基于阈值ACF算法的减速带检测

作为自动驾驶汽车的基本环境感知功能,现有的道路减速带检测方法准确率较低,且受限于道路规格和减速带种类。将目标检测领域较为成熟的ACF算法应用于减速带检测。首先,通过设置不同迭代步数,证明了ACF算法对于减速带检测的有效性;其次,选择出最优迭代步数下的ACF算法,将其作为优化的基础;最后,提出了基于阈值的ACF算法,进一步提升算法性能,得到了96.2%的检测率,优于现有的减速带检测算法。

行人检测中非极大值抑制算法的改进

行人检测是计算机视觉领域的难点和热点问题。行人检测可大致划分为3个部分:特征提取、分类和非极大值抑制(Non-maximum Suppression,NMS)。当前的研究工作主要集中在特征提取、特征学习和分类器等方向,而非极大值抑制方向鲜有改进。目前常用的非极大值抑制算法是贪心策略,抑制时只使用了单一的重合面积信息。针对该问题,在ACF(Aggregate Channel Features)检测算法的基础上,对非极大值抑制进行了3项改进,显著地提升了算法的精度,并且算法的时间消耗只有略微的增加。在INRIA数据集上,单独使用引入尺度比的动态面积阈值NMS时能降低平均对数漏检率(MR)0.99%;单独使用保留外围检测分数相近的检测窗口的策略时NMS能降低MR 1.25%;两者结合可降低MR 2.5%;结合后,再对已经被抑制的检测窗口重复抑制,MR降低了2.63%,达到14.22%。