基于多深度CNN架构的商用车盲区碰撞检测系统
计算机视觉与模式识别
2022-08-22 v2 图像与视频处理
摘要
由于体型庞大，公交车与重型车辆相较于汽车及其他道路车辆具有更多盲区。因此，这类重型车辆引发的事故更为致命，并导致其他道路使用者严重受伤。这些可能的盲区碰撞可通过基于视觉的目标检测方法来早期识别。然而，现有的最先进（state-of-the-art）基于视觉的目标检测模型严重依赖单一特征描述符进行决策。在本研究中，提出基于高级特征描述符的两种卷积神经网络（CNN）的设计，并将其与faster R-CNN集成以检测重型车辆的盲区碰撞。此外，提出一种融合方法，集成两个预训练网络（即Resnet 50与Resnet 101）以提取用于盲区车辆检测的高级特征。特征融合显著提升了faster R-CNN的性能，并优于现有的最先进方法。两种方案均在我们自记录的公交车盲区车辆检测数据集与在线LISA车辆检测数据集上验证。对于两种提出的方法，在自记录数据集上分别获得3.05%与3.49%的误检率（FDR），使这些方案适用于实时应用。
引用
@article{arxiv.2208.08224,
title = {Blind-Spot Collision Detection System for Commercial Vehicles Using Multi Deep CNN Architecture},
author = {Muhammad Muzammel and Mohd Zuki Yusoff and Mohamad Naufal Mohamad Saad and Faryal Sheikh and Muhammad Ahsan Awais},
journal= {arXiv preprint arXiv:2208.08224},
year = {2022}
}