Please wait a minute...
 首页  期刊介绍 期刊订阅 联系我们 横山亮次奖 百年刊庆
 
最新录用  |  预出版  |  当期目录  |  过刊浏览  |  阅读排行  |  下载排行  |  引用排行  |  横山亮次奖  |  百年刊庆
清华大学学报(自然科学版)  2017, Vol. 57 Issue (5): 491-496    DOI: 10.16511/j.cnki.qhdxxb.2017.22.026
  汽车工程 本期目录 | 过刊浏览 | 高级检索 |
基于候选区域选择及深度网络模型的骑车人识别
李晓飞1, 许庆1, 熊辉1,2, 王建强1, 李克强1
1. 清华大学 汽车安全与节能国家重点实验室, 北京 100084;
2. 北京航空航天大学 软件学院, 北京 100191
Cyclist detection based on detection proposals and deep convolutional neural networks
LI Xiaofei1, XU Qing1, XIONG Hui1,2, WANG Jianqiang1, LI Keqiang1
1. State Key Laboratory of Automotive Safety and Energy, Tsinghua University, Beijing 100084, China;
2. School of Software, Beihang University, Beijing 100191, China
全文: PDF(2881 KB)  
输出: BibTeX | EndNote (RIS)      
摘要 基于骑车人目标识别的骑车人保护系统是保护道路环境中骑车人的重要手段。该文提出了骑车人目标的候选区域选择方法,并结合基于深度卷积神经网络的目标分类与定位方法,实现了骑车人目标的有效识别。候选区域选择方法可分为3部分:骑车人共有显著性区域检测、基于冗余策略的候选区域生成和基于车载视觉几何约束的候选区域选择。在公开的骑车人数据库上进行的对比试验表明:相对于现有的目标候选区域选择及目标识别方法,该方法显著提升了骑车人目标的识别率及识别精度,进而验证了该方法的有效性。
服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
李晓飞
许庆
熊辉
王建强
李克强
关键词 目标识别骑车人识别目标候选区域选择卷积神经网络    
Abstract:Cyclist protection systems based on cyclist detection methods are needed to protect cyclists from road traffic. This paper presents a detection proposal method and a cyclist detection method using deep convolutional neural networks to classify and locate cyclists. The detection proposal method uses cyclist shared salient region detection, redundancy-based detection and geometric constraint-based detection. Tests using a public cyclist dataset show that this method significantly outperforms state-of-the-art detection proposals, which verifies the effectiveness of this method.
Key wordsobject detection    cyclist detection    detection proposal    convolutional neural network
收稿日期: 2016-04-24      出版日期: 2017-05-20
ZTFLH:  TP391.4  
通讯作者: 李克强,教授,E-mail:likq@tsinghua.edu.cn     E-mail: likq@tsinghua.edu.cn
引用本文:   
李晓飞, 许庆, 熊辉, 王建强, 李克强. 基于候选区域选择及深度网络模型的骑车人识别[J]. 清华大学学报(自然科学版), 2017, 57(5): 491-496.
LI Xiaofei, XU Qing, XIONG Hui, WANG Jianqiang, LI Keqiang. Cyclist detection based on detection proposals and deep convolutional neural networks. Journal of Tsinghua University(Science and Technology), 2017, 57(5): 491-496.
链接本文:  
http://jst.tsinghuajournals.com/CN/10.16511/j.cnki.qhdxxb.2017.22.026  或          http://jst.tsinghuajournals.com/CN/Y2017/V57/I5/491
  图1 本文骑车人识别方法的架构示意图
  图2 骑车人显著性区域定义
  图3 骑车人显著性区域与多个候选区域的关系示意图
  图4 图像坐标系与世界坐标系之间的映射关系
  图5 不同难度等级测试数据集下不同候选区域选择方法的重叠率阈值召回率曲线
  表1 不同难度等级测试数据集下不同骑车人识别方法的平均精度
  图6 不同难度等级测试数据集下不同骑车人识别方法的召回率精度曲线
[1] Toroyan T. WHO Global Status Report on Road Safety 2015 [R]. Geneva: World Health Organization, 2015.
[2] Geronimo D, Lopez A M, Sappa A D, et al. Survey of pedestrian detection for advanced driver assistance systems [J]. IEEE Trans on PAMI, 2010, 32(7): 1239-1258.
[3] LI Tong, CAO Xianbin, XU Yanwu. An effective crossing cyclist detection on a moving vehicle [C]//Proc 8th Intelligent Control and Automation. Jinan, 2010: 368-372.
