SHLE: Devices Tracking and Depth Filtering for Stereo-based Height Limit Estimation

要約

最近、高さ超過車両のストライキが頻繁に発生し、多大な経済的コストと深刻な安全上の問題を引き起こしています。
したがって、ツーリングカーなどの現代の大型または中型車に採用するには、車高制限装置の可能性を事前に正確に発見できる警報システムが必要です。
高さ制限装置の検出と推定は、高さ制限警告システムを成功させるための重要なポイントとして機能します。
高さ制限の推定を研究するいくつかの研究がありますが、既存の方法は計算コストが高すぎるか、十分に正確ではありません。
この論文では、高度限界推定のためのSHLEという名前の新しいステレオベースのパイプラインを提案します。
当社の SHLE パイプラインは 2 つのステージで構成されています。
ステージ 1 では、左または右の画像で高さ制限デバイスを正確に特定する、新しいデバイス検出および追跡スキームが導入されます。
次に、ステージ 2 で、深さを一時的に測定し、抽出し、フィルター処理して、高さ制限デバイスを計算します。
高さ制限推定タスクのベンチマークを行うために、「Disparity Height」という名前の大規模なデータセットを構築します。ここでは、ステレオ画像、事前に計算された視差、グラウンド トゥルースの高さ制限注釈が提供されます。
「視差の高さ」について大規模な実験を行った結果、車がデバイスから 70m 離れていても、SHLE の平均誤差は 10cm 未満であることがわかりました。
私たちの方法は、比較されたすべてのベースラインよりも優れており、最先端のパフォーマンスを達成しています。
コードは https://github.com/Yang-Kaixing/SHLE で入手できます。

要約(オリジナル)

Recently, over-height vehicle strike frequently occurs, causing great economic cost and serious safety problems. Hence, an alert system which can accurately discover any possible height limiting devices in advance is necessary to be employed in modern large or medium sized cars, such as touring cars. Detecting and estimating the height limiting devices act as the key point of a successful height limit alert system. Though there are some works research height limit estimation, existing methods are either too computational expensive or not accurate enough. In this paper, we propose a novel stereo-based pipeline named SHLE for height limit estimation. Our SHLE pipeline consists of two stages. In stage 1, a novel devices detection and tracking scheme is introduced, which accurately locate the height limit devices in the left or right image. Then, in stage 2, the depth is temporally measured, extracted and filtered to calculate the height limit device. To benchmark the height limit estimation task, we build a large-scale dataset named ‘Disparity Height’, where stereo images, pre-computed disparities and ground-truth height limit annotations are provided. We conducted extensive experiments on ‘Disparity Height’ and the results show that SHLE achieves an average error below than 10cm though the car is 70m away from the devices. Our method also outperforms all compared baselines and achieves state-of-the-art performance. Code is available at https://github.com/Yang-Kaixing/SHLE.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google