最新!基于視覺方案的車輛速度、距離估計(jì)綜述
本文經(jīng)自動駕駛之心公眾號授權(quán)轉(zhuǎn)載,轉(zhuǎn)載請聯(lián)系出處。
論文名稱:Vision-based Vehicle Speed Estimation: A Survey
導(dǎo)讀
在精確檢測車速車距的方案中,視覺方案是非常具有挑戰(zhàn)性的,但由于沒有昂貴的距離傳感器而大幅降低成本,所以潛力巨大。本文綜述了基于視覺的車輛速度、距離估計(jì)。并建立了一個完整的分類法,對大量工作進(jìn)行分類,對涉及的所有階段進(jìn)行分類。除此之外,還提供了詳細(xì)的性能評估指標(biāo)和可用數(shù)據(jù)集概述。最后,論文討論了當(dāng)前的局限性和未來的方向。應(yīng)用背景 車輛速度的準(zhǔn)確估計(jì)是智能交通系統(tǒng)(ITS)的關(guān)鍵組成,這需要解決諸如同步數(shù)據(jù)記錄、表示、檢測和跟蹤、距離和速度估計(jì)等問題。常見的速度估計(jì)應(yīng)用場景包括自動駕駛、智能交通監(jiān)控,分為固定傳感器測試和移動相機(jī)/車輛下的測試。論文主要介紹了在固定位置下基于camera的速度與距離估計(jì)!下圖為速度估計(jì)的整體流程:主要包括檢測跟蹤、距離估計(jì)、速度估計(jì)等;
主要技術(shù)
上圖匯總了基于視覺的車速測量系統(tǒng)的主要部分,Input data 、Detection and tracking、Distance and speed estimation、Application domains;
1.輸入數(shù)據(jù)
基于視覺的測速測距方案輸入為圖像數(shù)據(jù),對于每輛車,將有一系列圖像,從第一次出現(xiàn)到最后一次出現(xiàn)??捎脠D像的數(shù)量將取決于攝像機(jī)相對于道路的姿態(tài)、焦距、幀速率和車輛速度?,F(xiàn)有camera主要包括:交通camera和speed camera;其他形式的輸入數(shù)據(jù)包括車輛屬性,如車輛類型、關(guān)鍵點(diǎn)、車牌大小等。camera標(biāo)定在提供內(nèi)外參數(shù)方面起著關(guān)鍵作用。路段尺寸的先驗(yàn)知識提供了計(jì)算道路與camera之間的外部關(guān)系甚至車輛速度的一些重要信息。
2.檢測和跟蹤
必須在所有可用圖像中檢測車輛或其某些代表性特征。隨著時間的推移跟蹤車輛或顯著特征對獲得速度測量至關(guān)重要,可以應(yīng)用不同的方法來處理這兩個任務(wù)。
3.距離和速度估計(jì)
速度估計(jì)本質(zhì)上涉及具有相關(guān)時間戳的距離估計(jì)。存在不同的方法來計(jì)算車輛與某些全局參考的相對距離,以及不同的方法計(jì)算車輛的速度。
4.應(yīng)用領(lǐng)域
主要應(yīng)用在交通監(jiān)控、預(yù)測、控制、自動駕駛和移動機(jī)器人領(lǐng)域!下圖是機(jī)動車速度估計(jì)的全系列技術(shù)棧!
