基于增强置信度图的鲁棒快速车辆检测
计算机视觉与模式识别
2023-05-01 v1 机器学习
摘要
实时场景中的车辆检测具有挑战性，因为存在时间约束以及多种不同类型、速度、形状、结构等车辆的共存。本文提出一种依赖于生成置信度图的新方法，用于鲁棒且更快速的车辆检测。为了减少不同速度、形状、结构以及单幅图像中多个车辆存在的不利影响，我们引入增强概念以突出包含车辆的目标区域。增强图通过探索多分辨率分析与最大稳定极值区域(MR-MSER)的组合生成。MR-MSER的输出被送入快速CNN以生成置信度图，从而得到候选区域。此外，不同于现有实现复杂模型进行车辆检测的模型，我们探索粗糙集与基于模糊的模型之组合以实现鲁棒车辆检测。为展示所提方法的有效性，我们在无人机捕获的数据集以及若干车辆检测基准数据集（即KITTI和UA-DETRAC）上进行实验。在我们的数据集和基准数据集上的结果表明，所提方法在时间效率上优于现有方法，并取得了良好的检测率。
引用
@article{arxiv.2304.14462,
title = {Robust and Fast Vehicle Detection using Augmented Confidence Map},
author = {Hamam Mokayed and Palaiahnakote Shivakumara and Lama Alkhaled and Rajkumar Saini and Muhammad Zeshan Afzal and Yan Chai Hum and Marcus Liwicki},
journal= {arXiv preprint arXiv:2304.14462},
year = {2023}
}