Resumen

Los sistemas de visión nocturna reciben cada vez más atención en el campo de la seguridad activa en automoción. En este ámbito, varios investigadores han propuesto algoritmos de detección nocturna de vehículos basados en sensores de infrarrojo lejano. Sin embargo, los algoritmos existentes tienen un bajo rendimiento en algunos indicadores como la tasa de detección y el tiempo de procesamiento. Para resolver este problema, proponemos un algoritmo de detección de vehículos en imágenes de infrarrojo lejano basado en saliencia visual y aprendizaje profundo. En primer lugar, la mayoría de los píxeles no vehiculares se eliminarán con el cálculo de saliencia visual. A continuación, se generará un candidato a vehículo utilizando información previa como los parámetros de la cámara y el tamaño del vehículo. Por último, se aplicará un clasificador entrenado con redes de creencias profundas para verificar los candidatos generados en el último paso. El algoritmo propuesto se prueba en unas 6000 imágenes y alcanza una tasa de detección del 92,3 y un tiempo de procesamiento de 25 Hz, lo que es mejor que los métodos existentes.

• Materias:Biotecnología Nanotecnología Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Nanotechnology Sensor networks Sensor system Sensor technology
• Palabras claves:tasa de detección, tiempo de procesamiento, campo de la seguridad activa en automoción, algoritmo de detección de vehículos por imagen, algoritmo de detección de vehículos por tiempo, sistemas de visión nocturna, redes de creencia profunda, cálculo de saliencia visual, parámetros de cámara, aprendizaje profundo
• Keywords:detection rate, processing time, automotive active safety field, image vehicle detection algorithm, time vehicle detection algorithm, night vision systems, deep belief networks, visual saliency computation, camera parameters, deep learning