对边缘多模式路边车辆检测系统的语义细分性能评估

科学领域:

• 计算机视觉和机器学习
• 运输工程 运输工程
• 机器人技术和自主系统

背景情况:

• 传统的交通监控系统与越野或非主要道路车辆跟踪作斗争.
• 由于空中摄像机的限制,需要为全面的交通监控提供替代解决方案.
• 追踪特定类型的车辆及其有效载荷需要先进的检测能力.

研究的目的:

• 开发一款便携式路边车辆检测系统,用于在任何路径上跟踪交通.
• 训练语义细分网络,以自动检测特定车型.
• 为了比较路边车辆识别LiDAR和摄像头传感器的有效性.

主要方法:

• 从多个路边地点收集同步的LiDAR和摄像头数据.
• 开发了一个定制的卷积神经网络 (CNN),用于处理不对称的LiDAR数据.
• 利用DeepLabV3+启发的网络进行基于摄像头的语义细分.
• 在嵌入式平台上评估网络性能,用于实时边缘部署.

主要成果:

• 无论是LiDAR还是相机语义细分网络,在车辆检测方面都取得了可比的准确性.
• 嵌入式系统的实时推断与训练硬件的性能相匹配.
• 该系统成功地从路边视角识别了感兴趣的车辆.

结论:

• 拟议的便携式路边系统有效地通过语义细分来检测特定的车辆.
• 基于激光雷达 (LiDAR) 和基于摄像头的方法都可用于准确的路边车辆识别.
• 这项技术使得与跟踪机制配对时,道路边检测系统能够进行非侵入性检测.