基于动态模式分解与Res-UNet+神经网络时空图车辆轨迹检测
计算机视觉与模式识别
2023-10-03 v1
摘要
本文提出一种机器学习增强的纵向扫描线方法，用于从高角度交通摄像头提取车辆轨迹。应用动态模式分解(DMD)方法，通过将时空图(STMap)分解为稀疏前景和低秩背景来提取车辆条带。通过改编两种流行的深度学习架构，设计了一个名为Res-UNet+的深度神经网络用于语义分割任务。Res-UNet+神经网络显著提升了基于STMap的车辆检测性能，且DMD模型为理解STMap所保留的底层时空结构演化提供了诸多有趣见解。将模型输出与先前的图像处理模型及主流语义分割深度神经网络进行比较。经过充分评估，证明该模型准确且对许多挑战因素具有鲁棒性。最后但同样重要的是，本文从根本上解决了NGSIM轨迹数据中发现的诸多质量问题。清洗后的高质量轨迹数据已发布，以支持未来关于交通流和微观车辆控制的理论与建模研究。该方法是基于视频的轨迹提取的可靠解决方案，具有广泛适用性。
引用
@article{arxiv.2201.04755,
title = {Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNet+ Neural Networks},
author = {Tianya T. Zhang and Peter J. Jin},
journal= {arXiv preprint arXiv:2201.04755},
year = {2023}
}