[4] 岳昊, 邵春福, 赵熠. 基于 BP 神经网络的行人和自行车交通识别方法[J]. 北京交通大学学报, 2008, 32(3): 46-49.YUE Hao, SHAO Chunfu, ZHAO Yi. A study on pedestrian and cyclist recognition based on BP neural network [J]. Journal of Beijing Jiaotong University, 2008, 32(3): 46-49. (in Chinese)
[5] Cho H, Rybski P E, ZHANG Wende. Vision-based bicyclist detection and tracking for intelligent vehicles [C]//Proc IEEE IV. San Diego, 2010: 454-461.
[6] YANG Kai, LIU Chao, ZHENG Jiangyu, et al. Bicyclist detection in large scale naturalistic driving video [C]//Proc IEEE ITSC. Tsingtao, 2014: 1638-1643.
[7] TIAN Wei, Lauer M. Fast cyclist detection by cascaded detector and geometric constraint [C]//Proc IEEE ITSC. Canary Islands, 2015: 1286-1291.
[8] LI Xiaofei, Flohr F, YANG Yue, et al. A new benchmark for vision-based cyclist detection [C]//Proc IEEE IV. Gothenburg, 2016: 1028-1033.
[9] Nam W, Dollár P, Han J H. Local decorrelation for improved pedestrian detection [C]//Proc NIPS. Montreal, 2014: 424-432.
[10] Duda R O, Hart P E, Stork D G. Pattern Classification [M]. New York: John Wiley & Sons, 2012.
[11] Girshick R, Donahue J, Darrell T, et al. Region-based convolutional networks for accurate object detection and segmentation [J]. IEEE Trans on PAMI, 2016, 38(1): 142-158.
[12] Girshick R. Fast R-CNN [C]//Proc IEEE ICCV. Santiago, 2015: 1440-1448.
[13] Uijlings J, Sande K, Gevers T, et al. Selective search for object recognition [J]. Int J Comput Vis, 2010, 104(2): 154-171.
[14] Dollár P, Zitnick C L. Fast edge detection using structured forests [J]. IEEE Trans on PAMI, 2015, 37(8): 1558-1570.
[1] 艾斯卡尔·肉孜, 殷实, 张之勇, 王东, 艾斯卡尔·艾木都拉, 郑方. THUYG-20:免费的维吾尔语语音数据库[J]. 清华大学学报(自然科学版), 2017, 57(2): 182-187.
[2] 杨莹春, 邓立才. 基于GMM托肯配比相似度校正得分的说话人识别[J]. 清华大学学报(自然科学版), 2017, 57(1): 28-32.
[3] 聂鼎, 安雪晖. 基于图像处理的净浆扩展度测量工具开发[J]. 清华大学学报(自然科学版), 2016, 56(12): 1249-1254.
[4] 田垚, 蔡猛, 何亮, 刘加. 基于深度神经网络和Bottleneck特征的说话人识别系统[J]. 清华大学学报(自然科学版), 2016, 56(11): 1143-1148.
[5] 郑军, 魏海永. 基于白化变换及曲率特征的3维物体识别及姿态计算[J]. 清华大学学报(自然科学版), 2016, 56(10): 1025-1030.
[6] 陈宝华, 邓磊, 段岳圻, 陈志祥, 周杰. 三维重建中的多模型融合:克服光照和尺度影响[J]. 清华大学学报(自然科学版), 2016, 56(9): 969-973.
[7] 谢颖, 杨向东, 芮晓飞, 任书楠, 陈恳. 圆柱透视投影轮廓的隐式方程描述和拟合方法[J]. 清华大学学报(自然科学版), 2016, 56(6): 640-645.
[8] 王晶, 王昊. 融合局部特征和全局特征的视频拷贝检测[J]. 清华大学学报(自然科学版), 2016, 56(3): 269-272.
[9] 褚洪洋, 柴跃廷, 刘义. 基于层次分裂算法的价格指数序列聚类[J]. 清华大学学报(自然科学版), 2015, 55(11): 1178-1183.
[10] 路海明, 王一娇, 谢朝霞. 基于向量场的深度计算方法[J]. 清华大学学报(自然科学版), 2015, 55(8): 916-920.
[11] 杨向东, 芮晓飞, 谢颖. 基于高效Hough变换的圆柱特征检测方法[J]. 清华大学学报(自然科学版), 2015, 55(8): 921-926.
[12] 姜志威, 丁晓青, 彭良瑞. 针对无切分维吾尔文文本行识别的字符模型优化[J]. 清华大学学报(自然科学版), 2015, 55(8): 873-877,883.
[13] 肖熙, 王竞千. 基于网格的语音关键词检索算法改进[J]. 清华大学学报(自然科学版), 2015, 55(5): 508-513.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
版权所有 © 《清华大学学报(自然科学版)》编辑部
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn