面向智能车辆的鲁棒视频坑洞检测与面积估计：结合深度图与卡尔曼平滑
计算机视觉与模式识别
2025-05-28 v1
摘要
道路坑洞对驾驶安全与舒适性构成严重威胁，使其检测与评估成为自动驾驶等领域的关键任务。驾驶车辆时，操作人员通常会避开较大的坑洞，并减速通过较小的坑洞以确保安全。因此，准确估计坑洞面积至关重要。现有大多数基于视觉的方法依赖距离先验来构建几何模型。然而，其性能易受相机角度变化的影响，且通常依赖于平坦路面的假设，在复杂的真实世界环境中可能导致显著误差。为解决这些问题，本文提出了一种鲁棒的坑洞面积估计框架，将目标检测与单目深度估计集成于视频流中。首先，为增强坑洞特征提取并改善小坑洞的检测，提出了结合 ACmix 模块和小目标检测头的 ACSH-YOLOv8。然后，利用 BoT-SORT 算法进行坑洞跟踪，同时 DepthAnything V2 为每帧生成深度图。利用获得的深度图和坑洞标签，提出了一种用于坑洞面积估计的新型最小边界三角像素（MBTP）方法。最后，开发了基于置信度与距离的卡尔曼滤波器（CDKF），以保持连续帧间估计结果的一致性。结果表明，ACSH-YOLOv8 模型实现了 76.6% 的 AP(50)，较 YOLOv8 提升了 7.6%。通过 CDKF 在连续帧间的优化，坑洞预测变得更加鲁棒，从而增强了该方法的实际适用性。
引用
@article{arxiv.2505.21049,
title = {Robust Video-Based Pothole Detection and Area Estimation for Intelligent Vehicles with Depth Map and Kalman Smoothing},
author = {Dehao Wang and Haohang Zhu and Yiwen Xu and Kaiqi Liu},
journal= {arXiv preprint arXiv:2505.21049},
year = {2025}
}