分類
論文對135篇車速檢測相關(guān)論文展開了調(diào)研,從輸入開始,緊接著是檢測、跟蹤、距離和速度估計(jì),最后是速度測量精度方法!論文對每個模塊的工作進(jìn)行了分類。
1.Camera設(shè)置
主要涉及攝像機(jī)固有參數(shù)(傳感器尺寸和分辨率、焦距)和外部參數(shù)(相對于道路平面的位置,包括基于無人機(jī)的攝像機(jī))以及攝像機(jī)數(shù)量(單攝像機(jī)、立體攝像機(jī)或多攝像機(jī))。根據(jù)這些參數(shù),投影在圖像平面上的真實(shí)場景可以表示沿短或大路段的一條或多條車道。根據(jù)這種配置以及車輛相對于camera的相對位置,能夠得到其中一個最重要的變量:meter與像素的比率,即每個像素代表的路段部分。該比率越低,估計(jì)距離和速度的精度越高,由于透視投影模型,該比率與距camera的distance平方成正比,這意味著在長距離進(jìn)行的測量具有非常差的精度。
2.相機(jī)標(biāo)定
為了在真實(shí)世界坐標(biāo)中提供測量,需要精確估計(jì)攝像機(jī)的內(nèi)部和外部參數(shù)。最常見的方法是執(zhí)行軟標(biāo)定,即在實(shí)驗(yàn)室標(biāo)定或使用傳感器和透鏡特性近似固有參數(shù),使用手動或自動程序獲得外部參數(shù)(道路平面和攝像機(jī)之間的剛性變換)。硬標(biāo)定涉及在已安裝攝像機(jī)的情況下聯(lián)合估計(jì)內(nèi)參和外參。也可以手動執(zhí)行或自動執(zhí)行。在某些有限的情況下,攝像機(jī)標(biāo)定被忽略。
3.車輛檢測
由于攝像機(jī)大多是靜態(tài)的,在大多數(shù)情況下,車輛檢測通過建模和減去背景來解決。其他方法是基于特征的,例如,檢測車牌或車輛的其他特征。最近,使用基于學(xué)習(xí)的方法識別圖像中的車輛越來越多。
4.車輛跟蹤
車輛具有平滑和穩(wěn)定軌跡的能力是處理車輛速度檢測的關(guān)鍵問題,可以將車輛跟蹤分為三類。首先,基于特征的,它跟蹤來自車輛的一組特征(例如,光流)。第二,這些方法側(cè)重于跟蹤blob的質(zhì)心或車輛的邊界框。第三,這些方法側(cè)重于跟蹤整個車輛或其特定部分(如車牌)。
5.距離估計(jì)
對于單目系統(tǒng),車輛距離的估計(jì)通常使用一組約束條件進(jìn)行計(jì)算,例如平坦道路假設(shè),包括基于單應(yīng)性和使用增強(qiáng)指示線、模式或region的方法,或者通過使用關(guān)于一些物體的實(shí)際尺寸的先驗(yàn)知識(例如,車牌或車輛的尺寸)。當(dāng)使用立體視覺時,這些限制得到緩解。
6.速度估計(jì)
在少數(shù)情況下,檢測車輛速度的問題被提出為檢測路段上的交通速度的問題,即直接獲得平均道路速度值。然而,在大多數(shù)情況下,檢測是在單個車輛上進(jìn)行的。需要關(guān)于camera幀速率的先驗(yàn)知識或每個圖像的準(zhǔn)確時間戳來計(jì)算測量之間的時間。使用連續(xù)的或非連續(xù)的圖像來估計(jì)速度是一個基本變量,對精度有很大影響。如何整合所有可用測量(瞬時、平均、最佳等)也是影響測量最終精度的關(guān)鍵因素。
7.生成真值
目前的工作主要包括:汽車速度計(jì)、基于距離的技術(shù)(如雷達(dá)或激光)、基于GPS的技術(shù)(包括標(biāo)準(zhǔn)GPS、GPS里程表和DGPS)、光屏障和路面?zhèn)鞲衅鳎ㄈ鐗弘娀螂姼校?/p>
相機(jī)設(shè)置與標(biāo)定
1.相機(jī)的設(shè)置
