Termowizyjna detekcja pieszych z użyciem segmentacji obrazu poprzez progowanie

• Autorzy: Piniarski K. , Pawłowski P

Identyfikatory

DOI

10.15199/13.2018.4.3

Warianty tytułu

EN

Thermovision detection of pedestrians using image segmentation by thresholding

• Języki publikacji: PL

Abstrakty

PL

W artykule zaprezentowano procedurę detekcji pieszych na obrazach termowizyjnych z użyciem udoskonalonych technik segmentacji obrazów z przeznaczeniem do samochodowych systemów widzenia nocnego. Na etapie segmentacji obrazu zaproponowano technikę podwójnego progowania, technikę rozszerzania obszarów zainteresowań oraz dodatkowe etapy filtracji względem proporcji boków, filtracji perspektywicznej oraz filtracji obszarów homogenicznych. Zaproponowane rozwiązania przetestowano na bazie nagrań termowizyjnych CVC-14. Wyniki pokazały, że zaproponowane techniki progowania z rozszerzaniem obszarów zainteresowań istotnie poprawiają wskaźnik chybienia (z 41,5% do 4,1%), a ograniczenie liczby kandydatów do dalszego przetwarzania poprzez filtrację pozwoliło na pracę algorytmu w czasie rzeczywistym (szybkość przetwarzania do 33 klatek na sekundę) z dokładnością detekcji na poziomie najnowszych rozwiązań występujących w literaturze.

EN

This paper presents a procedure for detection of pedestrians in thermal images using improved image segmentation techniques with application to the car night vision systems. Especially the image segmentation stage was improved by several original solutions: a double thresholding technique, a region expanding techniques and additional filtering steps with respect to the area of candidates, perspective filtering and the filtering of homogenous regions. All proposed solutions were tested with the CVC-14 pedestrian thermal dataset. The results showed that the proposed thresholding techniques with the region enlargement significantly improve the miss rate (from 41.5% to 4.1%). Additional filtering reduces the number of candidates for further processing and allows the algorithm to work in the real time (processing speed up to 33 frames per second) with the accuracy of detection comparable to the other state-of-the-art solutions.

Słowa kluczowe

PL

widzenie nocne; termowizja; detekcja pieszych; segmentacja obrazu; progowanie

EN

night vision; thermovision; pedestrian detection; image segmentation; thresholding

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Elektronika : konstrukcje, technologie, zastosowania
• Rocznik: 2018
• Tom: Vol. 59, nr 4
• Strony: 13--18
• Opis fizyczny: Bibliogr. 20 poz., rys., wykr.

Twórcy

autor

Piniarski K.

• Politechnika Poznańska, Wydział Informatyki, Instytut Automatyki i Robotyki, Zakład Układów Elektronicznych i Przetwarzania Sygnałów

autor

Pawłowski P

• Politechnika Poznańska, Wydział Informatyki, Instytut Automatyki i Robotyki, Zakład Układów Elektronicznych i Przetwarzania Sygnałów

Bibliografia

• [1] Bertozzi M., Broggi A., Del Rose M., Lasagni A., 2005, “Infrared stereo vision-based human shape detection", Proc. of IEEE Intelligent Vehicles Symposium, 23-28.
• [2] Dalal N., Triggs B., 2005, “Histograms of Oriented Gradients for Human Detection", Proc. of IEEE Conf. Computer Vision and Pattern Recognition 1: 886-893.
• [3] Dollar P., Wojek C., Schiele B., Perona P., 2012, “Pedestrian Detection: An Evaluation of the State of the Art“ IEEE Trans. on Pattern Analysis and Machine Intelligence 34 (4): 743-761.
• [4] Elzein H., Lakshmanan S., Watta P., 2003, “A Motion and Shape Based Pedestrian Detection Algorithm," Proc. of IEEE Intelligent Vehicles Symposium, 500-504.
• [5] Fang Y., Yamada K., Ninomiya Y., Horn B., Masaki I., 2004, “A shape-independent method for pedestrian detection with far-infrared images", IEEE Trans. on Vehicular Technology 53: 1679-1697.
• [6] Gonzalez A., Fang Z., Socarras Y., Serrat J., Vazquez D., Xu J., Lopez A., 2016 “Pedestrian Detection at Day/Night Time with Visible and FIR Cameras: A Comparison". In Sensors Journal (Sensors), In Press.
• [7] Jahard F., Fish D. A., Rio A. A., Thompson C. P., 1997, “Far/ Near Infrared Adapted Pyramid-Based Fusion for Automotive Night Vision", Proc. of Int. Conf. on Image Processing and its Applications 8: 886-890.
• [8] Liu Q., Zhuang J., Kong S., 2012 “Detection of Pedestrians at Night Time Using Learning-based Method and Head Validation", Proc. of IEEE Int. Imaging Systems and Techniques (IST) Conf., 398-402.
• [9] Nanda H., Davis L., 2002, “Probabilistic template based pedestrian detection in infrared videos", Proc. of IEEE Intelligent Vehicle Symposium 1: 15-20.
• [10] Neagoe V. E., Tudoran C. T., Neghina M., 2009, “A neural network approach to pedestrian detection", Proc. of Int. Conference on Computers, 374-379.
• [11] O’Malley R., Jones E., Glavin M., 2010, “Detection of pedestrians in far-infrared automotive night vision using region-growing and clothing distortion compensation", J. Infrared Physics & Technology 53: 439-449.
• [12] Otsu N., 1979, “A threshold selection method from gray-level histograms", IEEE Trans. Sys., Man., Cyber. 9: 62-66.
• [13] Pawłowski P., Piniarski K., Dąbrowski A., 2015, “Pedestrian Detection in Low Resolution Night Vision Images", Proc. of IEEE SPA Signal Processing Algorithms, Architectures, Arrangements and Applications Conf., 185-190.
• [14] Piniarski K., Pawłowski P., 2017, “Efficient pedestrian detection with enhanced object segmentation in far IR night vision", Proc. of IEEE SPA: Signal Processing Algorithms, Architectures, Arrangements and Applications Conf., 160-165.
• [15] Piniarski K., Pawłowski P., Dabrowski A., 2014 “Pedestrian Detection by Video Processing in Automotive Night Vision System", Proc. of IEEE SPA Signal Processing Algorithms, Architectures, Arrangements and Applications Conf., 104-109.
• [16] Piniarski K., Pawłowski P., Dąbrowski A., 2015 “Video Processing Algorithms for Detection of Pedestrians", Computational Methods in Science and Technology (CMST) 21 (3): 141-150.
• [17] Shashua A., Gdalyahu Y., Hayun G., 2004, “Pedestrian detection for driving assistance systems: single-frame classification and system level performance", Proc. of IEEE Intelligent Vehicles Symposium, 1-6.
• [18] Shimizu H., and T. Poggie, 2004, “Direction estimation of pedestrian from multiple still images", Proc. of IEEE Intelligent Vehicles Symposium, 596-600.
• [19] Sun H., 2011, “Pyramid binary pattern features for real-time pedestrian detection from infrared videos", J. of Neurocomputing 74: 797-804.
• [20] Szegedy C., Toshev A., Erhan D., 2013, “Deep neural networks for object detection," Advances in Neural Information Processing Systems, 2553-2561.

Uwagi

1. Praca sfinansowana ze środków DS w 2018.

2. Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).