CamLoc：基于资源受限智能摄像头姿态估计的行人位置检测
计算机视觉与模式识别
2019-01-01 v1
摘要
节能硬件技术的最新进展正推动物联网（IoT）领域呈指数级增长，越来越多的计算在靠近数据生成源的位置执行。一系列执行本地检测的智能设备和应用正在涌现（活动识别、健身监测等），它们带来了明显的优势，例如降低检测延迟以改善设备交互，以及通过数据不出设备来保护用户数据。视频处理在物联网领域的许多新兴应用和数据标注中具有实用价值。然而，在边缘端使用深度神经网络进行视频处理并非易事。在本文中，我们展示了在算力受限的固定摄像头设备上，使用深度神经网络实现行人位置估计是可行的。我们的方法通过关键点身体部位检测进行姿态估计，以在行人全身不在图像中（被障碍物遮挡或部分在画面外）时扩展行人骨架，与在行人上拟合边界框并缩放相比，取得了更好的位置估计性能（推理时间和内存占用）。我们收集了一个规模可观的数据集，包含来自一台和两台以不同角度对准场景的监控摄像头所拍摄视频中的超过2100帧，并在42种不同的活动和遮挡场景下为每帧标注了行人在图像中的精确位置。我们将基于姿态估计的位置检测与流行的检测算法YOLOv2在重叠边界框生成方面进行比较，我们的方案在嵌入式设备的资源能力范围内实现了更快的推理时间（15倍加速）和一半的内存占用，这表明CamLoc是智能摄像头视频位置估计的高效解决方案。
引用
@article{arxiv.1812.11209,
title = {CamLoc: Pedestrian Location Detection from Pose Estimation on Resource-constrained Smart-cameras},
author = {Adrian Cosma and Ion Emilian Radoi and Valentin Radu},
journal= {arXiv preprint arXiv:1812.11209},
year = {2019}
}