9、基于深度学习计算机视觉的SHRP2 NDS视频工作区检测

基于深度学习计算机视觉的SHRP2 NDS视频工作区检测

1. 引言

美国联邦公路管理局（FHWA）创建并持续资助了第二次战略公路研究计划（SHRP2）。该计划的主要安全相关成果是开展了大规模自然驾驶研究（NDS），此研究在各种真实道路和环境条件下收集了人类驾驶员和车辆的特定数据。志愿者驾驶的车辆配备了两个外部和两个内部摄像头、前向雷达以及一个数据采集系统（DAS），用于从车辆的CAN总线收集遥测数据（如转向角度、加速度等）。2012年至2015年间，来自六个州的3500多名驾驶员参与了数据收集，涵盖了超过五百万次行程，录制了超过一百万小时的视频。

与NDS互补的项目是道路信息数据库（RID）的创建，它包含了NDS驾驶员行驶过的美国道路网络部分的静态特征，如车道数量、十字路口转弯车道类型、高速公路路段是否有减速带等。自SHRP2启动以来，确定NDS行程中是否存在工作区一直是研究人员期望获取的信息。

此前将工作区出现情况与RID中的道路信息进行整合的尝试并未成功，因为这些尝试依赖于参与州交通运输部门提供的511交通数据。511数据只能提供有限信息，仅表明在给定时间段内哪些高速公路的哪些路段计划进行施工，无法确定志愿者驾驶员行驶的特定高速公路路段在其行驶时是否实际存在施工设备。在某些情况下，研究人员使用511数据识别可能包含工作区的行程及其相关视频，但往往需要手动浏览视频，有时能找到目标，有时则不能。此外，六个参与州中有一个未能提供关于工作区的511级数据，这使得从视频中提取事件成为这些行程的唯一选择。

为解决这些问题，我们推出了SHRP2 NDS视频分析（SNVA）软件应用程序，旨在对NDS视频数据集中的工作区出现情况进行全面、准确的统计。SNVA结合了基于FF