利用偏振材料线索实现稳健的车辆检测

车辆检测是一项重要任务，是许多自动驾驶功能的关键前提。光照/天气条件的大幅变化以及场景中车辆密度对现有车辆检测算法提出了重大挑战，以满足对安全性的高精度感知需求，因为颜色信息不稳定/有限，阻碍了车辆有意义/判别性特征的提取。在这项工作中，我们提出了一种新颖的基于学习的车辆检测方法，利用三色线性偏振作为额外线索来消除此类困难情况。一个关键观察是，偏振作为光波的特征，可以在各种成像条件下稳健地描述场景物体的内在物理性质，并且与车辆（例如金属和玻璃）及其周围环境（例如土壤和树木）的材料性质密切相关，从而为挑战性场景中的稳健车辆检测提供可靠且判别性的特征。为了利用偏振线索，我们首先构建了一个像素对齐的RGB-偏振车辆检测数据集，随后用于训练一种新颖的多模态融合网络。我们的车辆检测网络以请求和补充的方式动态集成RGB和偏振特征，并能够跨所有学习样本探索车辆的固有材料属性。我们广泛验证了我们的方法，并证明它优于最先进的检测方法。实验结果表明，偏振是车辆检测的一个强大线索。