Detección de peatones en la noche usando Faster R-CNN e imágenes infrarrojas

dc.creatorGalarza Bravo, Michelle Alejandra
dc.creatorFlores, Marco
dc.date2018-06-30
dc.date.accessioned2023-08-08T19:42:02Z
dc.date.available2023-08-08T19:42:02Z
dc.identifierhttps://revistas.ups.edu.ec/index.php/ingenius/article/view/20.2018.05
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8056955
dc.descriptionEn este artículo se presenta un sistema de detección de peatones en la noche, para aplicaciones en seguridad vehicular. Para este desarrollo se ha analizado el desempeño del algoritmo Faster R-CNN con imágenes en el infrarrojo lejano. Por lo que se constató que presenta inconvenientes a la hora de detectar peatones a larga distancia. En consecuencia, se presenta una nueva arquitectura Faster R-CNN dedicada a la detección en múltiples escalas, mediante dos generadores de regiones de interés (ROI) dedicados a peatones a corta y larga distancia, denominados RPNCD y RPNLD, respectivamente. Esta arquitectura ha sido comparada con los modelos para Faster R-CNN que han presentado los mejores resultados, como son VGG-16 y Resnet 101. Los resultados experimentales se han desarrollado sobre las bases de datos CVC-09 y LSIFIR, los cuales demostraron mejoras, especialmente en la detección de peatones a larga distancia, presentando una tasa de error versus FPPI de 16 % y sobre la curva Precisión vs. Recall un AP de 89,85 % para la clase peatón y un mAP de 90 % sobre el conjunto de pruebas de las bases de datos LSIFIR y CVC-09.es-ES
dc.descriptionIn this paper we present a system for pedestrian detection at nighttime conditions for vehicular safety applications. For this purpose, we analyze the Faster R-CNN performance for infrared images. So that we note that Faster R-CNN has problems to detect small scale pedestrians. For this reason, we present a new Faster R-CNN architecture focused on multi-scale detection, through two ROI’s generators for large size and small size pedestrians, RPNCD and RPNLD respectively. This architecture has been compared with the best Faster R-CNN baseline models, VGG-16 and Resnet 101, which present the best results. The experimental results have been development on CVC-09 and LSIFIR databases, which show improvements specially when detecting pedestrians that are far away, over the DET curve presents the miss rate versus FPPI of 16% and over the Precision vs Recall the AP of 89.85% for pedestrian class and the mAP of 90% over LSIFIR and CVC-09 test datasets.en-US
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.formattext/html
dc.formattext/html
dc.languagespa
dc.languageeng
dc.publisherUniversidad Politécnica Salesianaen-US
dc.relationhttps://revistas.ups.edu.ec/index.php/ingenius/article/view/20.2018.05/2766
dc.relationhttps://revistas.ups.edu.ec/index.php/ingenius/article/view/20.2018.05/2767
dc.relationhttps://revistas.ups.edu.ec/index.php/ingenius/article/view/20.2018.05/2849
dc.relationhttps://revistas.ups.edu.ec/index.php/ingenius/article/view/20.2018.05/3110
dc.rightsDerechos de autor 2018 Universidad Politécnica Salesianaes-ES
dc.sourceIngenius; No. 20 (2018): july-december; 48-57en-US
dc.sourceIngenius; Núm. 20 (2018): julio-diciembre; 48-57es-ES
dc.sourceIngenius; n. 20 (2018): julio-diciembre; 48-57pt-BR
dc.source1390-860X
dc.source1390-650X
dc.source10.17163/ings.n20
dc.subjectpeatón, infrarrojo, Faster R-CNN, RPN, múltiples escalas, noche.es-ES
dc.titleDetección de peatones en la noche usando Faster R-CNN e imágenes infrarrojases-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Este ítem pertenece a la siguiente institución