Detección de vehículos mejorada utilizando características locales y globales

Este estudio presenta un sistema de detección de vehículos mejorado. Primero se hipotetiza sobre las posibles ubicaciones de los vehículos para reducir los costos computacionales mediante una estadística de la intensidad y simetría del borde, y luego se verifica la precisión de las hipótesis usando clasificadores AdaBoost y Redes Neuronales Basadas en Decisiones Probabilísticas (PDBNN), que explotan características locales y globales de los vehículos, respectivamente. La combinación de 2 clasificadores se puede usar para aprender la relación complementaria entre características locales y globales, obteniendo una tasa de falsos positivos extremadamente baja mientras se mantiene una alta tasa de detección. Para la base de datos del MIT Center for Biological & Computational Learning (CBCL), una tasa de detección del 96.3% conduce a una tasa de alarma falsa de aproximadamente 0.0013%. El objetivo de este estudio es extraer la característica de los vehículos tanto en orientación local como global, y modelar la invariancia implícita de los vehículos. Este enfoque mejorado proporciona una solución más efectiva para manejar los problemas que enfrentan los sistemas de detección convencionales basados en el fondo. Los resultados experimentales de este estudio demuestran que el sistema propuesto logra un buen rendimiento en la detección de vehículos sin información de fondo. El sistema implementado también extrae información útil del tráfico que se puede utilizar para un procesamiento posterior, como seguimiento, conteo, clasificación y reconocimiento.