camera設(shè)置直接影響速度估計(jì)方法的精度??紤]的第一類是攝像機(jī)位置,包括無人機(jī)攝像機(jī)和交通攝像機(jī),這些攝像機(jī)可以根據(jù)其高度大致分類為距離(≥ 5m)或close(<5m)交通攝像頭。在某些情況下,攝像機(jī)位于道路一側(cè),提供車輛的側(cè)視圖。大多數(shù)作品都基于單目系統(tǒng),但還可以找到一些基于stereo的方法和非stereo多攝像機(jī)設(shè)置。盡管大多數(shù)方法都基于CCD或CMOS傳感器,但也可以找到一些使用基于事件的攝像機(jī)[16,17]和基于生物傳感器[147]的作品??紤]到相機(jī)分辨率,可以預(yù)期隨著時間的推移像素分辨率會逐漸增加,這主要是由于硬件的進(jìn)步。然而,情況并非如此,大量作品的分辨率低于或等于640×480像素(VGA)。分辨率不僅影響圖像處理檢測技術(shù)的精度,還影響距離估計(jì)的精度。分辨率越高,meter像素比越低。焦距也是一個基本參數(shù),通常與攝像機(jī)高度、路段長度和視野覆蓋的車道數(shù)有關(guān)。對于特定的攝像機(jī)高度,焦距越大,距離和速度測量的精度越高。大多數(shù)作品使用中低焦距(≤ 25mm),因?yàn)樗鼈儽辉O(shè)計(jì)為覆蓋多車道和大的道路延伸。只有少數(shù)作品含蓄或明確地強(qiáng)調(diào)需要長焦距來提高速度估計(jì)的準(zhǔn)確性,即使系統(tǒng)僅覆蓋一條車道。因此,根據(jù)攝像機(jī)的內(nèi)外(位置w.r.t.道路)參數(shù),我們最終將不同的場景投影到圖像平面中。如下圖所示,可以大致定義三種類型的場景:High meter-to-pixel ratio、Medium meter-to-pixel ratio、Low meter-to-pixel ratio。
2.系統(tǒng)的標(biāo)定
精確的攝像機(jī)標(biāo)定對于基于視覺的目標(biāo)距離和速度估計(jì)至關(guān)重要。無論是假設(shè)車輛在平坦道路上行駛,用于單目系統(tǒng)還是使用stereo配置,從像素坐標(biāo)獲得精確真實(shí)世界測量的能力在很大程度上取決于精確的系統(tǒng)標(biāo)定。對于單目系統(tǒng),針孔相機(jī)模型提供了一個通用表達(dá)式,用于描述圖像平面(u,v)中的2D像素與3D真實(shí)世界坐標(biāo)系(Xw,Yw,Zw)之間的幾何關(guān)系,在這種情況下,該坐標(biāo)系放置在道路平面上并假設(shè)為平坦道路形狀:
單目攝像機(jī)標(biāo)定問題是估計(jì)內(nèi)參、RT的問題。如下圖所示,在處理用于車速估計(jì)的攝像機(jī)標(biāo)定時,采用了兩種主要方法。首先,軟標(biāo)定使用標(biāo)定模板(例如棋盤)在實(shí)驗(yàn)室中估計(jì)K,或假設(shè)數(shù)據(jù)表中提供的參數(shù)(傳感器分辨率、像素大小和焦距),然后在現(xiàn)場計(jì)算[R,T]。第二,硬標(biāo)定,在現(xiàn)場同時計(jì)算K和[R,T]。
計(jì)算相機(jī)外部參數(shù)的最常見方法之一是使用消失點(diǎn)。當(dāng)投影到圖像平面時,3D真實(shí)世界坐標(biāo)系中的一組平行線在唯一的2D點(diǎn)處相交。該點(diǎn)通常稱為消失點(diǎn)。在這種情況下,明顯的一組線是道路標(biāo)記(包括實(shí)線和虛線車道線)和通常具有高對比度的道路邊緣。消失點(diǎn)的位置允許計(jì)算旋轉(zhuǎn)矩陣R,然后使用圖像中某個對象或區(qū)域的真實(shí)世界維度的知識來獲得平移矩陣T。執(zhí)行外部參數(shù)標(biāo)定的另一種常見方法是使用道路平面上存在的已知幾何靜態(tài)特征,然后計(jì)算單應(yīng)變換。
