结合 LiDAR 空间聚类与卷积神经网络的行人检测
计算机视觉与模式识别
2017-10-18 v1
摘要
行人检测是自动驾驶汽车安全以及交通和街道监控的重要组成部分。关于该主题已有广泛的基准测试，且在应用于真实用例场景时已被证明是一项具有挑战性的问题。在纯基于图像的行人检测方法中，最先进的结果已通过卷积神经网络取得，而令人惊讶的是，极少有检测框架建立在多线索方法之上。在本工作中，我们开发了一种用于自动驾驶汽车的新型行人检测器，该检测器在视觉信息之外还利用了 LiDAR 数据。在所提出的方法中，LiDAR 数据被用于通过处理其提供的三维点云来生成候选区域。随后，这些候选区域由我们针对行人检测进行过微调的最先进 CNN 分类器作进一步处理。我们在 KITTI 数据集上对所提出的检测流程进行了广泛评估。实验结果表明，所提出的 LiDAR 空间聚类方法提供了一种非常高效的候选区域生成方式，从而带来更高的召回率和更少的行人检测漏检。这表明 LiDAR 数据可以为基于 CNN 的方法提供辅助信息。
引用
@article{arxiv.1710.06160,
title = {Combining LiDAR Space Clustering and Convolutional Neural Networks for Pedestrian Detection},
author = {Damien Matti and Hazım Kemal Ekenel and Jean-Philippe Thiran},
journal= {arXiv preprint arXiv:1710.06160},
year = {2017}
}