基于卷积神经网络的交通标志检测与边界同步估计
计算机视觉与模式识别
2018-02-28 v1
摘要
我们提出了一种新颖的交通标志检测系统，利用卷积神经网络（CNN）同时估计交通标志的位置和精确边界。在智能车辆导航系统中，交通标志可用作道路环境的3D地标，因此估计其精确边界十分重要。以往的交通标志检测系统，包括近期基于CNN的方法，仅将交通标志的边界框作为输出，因而需要轮廓估计或图像分割等额外处理才能获得精确的标志边界。本文将交通标志的边界估计表述为一个2D位姿与形状类别预测问题，并通过单个CNN有效求解。根据输入图像中目标交通标志的预测2D位姿与形状类别，我们将相应模板标志图像的边界投影到输入图像平面来估计目标标志的实际边界。通过将边界估计问题表述为基于CNN的位姿与形状预测任务，我们的方法是端到端可训练的，并且比依赖轮廓估计或图像分割的其他边界估计方法对遮挡和小目标更具鲁棒性。所提方法通过架构优化提供了准确的交通标志边界估计，且计算高效，在低功耗移动平台上显示出高于每秒7帧的检测帧率。
引用
@article{arxiv.1802.10019,
title = {Simultaneous Traffic Sign Detection and Boundary Estimation using Convolutional Neural Network},
author = {Hee Seok Lee and Kang Kim},
journal= {arXiv preprint arXiv:1802.10019},
year = {2018}
}
备注
Accepted for publication in IEEE Transactions on Intelligent Transportation Systems