好的分类结果，并在更优的上下文知识下得到更确定的AP特征。我们提出的模块分类准确率高达92%。通过三种不同类激活图（CAM）方法的对比研究分析了所提模型检测AP特征的能力，这些CAM方法用于检视导致分类决策的具体AP特征。CAM方法的输出经图像处理流水线处理，仅提取对驾驶员可解释的AP特征，并通过视觉提示系统通知。我们进行了系列实验以证明系统的效能与AP特征。消融实验表明，平均占每幅图像总面积9.61%的AP特征被移除后，给定区域被分类为非热点的概率提升了至多21.8%。