Weighted Bayesian Gaussian Mixture Model for Roadside LiDAR Object Detection

要約

バックグラウンド モデリングは、インテリジェントな監視システムで広く使用されており、静的なバックグラウンド コンポーネントを減算することで移動するターゲットを検出します。
ほとんどの沿道 LiDAR オブジェクト検出方法は、多くのフレームにわたる記述統計 (ボクセル密度、近傍数、最大距離など) に基づいて、新しいデータ ポイントを事前トレーニング済みの背景参照と比較することにより、前景ポイントを除外します。
ただし、これらのソリューションはトラフィックが多い場合には非効率的であり、パラメーター値をあるシナリオから別のシナリオに転送するのは困難です。
初期の研究では、ビデオベースのシステムに広く使用されている確率的バックグラウンド モデリング手法は、点群データがまばらで構造化されていないため、道路脇の LiDAR 監視システムには適していないと考えられていました。
この論文では、生の LiDAR データが、各 LiDAR ポイントの仰角と方位角の値に基づいて構造化された表現に変換されました。
この高次テンソル表現により、道端の LiDAR バックグラウンド モデリングのための効率的な高次元多変量解析を可能にする障壁を打ち破ります。
ベイジアン ノンパラメトリック (BNP) アプローチは、強度値と 3D 測定値を統合し、3D と強度情報を完全に使用して測定データを活用します。
提案された方法は、2 つの最先端の沿道 LiDAR バックグラウンド モデル、コンピューター ビジョン ベンチマーク、ディープ ラーニング ベースラインと比較され、交通量が多く厳しい天候下でポイント、オブジェクト、パス レベルで評価されました。
このマルチモーダル加重ベイジアン ガウス混合モデル (GMM) は、ノイズの多い測定値を伴う動的背景を処理でき、インフラストラクチャ ベースの LiDAR オブジェクト検出を大幅に強化します。これにより、スマート シティ アプリケーション用のさまざまな 3D モデリングを作成できます。

要約(オリジナル)

Background modeling is widely used for intelligent surveillance systems to detect moving targets by subtracting the static background components. Most roadside LiDAR object detection methods filter out foreground points by comparing new data points to pre-trained background references based on descriptive statistics over many frames (e.g., voxel density, number of neighbors, maximum distance). However, these solutions are inefficient under heavy traffic, and parameter values are hard to transfer from one scenario to another. In early studies, the probabilistic background modeling methods widely used for the video-based system were considered unsuitable for roadside LiDAR surveillance systems due to the sparse and unstructured point cloud data. In this paper, the raw LiDAR data were transformed into a structured representation based on the elevation and azimuth value of each LiDAR point. With this high-order tensor representation, we break the barrier to allow efficient high-dimensional multivariate analysis for roadside LiDAR background modeling. The Bayesian Nonparametric (BNP) approach integrates the intensity value and 3D measurements to exploit the measurement data using 3D and intensity info entirely. The proposed method was compared against two state-of-the-art roadside LiDAR background models, computer vision benchmark, and deep learning baselines, evaluated at point, object, and path levels under heavy traffic and challenging weather. This multimodal Weighted Bayesian Gaussian Mixture Model (GMM) can handle dynamic backgrounds with noisy measurements and substantially enhances the infrastructure-based LiDAR object detection, whereby various 3D modeling for smart city applications could be created.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google