可以通過使用放置在道路平面上的標(biāo)準(zhǔn)(例如棋盤)或特殊標(biāo)定模板來解決獲取相機(jī)的內(nèi)外參數(shù)的硬標(biāo)定問題。這種技術(shù)的主要缺點(diǎn)是需要暫時停止道路上或車道上的交通。只有少數(shù)方法以自動方式處理內(nèi)部和外部參數(shù)的校準(zhǔn)。最常見的方法是從兩組或三組相互垂直的平行線計(jì)算兩個或三個正交消失點(diǎn)[133]。如[134]所述,這些消失點(diǎn)可以從場景中存在的靜態(tài)和移動(本例中為車輛)元素中提取。在[77]中,隨時間跟蹤的車牌被用作校準(zhǔn)模式,以硬校準(zhǔn)系統(tǒng)。最復(fù)雜的方法將細(xì)粒度分類與車輛關(guān)鍵點(diǎn)/姿態(tài)檢測[136]相結(jié)合,以確定特定車輛品牌和型號[135](因此,確定其真實(shí)尺寸),從而執(zhí)行軟[90]或硬[101]系統(tǒng)標(biāo)定。
無論標(biāo)定中使用何種方法,無論是計(jì)算平移向量還是完全單應(yīng)性,都必須事先知道真實(shí)世界中某些特征/對象的尺寸。事實(shí)上,計(jì)算所謂的比例因子(m/px)以從像素到真實(shí)世界坐標(biāo)的轉(zhuǎn)換是使用單目系統(tǒng)處理距離和速度估計(jì)時要解決的關(guān)鍵問題之一。最常見的特征是人工測量的路段/區(qū)域的道路/車道寬度或長度之前已知物體的尺寸,如車輛或車牌,以及車道標(biāo)記的長度和頻率。
最后,必須考慮基于stereo的方法,這些方法在實(shí)驗(yàn)室或現(xiàn)場使用標(biāo)準(zhǔn)stereo標(biāo)定技術(shù)和模式進(jìn)行硬校準(zhǔn)。除了每個攝像機(jī)的固有矩陣K之外,stereo系統(tǒng)還需要計(jì)算基本矩陣,其中包括從一個攝像機(jī)到另一個攝像機(jī)的非本征變換。由于立體系統(tǒng)能夠從兩幅圖像中的2D像素獲得3D真實(shí)世界測量值(在解決對應(yīng)問題后),因此無需計(jì)算道路平面和攝像機(jī)之間的外部變換,但在任何情況下,都可以手動計(jì)算[137]或自動計(jì)算[138]。
檢測和跟蹤
1.檢測任務(wù)
檢測任務(wù)主要有靜態(tài)背景、基于特征、基于車牌、基于learning方式;除了基于無人機(jī)的系統(tǒng)外,大多數(shù)方法都基于靜態(tài)攝像機(jī),由于存在靜態(tài)背景,車輛檢測任務(wù)更加容易。我們甚至可以采用最簡單的逐幀方法找到相當(dāng)數(shù)量圖像,然后采用閾值法進(jìn)行圖像分割。執(zhí)行車輛檢測的最常見方法是基于背景減法,然后是一些形態(tài)學(xué)運(yùn)算和blob分析方法。使用不同的方法進(jìn)行背景相減,包括基于灰度和顏色的方法、高斯混合模型、自適應(yīng)背景建模等。在某些情況下,逐幀或背景減法與某些特征檢測器(例如,邊緣、角或KLT特征)相結(jié)合。
一些方法基于對車輛區(qū)域內(nèi)區(qū)域中分組的不同類型特征的檢測,例如,在背景減法之后,以及依賴于邊緣、灰度特征、二進(jìn)制特征、SIFT/SURF特征或KLT特征。
盡管車牌的外觀可能會因國家和車輛類型的不同而略有不同,但一般而言,它是任何車輛的同質(zhì)和獨(dú)特元素。這使得車牌成為車輛檢測系統(tǒng)非常有吸引力的目標(biāo)。因此,當(dāng)攝像機(jī)分辨率足夠大時,可以應(yīng)用車牌識別(LPR)系統(tǒng)。LPR系統(tǒng)通常至少分為3個步驟:檢測或定位、字符分割和字符識別。在這種情況下,為了檢測車輛,只需要應(yīng)用第一步,并且有許多方法(參考了關(guān)于該主題的多個具體調(diào)查)。基于學(xué)習(xí)的方法主要是一些目標(biāo)檢測方案,YOLO、SSD、Faster RCNN、Nanodet、YOLOX系列,輸出檢測位置與類別;
2.跟蹤任務(wù)
速度檢測是一個多幀問題。一旦檢測到車輛或車輛的某些部件/特征,通常采用跟蹤方法對噪聲檢測進(jìn)行濾波和平滑。跟蹤隱含地涉及解決數(shù)據(jù)關(guān)聯(lián)問題(例如,匈牙利算法),特別是對于具有多個對象的情況[148]。一般而言,在描述不同的跟蹤方法時,可以考慮兩個主要維度。首先,根據(jù)被跟蹤的元素和/或其part的類型(方法),其次,根據(jù)用于執(zhí)行跟蹤的具體方法(方法)。主要車輛跟蹤方法的視覺表示如下圖所示,可以看出將不同的方法分為四大類:
首先,基于特征的方法,將車輛跟蹤問題視為特征跟蹤問題。在大多數(shù)情況下,在應(yīng)用背景減法或基于學(xué)習(xí)的方法后,特征是車輛區(qū)域內(nèi)的二進(jìn)制或灰度值。當(dāng)跟蹤被視為光流問題時,通常會考慮KLT特征或拐角,分析車輛區(qū)域內(nèi)的運(yùn)動矢量。其他方法跟蹤特征是二進(jìn)制模式、邊緣或SIFT/SURF描述符。
其次,還可以找到專注于跟蹤代表車輛區(qū)域的質(zhì)心方法,該區(qū)域可以被視為輪廓(凸殼或凹?xì)ぃ?,或一些模型,例如輪廓的凸殼[40]、橢圓[75]或擬合到檢測到的blob的邊界框。在任何情況下,使用質(zhì)心作為車輛的代表狀態(tài)是非常不可靠的。一方面,大多數(shù)blob檢測方法不是很精確,并且由于多個因素(陰影、重疊、接近物體等),車輛輪廓可能會在序列中變化。但即使在blob檢測非常精確(例如基于學(xué)習(xí))的情況下,透視的變化也意味著影響質(zhì)心位置的顯著變化。只有在檢測準(zhǔn)確且視角變化不相關(guān)的非常特殊的情況下(例如,在基于無人機(jī)的系統(tǒng)中),才有理由使用這種方法。
第三組方法是使用車輛的整個區(qū)域(基于輪廓或邊界框)來執(zhí)行跟蹤的方法。這是迄今為止使用最廣泛的方法。
最后,許多方法關(guān)注于車牌的跟蹤。不知何故,這種方法不計(jì)算車輛的速度,而是計(jì)算車牌的速度,因?yàn)檐嚺频囊苿优c車輛的移動是一致的,因此完全等效且完全有效。
大多數(shù)工作通過模板、區(qū)域或特征匹配/相關(guān)方法,解決了采用檢測跟蹤方法后的車輛跟蹤問題,通過檢測車輛在預(yù)定義區(qū)域或指示線上的交叉。這些方法解決了數(shù)據(jù)關(guān)聯(lián)問題(為每個軌跡的每個對象關(guān)聯(lián)唯一標(biāo)識符),但不過濾跟蹤對象的狀態(tài)。通過檢測方法進(jìn)行跟蹤的一種特殊情況是車牌,因?yàn)樗鼈冊试S使用光學(xué)字符識別(OCR)系統(tǒng)作為解決數(shù)據(jù)關(guān)聯(lián)問題的支持,使跟蹤系統(tǒng)更加穩(wěn)健。使用KLT特征進(jìn)行車輛檢測后,通常會跟蹤KLT以檢測光流。該方法僅適用于圖像之間的車輛位移較小的情況,這不適用于獲得準(zhǔn)確的速度測量。貝葉斯濾波的使用僅限于經(jīng)典的線性卡爾曼濾波器,該濾波器通常用于考慮恒定速度模型(不太適用于非常大的路段)。在[89]中,簡單在線和實(shí)時(排序)(基于卡爾曼濾波)跟蹤和擴(kuò)展版深度排序也被應(yīng)用。
車輛距離和速度估計(jì)
camera是生成投影到2D平面中的3D世界的離散化表示的傳感器,考慮到光學(xué)中心和像素之間的立體角,真實(shí)世界坐標(biāo)中的面積A隨距離Z呈二次增加(Apx為單個像素的面積):
