16、摩托车检测与跟踪及火星环境岩石检测研究

摩托车检测与跟踪及火星环境岩石检测研究

摩托车检测

传统上，视频技术分析需要可靠的目标特征提取方法以获得准确的分类结果。过去十年的视频检测系统通过对外观特征的判别能力来实现。利用外观特征进行摩托车检测和分类的方法包括构建 3D 模型、考虑车辆尺寸，还会使用颜色、对称性、阴影、纹理和几何特征（如作为车轮轮廓的圆形）。此外，还会使用方向梯度直方图（HOG）来检测摩托车骑手的头盔，也有 HOG 的变体以及尺度不变特征变换（SIFT）、DSIFT 和加速稳健特征（SURF）等方法。

深度学习理论（DL）在过去九年中成为计算机视觉领域的重要突破，在图像处理方面取得了惊人的成果。该理论已成功应用于车辆检测，主要基于 DL 通用目标检测器。这些检测器可分为基于区域的阶段检测器和单阶段检测器。基于区域的检测器涉及两个主要组件：区域提议步骤（RPN）和分类步骤。R - CNN 将用于区域提议的选择性搜索算法和 CNN 特征相结合来进行目标检测。也有基于单阶段检测器的工作，单个卷积架构可同时预测边界框和相关的类别分数。

数据集

真实的城市交通中存在车辆之间或与城市设施的遮挡情况。尽管已经有人努力构建如 KITTI 这样标注了遮挡车辆的数据集，但目前没有专门针对城市环境中遮挡摩托车的公开数据集。

为此，创建了一个带注释的摩托车公开数据集，该数据集包含从安装在无人机上的相机拍摄的图像，图像会受到轻微不稳定条件的影响。为了加快处理分析速度，图像被调整为原始大小的三分之一，共有 56,975 个感兴趣区域（ROI）标注的摩托车，最小高度尺寸为 25 像素。60%的标注摩托车存在遮挡情况，部分遮挡且小于 25 像素的对象被丢弃。生成的真实标签在 XML 文件中指定，