基于运动历史图像与深度残差网络的骑行者起步意图检测
计算机视觉与模式识别
2018-03-07 v1 机器学习
摘要
本文提出一种基于运动历史图像（MHIs）在真实交通场景中检测骑行者起步运动的新方法。该方法采用具有残差网络架构（ResNet）的深度卷积神经网络（CNN），该架构常用于图像分类与检测任务。通过将 MHIs 与 ResNet 分类器结合并对 MHIs 逐帧分类，我们能够在图像序列中检测起步运动。检测使用部署于城市交叉口的广角立体相机系统完成。我们将所提算法与一种已有的行人运动转换检测方法进行比较，后者结合 MHIs 与类方向梯度直方图（HOG）描述子及支持向量机（SVM），我们将其改造以适用于骑行者。为训练与评估这些方法，我们构建了包含 394 个骑行者起步运动 MHIs 的数据集。结果表明两种方法均可用于检测骑行者起步运动。采用 SVM 方法，我们能在自行车开始移动后平均 0.506 s 安全地检测到起步运动，F1 分数为 97.7%。ResNet 方法在平均 0.144 s 的检测时间下取得了 100% 的 F1 分数。ResNet 方法在抗误检鲁棒性与检测时间两方面均优于 SVM 方法。
引用
@article{arxiv.1803.02242,
title = {Early Start Intention Detection of Cyclists Using Motion History Images and a Deep Residual Network},
author = {Stefan Zernetsch and Viktor Kress and Bernhard Sick and Konrad Doll},
journal= {arXiv preprint arXiv:1803.02242},
year = {2018}
}