20 
Home Page  

  • SciELO

  • SciELO


Ingenius. Revista de Ciencia y Tecnología

 ISSN 1390-860X ISSN 1390-650X

GALARZA BRAVO, Michelle    FLORES CALERO, Marco. DETECCIÓN DE PEATONES EN LA NOCHE USANDO FASTER R-CNN E IMÁGENES INFRARROJAS. []. , 20, pp.48-57. ISSN 1390-860X.  https://doi.org/10.17163/ings.n20.2018.05.

^a

En 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 [1] 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 [1] que han presentado los mejores resultados, como son VGG-16 [2] y Resnet 101 [3]. Los resultados experimentales se han desarrollado sobre las bases de datos CVC-09 [4] y LSIFIR [5], 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 [5] y CVC-09 [4].

^les^a

In this paper we present a system for pedestrian detection at nighttime conditions for vehicular safety applications. For this purpose, we analyze the performance of the algorithm Faster R-CNN [1] for infrared images. So that we note that Faster R-CNN [1] 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 [1] baseline models, VGG-16 [2] and Resnet 101 [3], which present the best results. The experimental results have been development on CVC-09 [4] and LSIFIR [5] 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 [5] and CVC-09 [4] test sets.

^len

: .

        · | |     · |     · ( pdf )