تشخیص عابر پیاده چند مقیاس در زمان واقعی برای سیستم های کمک به راننده

این هشدار با موفقیت اضافه شده است و به شما ارسال می شود: هر زمان که رکوردی که انتخاب کرده اید استناد شده است ، به شما اطلاع داده می شود.

برای مدیریت تنظیمات برگزیده هشدار خود ، روی دکمه زیر کلیک کنید. هشدارهای من را مدیریت کنید

هشدار استناد جدید!

لطفا وارد حساب کاربری خود شوید

صرفه جویی در اتصال

نام

DAC '17: مجموعه مقالات 54 مین کنفرانس سالانه اتوماسیون طراحی 2017

تشخیص عابر پیاده چند مقیاس در زمان واقعی برای سیستم های کمک به راننده صفحات 1-6

خلاصه

تشخیص عابر پیاده یکی از چالش برانگیزترین و حیاتی ترین وظایف سیستم کمک به راننده (DAS) است. در میان چندین الگوریتم توسعه یافته برای تشخیص انسان ، هیستوگرام شیب گرا (HOG) و به دنبال آن دستگاه بردار پشتیبانی (SVM) امیدوار کننده ترین نتایج را نشان داده است. در این مقاله یک شتاب دهنده سخت افزار برای تشخیص عابر پیاده در زمان واقعی در مقیاس های مختلف برای تحقق الزامات زمان واقعی DAS ارائه شده است. این یک اصلاح الگوریتمی به تشخیص شیء چند مقیاس معمولی با استفاده از HOG+SVM برای افزایش توان و حفظ دقت مناسب است. شتاب دهنده سخت افزار ما عابران پیاده را با سرعت 60 فریم در ثانیه برای قاب HDTV (1080x1920) تشخیص می دهد.

