Automatic vehicle trajectory data reconstruction at scale

要約

車両の軌跡データは、過去数十年にわたって研究の注目を集めてきました。
高解像度ビデオ カメラ、車載レーダー、ライダーなどのセンシング技術の向上により、豊富な個人および状況に応じた交通データが利用できるようになりました。
ただし、データ量は膨大ですが、ノイズや系統的なセンシング エラーのために、それ自体では交通調査の用途が限られているため、データの品質を確保するために適切な処理が必要です。
交通監視カメラがますます普及しているため、ビデオカメラから高解像度の車両軌跡データを抽出することに特に注意を払っています。
自動ビデオ処理アルゴリズムからの「生の」車両検出および追跡情報を考慮して、自動軌道データ調整の方法を検討します。
a) グラフの最小コスト ネットワーク フロー問題として定式化された、同じオブジェクト (車両) に関連付けられたフラグメントを照合するためのオンライン データ関連付けアルゴリズム、および b) として定式化された軌跡調整法を含むパイプラインを提案します。
生の検出データを強化するための二次プログラム。
パイプラインは、車両のダイナミクスと物理的な制約を活用して、追跡対象が断片化したときにそれらを関連付け、軌道上の測定ノイズを除去し、断片化による欠落データを補完します。
精度は、手動でラベル付けされたデータのサンプルでベンチマークされます。これは、調整された軌跡が、さまざまな測定値についてテストされたすべての入力データの精度を向上させることを示しています。
調停パイプラインのオンライン バージョンが実装され、テネシー州ナッシュビル近くの州間高速道路 24 号線の 4 マイルにわたる範囲をカバーするカメラ ネットワーク上で動作する継続的なビデオ処理システムに適用されます。

要約(オリジナル)

Vehicle trajectory data has received increasing research attention over the past decades. With the technological sensing improvements such as high-resolution video cameras, in-vehicle radars and lidars, abundant individual and contextual traffic data is now available. However, though the data quantity is massive, it is by itself of limited utility for traffic research because of noise and systematic sensing errors, thus necessitates proper processing to ensure data quality. We draw particular attention to extracting high-resolution vehicle trajectory data from video cameras as traffic monitoring cameras are becoming increasingly ubiquitous. We explore methods for automatic trajectory data reconciliation, given ‘raw’ vehicle detection and tracking information from automatic video processing algorithms. We propose a pipeline including a) an online data association algorithm to match fragments that are associated to the same object (vehicle), which is formulated as a min-cost network flow problem of a graph, and b) a trajectory reconciliation method formulated as a quadratic program to enhance raw detection data. The pipeline leverages vehicle dynamics and physical constraints to associate tracked objects when they become fragmented, remove measurement noise on trajectories and impute missing data due to fragmentations. The accuracy is benchmarked on a sample of manually-labeled data, which shows that the reconciled trajectories improve the accuracy on all the tested input data for a wide range of measures. An online version of the reconciliation pipeline is implemented and will be applied in a continuous video processing system running on a camera network covering a 4-mile stretch of Interstate-24 near Nashville, Tennessee.

arxiv情報

著者 Yanbing Wang,Derek Gloudemans,Zi Nean Teoh,Lisa Liu,Gergely Zachár,William Barbour,Daniel Work
発行日 2022-12-15 15:39:55+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CV, cs.DS パーマリンク