單目系統(tǒng)的距離誤差:
fx為x軸的焦距,△X為已知目標(biāo)的尺寸,nm代表表示像素檢測誤差!為了使物體或其特征的距離估計(jì)誤差最小化,需要:使用望遠(yuǎn)鏡鏡頭(高焦距),因?yàn)檎`差隨著焦距的增加而減??;在立體系統(tǒng)中使用大的基線,或在單目系統(tǒng)中使用已知尺寸盡可能大的物體;當(dāng)車輛遠(yuǎn)離攝像機(jī)時,避免對其進(jìn)行測量,物體越近,距離估計(jì)誤差越小;
1.距離估計(jì)
雙目方法在真實(shí)世界坐標(biāo)系中測量距離是精確估計(jì)車速需要解決的最關(guān)鍵問題,當(dāng)使用立體視覺時,這個任務(wù)很簡單[42、60、61、74、80、92、100、112]。對于每個檢測到的車輛,可以使用車輛區(qū)域中包含的像素的視差值直接獲得相對距離。然而由于實(shí)際應(yīng)用問題,雙目估計(jì)深度方案使用較少!單目方法對某些特征、物體或道路部分/路段的真實(shí)坐標(biāo)中的尺寸的了解是使用單目系統(tǒng)估計(jì)距離的基本問題。這通常被稱為將像素轉(zhuǎn)換為真實(shí)世界坐標(biāo)的比例因子。另一個常見要求是考慮平坦道路假設(shè)。如下圖所示,我們將基于單目的距離估計(jì)方法分為三組:
首先,基于指示線、增強(qiáng)線或區(qū)域[19、20、23、24、26、28、32、38、47、59、79、86、87、99、107、124]。這些方法不需要攝像機(jī)系統(tǒng)的校準(zhǔn),而是測量道路上兩條或多條虛擬線之間的實(shí)際距離,或道路區(qū)域的實(shí)際大小。
然后,距離估計(jì)問題被提出為一個檢測問題,其中每當(dāng)車輛穿過預(yù)定義的虛擬線或區(qū)域時,所有車輛都在相同的距離處被檢測。由于虛擬線或區(qū)域位于道路上,因此精確的距離估計(jì)涉及車輛某個部分的接觸點(diǎn)的精確位置。車輛的這一部分在第二個位置應(yīng)相同,以獲得速度的一致估計(jì)。由于透視約束、空間(取決于攝像機(jī)分辨率和攝像機(jī)到車輛的距離)和時間(取決于攝像頭幀速率和車輛速度)離散化問題、陰影等,這是一項(xiàng)需要解決的復(fù)雜任務(wù)。這些問題可以通過使用多條指示線來緩解[20,107]。其次,基于單應(yīng)性計(jì)算的方法將平面(道路)從3D投影空間線性變換為2D投影空間(攝像機(jī)圖像平面)。這樣,圖像可以轉(zhuǎn)換為鳥瞰圖(BEV),其中像素位移可以直接轉(zhuǎn)換為真實(shí)世界距離。這種方法最常用于固定系統(tǒng)和無人機(jī)系統(tǒng)。如下圖所示,單應(yīng)性的計(jì)算涉及攝像機(jī)的內(nèi)部和外部參數(shù)的校準(zhǔn)以及場景某些部分的真實(shí)尺寸的先前知識。生成的BEV圖像將所有對象視為在道路平面上,這意味著車輛形狀的變形。這并不特別重要,因?yàn)橛糜谟?jì)算距離的點(diǎn)通常對應(yīng)于車輛和道路之間的接觸點(diǎn),盡管由于系統(tǒng)的角度和道路上運(yùn)動的錯誤假設(shè),該假設(shè)并不完全準(zhǔn)確。與使用指示線相比,該方法的主要優(yōu)點(diǎn)是可以在道路上的任何點(diǎn)進(jìn)行車輛檢測,因此攝像機(jī)幀速率和車速不會對距離估計(jì)產(chǎn)生負(fù)面影響。然而,需要非常精確的系統(tǒng)校準(zhǔn)。
第三,基于距離估計(jì)公式的方法,根據(jù)物體的真實(shí)尺寸,包括車牌和車輛。一方面,基于車牌尺寸的方法對低meter像素比和像素定位誤差非常敏感。另一方面,基于車輛尺寸的此類方法需要應(yīng)用細(xì)粒度車輛模型分類系統(tǒng)[135],以識別特定模型并使用其特定尺寸。