منابع

1. R. Benenson ، M. Mathias ، R. Timofte و L. Van Gool. 2012. تشخیص عابر پیاده در 100 فریم در ثانیه. در سال 2012 کنفرانس IEEE در مورد دید رایانه و تشخیص الگوی. 2903--2910. کتابخانه Scholardigital Google
2. Navneet Dalai. 2006. پیدا کردن افراد در تصاویر و فیلم ها. دکتریپایان نامه. موسسه فناوری گرنوبل ، فرانسه. گوگل دانشکده
3. N. Dalai و B. Triggs. 2005. هیستوگرام شیب گرا برای تشخیص انسان. در سال 2005 کنفرانس انجمن رایانه IEEE در مورد چشم انداز رایانه و تشخیص الگوی (CVPR'05) ، جلد. 1. 886--893 جلد. 1. کتابخانه Google Scholardigital
4. P. Dollar ، R. Appel ، S. متعلق و P. Perona. 2014. هرم با ویژگی سریع برای تشخیص شی. معاملات IEEE در مورد تجزیه و تحلیل الگوی و هوش دستگاه 36 ، 8 (آگوست 2014) ، 1532-1545. کتابخانه Scholardigital Google
5. Piotr Dollar ، Serge متعلق و Pietro Perona. 2010. سریعترین ردیاب عابر پیاده در غرب. در مجموعه مقالات کنفرانس چشم انداز ماشین انگلیس. BMVA Press ، 68. 1--68. 11. Google Scholarcross Ref
6. P. Dollar ، C. Wojek ، B. Schiele و P. Prona. 2012. تشخیص عابر پیاده: ارزیابی وضعیت هنر. معاملات IEEE در مورد تجزیه و تحلیل الگوی و هوش دستگاه 34 ، 4 (آوریل 2012) ، 743--761. کتابخانه Scholardigital Google
7. طرفداران Rong-en ، Kai-Wei Chang ، Cho-Jui Hsieh ، Xiang-Rui Wang و Chih-Jen Lin. 2008. Liblinear: کتابخانه ای برای طبقه بندی خطی بزرگ. J. Mach. فرا گرفتن. res9 (ژوئن 2008) ، 1871-1874. کتابخانه Scholardigital Google
8. مارک گرین2000. "چه مدت طول می کشد تا متوقف شود؟"تجزیه و تحلیل روش شناختی از زمان ادراک راننده. حمل و نقل فاکتورهای انسانی 2 ، 3 (2000) ، 195--216. Google Scholarcross Ref
9. M. Hahnle ، F. Saxen ، M. Hisung ، U. Brunsma و K. Doll. 2013. تشخیص عابر پیاده در زمان واقعی مبتنی بر FPGA در تصاویر با وضوح بالا. در کنفرانس IEEE در سال 2013 در مورد کارگاه های دیدگاه رایانه و الگوی. 629--635. کتابخانه Scholardigital Google
10. M. Hemmati ، M. Biglari-Abhari ، S. Berber و S. Niar. 2014. شتاب دهنده سخت افزار استخراج کننده ویژگی هاگ برای تشخیص عابر پیاده در زمان واقعی. در سال 2014 هفدهمین کنفرانس یورومیكرو در مورد طراحی سیستم دیجیتال. 543--550. کتابخانه Scholardigital Google
11. C. Kyrkou و T. Theocharides. 2012. یک معماری سخت افزاری موازی برای تشخیص شیء در زمان واقعی با دستگاه های بردار پشتیبانی. IEEE ترانس. رایانه. 61 ، 6 (ژوئن 2012) ، 831--842. کتابخانه Scholardigital Google
12. S. Lee ، H. Son ، J. C. Choi ، and K. Min. 2012. مدار استخراج کننده هوگ برای تشخیص انسان و وسیله نقلیه در زمان واقعی. در Tencon 2012. 1--5. گوگل دانشکده
13. سونگ یون لی ، کیونگون مین ، و Taeweon Suh. 2013. تسریع در هیستوگرام های شیب گرا شیب برای شناخت عابر پیاده. رایانه ها و مهندسی برق 39 ، 4 (2013) ، 1043--1048. Google Scholarcross Ref
14. G. Mishra ، Y. L. Aung ، M. Wu ، S. K. Lam ، and X Srikanthan. 2013. تصویر واقعی تغییر شکل دهنده شتاب دهنده سخت افزار برای الگوریتم های تشخیص شی. در سال 2013 سمپوزیوم بین المللی در مورد طراحی سیستم الکترونیکی. 98--102. کتابخانه Scholardigital Google
15. K. Mizuno ، Y. Terachi ، K. Takagi ، S. Izumi ، H. Kawaguchi و M. Yoshimoto. 2012. مطالعه معماری پردازنده استخراج ویژگی هاگ برای تشخیص شیء در زمان واقعی. در سال 2012 کارگاه IEEE در سیستم های پردازش سیگنال. 197--202. کتابخانه Scholardigital Google
16. M. Pedersoli ، J. Gonzalez ، X. Hu ، and X. Roca. 2014. به سمت تشخیص عابر پیاده در زمان واقعی بر اساس یک مدل الگوی تغییر شکل. معاملات IEEE در سیستم های حمل و نقل هوشمند 15 ، 1 (فوریه 2014) ، 355-364. کتابخانه Scholardigital Google
17. S. Sivaraman و M. M. Trivedi. 2013. با نگاهی به وسایل نقلیه در جاده: نظرسنجی از تشخیص ، ردیابی و تجزیه و تحلیل رفتار مبتنی بر بینایی. معاملات IEEE در سیستم های حمل و نقل هوشمند 14 ، 4 (2013) ، 1773--1795. کتابخانه Scholardigital Google
18. Vladimir Vapnik ، Steven E. Golowich و Alex Smola. 1996. از روش بردار پشتیبانی برای تقریب عملکرد ، برآورد رگرسیون و پردازش سیگنال. در پیشرفت در سیستم های پردازش اطلاعات عصبی 9. MIT Press ، 281--287. کتابخانه Scholardigital Google
19. S. Wang ، L. Duan ، C. Zhang ، L. Chen ، G. Cheng و J. Yu. 2016. تشخیص سریع عابر پیاده بر اساس پیشنهادات شی و گراز. در کنفرانس مشترک بین المللی شبکه های عصبی 2016 (IJCNN). 3972--3977. گوگل دانشکده