基于相空间重构网络的车道入侵行为识别

重磅干货,第一时间送达

小白导读

论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享,旨在帮助各位读者快速了解论文内容。个人能力有限,理解难免出现偏差,建议对文章内容感兴趣的读者,一定要下载原文,了解具体内容。

摘要

在复杂的道路交通场景中,行人或骑自行车的人非法侵入车道是自动驾驶应用中的主要安全挑战之一。在本文中,作者提出了一种新的目标级相空间重构网络(PSRNet)用于运动时间序列分类,旨在通过固定在运动车辆上的单目摄像机识别前方150m发生的车道入侵行为。PSRNet,行人和骑自行车的运动,特别是视为一个可观测对象级的动态过程,可以重构相空间轨迹状态向量的潜在的和进一步的特点是可学的李雅普诺夫exponent-like分类器表明歧视的平均指数发散状态轨迹。此外,为了首先将视频输入转换为每个目标的一维运动时间序列,提出了一种基于视觉目标检测跟踪的车道宽度归一化方法。在真实城市道路上收集的THU-IntrudBehavior数据集上进行了广泛的实验。结果表明,作者的PSRNet可以达到98.0%的最佳正确率,比现有的动作识别方法高出30%以上。

论文创新点

1)在单目逐检测跟踪算法的基础上,提出了一种对象级的车道宽度归一化策略,使得连续视频帧中目标的车道入侵行为可以相应地用相对运动时间序列来表示。

2)提出了一种新的轻量级PSRNet,它包含了潜在的相空间重构层和一个可学习的Lyapunov指数类分类器来完成相对运动时间序列的分类。

3)对thu入侵行为的实验结果表明,作者的PSRNet达到了98.0%的最佳性能。

框架结构

作者方法的总体框架

PSRNet

该重构器采用不同系统阶的n1d - cnns通过监督学习近似给定的时间序列观测值。该重构器的所有输入和输出都被输入到CNN分类器中进行lane入侵动作识别。在这项工作中,n被设为4。

实验结果

性能比较

不同系统阶数对相空间的影响

结论

本文提出了一种基于单目摄像机的轻型PSRNet,在不使用任何高清地图和精密导航设备的情况下进行车道入侵行为识别。首先,基于视觉跟踪检测算法的运动对象包括行人、自行车和车道标记,作者提出了一种基于视觉车道宽度的归一化策略来生成一维相对运动时间序列,该策略可以可靠地表达视频中的车道入侵行为。其次,作者建立一个PSRNet来进行这样的运动时间序列分类。PSRNet受经典的相空间重构和李雅普诺夫指数方法的启发,由几个CNN层和分类器层组成,前者建立了一个潜在的相空间,隐式地表示行人和自行车的运动。由于对象级学习以及相空间重构和李亚普诺夫类指数分类器的引入,作者的PSRNet使得在视频中更容易识别车道入侵行为。实验结果表明,该方法可以达到98.0%的准确率,具有较高的效率。

论文链接:https://arxiv.org/pdf/2102.11149.pdf

每日坚持论文分享不易,如果喜欢我们的内容,希望可以推荐或者转发给周围的同学。

- END -

#投 稿 通 道#

 让你的论文被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。

总有一些你不认识的人,知道你想知道的东西。深度学习爱好者 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。

深度学习爱好者 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学习心得技术干货。我们的目的只有一个,让知识真正流动起来。

📝 来稿标准:

· 稿件确系个人原创作品,来稿需注明作者个人信息(姓名+学校/工作单位+学历/职位+研究方向)

· 如果文章并非首发,请在投稿时提醒并附上所有已发布链接

· 深度学习爱好者 默认每篇文章都是首发,均会添加“原创”标志

(0)

相关推荐