汽车行业内饰感知中的背景-前景分割
计算机视觉与模式识别
2021-09-21 v1 机器学习
摘要
为确保自动驾驶中的安全性，对车内状况的正确感知与其外部环境感知同样重要。因此，座椅占用检测及对所检测实例的分类在内饰感知中起着重要作用。通过知晓座椅占用状态，可以例如自动化安全气囊展开控制。此外，可以验证驾驶员的存在，而这对于自动化等级二至四的partially automated driving（部分自动驾驶）汽车是必要的。在本工作中，我们比较了图像分割领域中不同的统计方法来解决基于摄像头的内饰感知中的背景-前景分割问题。近年来，基于不同技术的若干方法已被开发并应用于不同应用的图像或视频。内饰感知给定场景的特殊之处在于，前景实例和背景都包含静态以及动态元素。在本文考虑的数据中，甚至摄像头位置也并非完全固定。我们回顾并基准测试了三种不同的方法，即高斯混合模型（GMM）、形态学蛇以及深度神经网络 Mask R-CNN。特别地，展示了经典方法 GMM 和形态学蛇在内饰感知中的局限性。此外，结果表明可以通过深度学习克服这些局限性，例如使用 Mask R-CNN。尽管只有少量 ground truth（真值）数据可用于训练，我们使 Mask R-CNN 能够通过迁移学习生成高质量背景-前景掩码。此外，我们证明了某些增强以及前处理和后处理方法进一步提升了所研究方法的性能。
引用
@article{arxiv.2109.09410,
title = {Background-Foreground Segmentation for Interior Sensing in Automotive Industry},
author = {Claudia Drygala and Matthias Rottmann and Hanno Gottschalk and Klaus Friedrichs and Thomas Kurbiel},
journal= {arXiv preprint arXiv:2109.09410},
year = {2021}
}