2.速度計(jì)算
Time/distance between measurements一旦計(jì)算出車輛或其一部分的相對距離,速度計(jì)算就相對簡單了。因此,第一個要求與每個測量(或圖像)關(guān)聯(lián)特定的時間戳有關(guān)??梢允褂藐P(guān)于攝像機(jī)幀速率的先驗(yàn)知識。然而,對于每個記錄的圖像或從記錄系統(tǒng)時鐘(可以使用NTP服務(wù)器[80])獲取的測量值,包含特定的時間戳更為準(zhǔn)確和魯棒。根據(jù)攝像機(jī)姿態(tài)w.r.t.車輛和道路以及車輛速度,每輛車可獲得一組N個測量值。要做出的第一個決定是使用測量之間的距離來獲得速度值。然而,大多數(shù)工作建議使用連續(xù)測量(在第t幀和第t+1幀)來計(jì)算每輛車的速度值。如下圖所示,該技術(shù)傾向于提供噪聲值,因?yàn)榫嚯x誤差與車輛行駛的距離具有相同的數(shù)量級:
在使用非連續(xù)圖像的情況下,論文區(qū)分了幾種技術(shù)。首先,使用測量之間的固定距離或區(qū)域(例如,使用指示線或區(qū)域的方法)。第二,使用測量之間的預(yù)定義幀數(shù)或固定時間間隔(它們是等效的)。其他方法使用車輛第一次和最后一次檢測之間的最大可能距離。最后,可以確定一些利用兩個不同攝像機(jī)[80]或無人機(jī)攝像機(jī)[106]的不同視角進(jìn)行車輛檢測的技術(shù)。測量積分一旦計(jì)算出車輛的所有N個速度值,下一步要做的決定是如何積分所有測量值以計(jì)算最終車輛速度。請注意,所有基于虛擬指示線或區(qū)域的方法都是基于單次觸發(fā)(N=1),因此嚴(yán)格來說,不應(yīng)用測量積分,這種方法通常稱為平均速度檢測。大多數(shù)方法執(zhí)行瞬時速度檢測,即計(jì)算車速并將其作為每對測量的輸出,無論是連續(xù)的還是非連續(xù)的。在某些情況下,瞬時速度使用不同的技術(shù)進(jìn)行濾波,如移動平均[98]、多項(xiàng)式濾波[129]或使用特定跟蹤器(例如卡爾曼濾波器)。另一種常見方法是計(jì)算所有可用(N)速度測量值的平均值。在[80]中,僅使用對應(yīng)于最小系統(tǒng)速度誤差的最佳速度值計(jì)算平均值。
數(shù)據(jù)集和評測標(biāo)準(zhǔn)
1.數(shù)據(jù)集
相關(guān)數(shù)據(jù)集較少,主要包括 AI CITY CHALLENGE(英偉達(dá))、BrnoCompSpeed、 UTFPR dataset、QMUL junction dataset等!
2.評測標(biāo)準(zhǔn)
為了測量系統(tǒng)產(chǎn)生的速度誤差,有必要使用度量來明確評估其準(zhǔn)確性。最常用的度量是絕對或相對平均絕對誤差(MAE),以百分比表示。MAE通常提供有其他變量,例如標(biāo)準(zhǔn)偏差或其他統(tǒng)計(jì)度量,以限制速度估計(jì)系統(tǒng)的精度。
除了MAE,還可以找到其他度量,其中計(jì)算數(shù)學(xué)函數(shù)的總誤差,包括并建模速度檢測系統(tǒng)的誤差源,如像素檢測誤差、長度測量誤差或攝像機(jī)校準(zhǔn)誤差。利用這些已知誤差,以及一些誤差傳播技術(shù),例如使用偏導(dǎo)數(shù)的不確定性傳播,可以精確地獲得總系統(tǒng)誤差。
最后,均方誤差(MSE)和均方根誤差(RMSE)的使用已在幾項(xiàng)工作中提出。MSE/RMSE使用這兩個值之間的平方差之和來測量估計(jì)值和被測量值之間的“距離”。在某些工程中,該方法用于測量相對距離誤差,最后測量速度誤差,即實(shí)際值與計(jì)算值之間的絕對差。