面向具有挑战性环境条件下低分辨率监控图像的车辆检测与分类多阶段框架

《Scientific Reports》：A multi-stage framework for vehicle detection and classification from low-resolution surveillance images under challenging environmental conditions

　　

摘要

车辆检测与分类在智能交通系统 (ITS) 应用的有效实施中起着至关重要的作用。凭借其卓越的特征表示能力，基于卷积神经网络 (CNN) 的深度学习模型已成为 ITS 应用中车辆检测与分类任务的有力候选者。然而，它们的计算复杂度以及对依赖先进监控系统获取的高分辨率数据的依赖，给在资源受限的边缘设备上的部署带来了重大挑战。因此，为了应对 ITS 应用的挑战，本研究提出了一种使用标准安防摄像头捕获的低分辨率监控图像进行车辆检测与分类的轻量级框架。所提出的框架在多进程架构中集成了迁移学习、EfficientDet1、自定义 CNN 和 XGBoost 分类器，以实现不同光照和天气条件下的高效车辆检测与分类。为了支持所提出的框架，引入了两个在多样环境条件下收集的新数据集。第一个数据集由用于分类的低分辨率车辆图像（100 × 100 像素，96 dpi）组成，而第二个数据集则由用于车辆检测的以 PASCAL VOC 格式标注的交通场景图像组成。此外，利用公开的 DAWN 数据集进一步评估了所提出框架在恶劣天气条件下的鲁棒性。实验结果表明，所提出的框架在实现高分类性能的同时，保持了检测精度与计算效率之间的有效平衡。研究结果表明，所提出的方法可能为涉及挑战环境条件下低分辨率监控图像的 ITS 应用提供一种实用途径。