Stixel世界：交通场景的中级表示
计算机视觉与模式识别
2017-04-04 v1
摘要
高级驾驶辅助系统的最新进展以及朝向自动驾驶车辆的竞赛主要由两个因素驱动：(1) 日益复杂的算法，其解释车辆周围环境并相应做出反应；(2) 传感器技术本身的持续改进。就相机而言，这些改进通常包括更高的空间分辨率，这进而需要处理更多数据。为覆盖车辆整个周边而添加多个相机的趋势在这方面并无助益。同时，越来越多专用算法需要访问传感器输入数据以正确解释可能发生的各种复杂情况，尤其是在城市交通中。通过观察这些趋势，很明显智能车辆中视觉架构的一个关键挑战是共享计算资源。我们认为应通过引入一种感官数据的表示来应对该挑战，该表示提供对场景中所有相关视觉内容的压缩且结构化的访问。本文讨论的Stixel世界就是这样一种表示。它是环境的中级模型，专门设计用于通过利用室外交通场景的典型布局来压缩关于障碍物的信息。已证明其对众多汽车视觉应用有用，包括目标检测、跟踪、分割和建图。本文中，我们总结了该模型背后的思想，并将其推广以考虑多个密集输入流：图像本身、立体深度图以及可由例如CNNs生成的语义类别概率图。我们的推广嵌入到Stixel模型的一种新数学公式中。我们进一步勾勒了如何使用结构化SVMs学习该模型的自由参数。
引用
@article{arxiv.1704.00280,
title = {The Stixel world: A medium-level representation of traffic scenes},
author = {Marius Cordts and Timo Rehfeld and Lukas Schneider and David Pfeiffer and Markus Enzweiler and Stefan Roth and Marc Pollefeys and Uwe Franke},
journal= {arXiv preprint arXiv:1704.00280},
year = {2017}
}
备注
Accepted for publication in Image and Vision Computing