YoFlow:基于场景合成与光流分析的V2V事故自动检测新方法
《IEEE Open Journal of Intelligent Transportation Systems》:YoFlow Method for Scenario Based Automatic Accident Detection
【字体:
大
中
小
】
时间:2025年12月08日
来源:IEEE Open Journal of Intelligent Transportation Systems 5.3
编辑推荐:
本研究针对道路事故检测中真实数据稀缺的挑战,提出了一种基于PEGASUS场景生成框架和BeamNG.tech模拟平台的合成数据生成方法,构建了包含1,961个交叉路口事故视频的SB-SIF数据集。团队开发了融合YOLOv8目标检测与CUDA加速稠密光流的YoFlow系统,通过XGBoost分类器实现了94%召回率和90%精确度的事故识别,为基础设施型智能交通监控提供了可复现的评估基准。
在全球范围内,交通事故每年导致约119万人死亡,尤其对年轻群体构成主要死亡威胁。传统车载自动紧急呼叫系统(AECS)受限于车辆设备普及率,而基于路侧单元(RSU)摄像头的监控系统又面临人工监控效率低下的困境。尽管视觉自动事故检测(AAD)算法取得进展,但真实事故视频的稀缺性严重制约了算法开发,《IEEE Open Journal of Intelligent Transportation Systems》最新研究通过创新性的合成数据生成框架突破了这一瓶颈。
研究团队开创性地将汽车工业领域PEGASUS场景测试方法引入交通领域,基于德国事故统计筛选出五种典型交叉路口碰撞场景(直行穿越路径、左转横向碰撞等),利用BeamNG.tech物理引擎的软体碰撞模型生成高真实度事故视频。最终构建的SB-SIF数据集包含914起碰撞、123起险肇事件和924例正常交通视频,成为目前规模最大的合成事故数据集。
技术方法核心包含:基于德国事故数据库的GDV标准场景分类、BeamNG.tech平台参数化轨迹控制、YOLOv8-ByteTrack多目标跟踪系统、CUDA加速Farneback稠密光流算法,以及结合方向暴力流(OViF)描述符的XGBoost分类器设计。通过定向光流特征提取和信号熵值分析,系统能有效捕捉车辆运动的突变特征。
成功提取3,497条车辆轨迹数据(覆盖率89%),数据集按8:1:1划分训练验证测试集。静态感兴趣区域(ROI)设计有效隔离相邻车辆光流干扰,优于传统边界框方法。
测试集(n=350)显示模型综合召回率94%、精确度90%、AUC值0.98。场景2和场景4表现最佳(召回率97%),而场景5的后端碰撞检测因低速事件易误判为正常减速(误报率12%)。方向分布熵值特征有效量化运动轨迹紊乱程度。
与GTA-V(MP-RAD数据集)和CARLA(CTAD数据集)相比,BeamNG.tech的精确损伤模型提供更真实的物理模拟。场景化测试框架为算法可解释性评估建立新标准,但德国事故数据的地域特性需通过跨数据集验证拓展泛化能力。
研究证实基于合成数据的AAD开发路径可行性,YoFlow系统通过光流向量时空分析实现事故精准识别。该方法为智能交通监控系统提供可复现的基准框架,未来工作将聚焦弱势道路使用者事故检测及真实场景迁移挑战。数据集公开于Zenodo平台(DOI: 10.5281/zenodo.15267252),推动交通安全研究可重复性发展。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号