[论文解读] Moving Vehicle Detection Using AdaBoost and Haar-Like Feature in Surveillance Videos.

Mohammad Mahdi Moghimi, Maryam Nayeri+2 more|arXiv (Cornell University)|Jan 14, 2018

Video Surveillance and Tracking Methods被引用 7

一句话总结

本文提出了一种基于AdaBoost与Haar-like特征的鲁棒移动车辆检测系统，应用于监控视频中。通过利用Viola-Jones框架，该方法在不同光照条件下实现了94%的准确率、92%的完整度和87%的质量，优于以往技术在真实场景中的表现。

ABSTRACT

Vehicle detection is a technology which its aim is to locate and show the vehicle size in digital images. In this technology, vehicles are detected in presence of other things like trees and buildings. It has an important role in many computer vision applications such as vehicle tracking, analyzing the traffic scene and efficient traffic management. In this paper, vehicles detected based on the boosting technique by Viola Jones. Our proposed system is tested in some real scenes of surveillance videos with different light conditions. The experimental results show that the accuracy, completeness, and quality of the proposed vehicle detection method are better than the previous techniques (about 94%, 92%, and 87%, respectively). Thus, our proposed approach is robust and efficient to detect vehicles in surveillance videos and their applications.

研究动机与目标

• 在不同光照条件下提升监控视频中的车辆检测准确率。
• 解决由树木、建筑物等障碍物引起的杂乱场景带来的挑战。
• 开发一种高效且鲁棒的方法，用于交通监控应用中的实时车辆检测。
• 与现有技术相比，提升检测的完整度与质量。

提出的方法

• 采用AdaBoost算法，利用Haar-like特征训练一系列弱分类器，用于车辆检测。
• 以Viola-Jones目标检测框架为核心架构，实现实时性能。
• 从图像块中提取Haar-like特征，以捕捉体现车辆特征的边缘、线条和矩形模式。
• 在正样本（车辆）和负样本（非车辆）上训练分类器，以区分运动车辆与背景。
• 应用提升技术，将弱分类器组合成强分类器，以提高检测的鲁棒性。
• 在包含多种光照与环境条件的真实监控视频序列上测试系统。

实验结果

研究问题

• RQ1 AdaBoost结合Haar-like特征是否能有效检测复杂监控场景中的移动车辆？
• RQ2 在不同光照条件下，该方法在准确率、完整度和质量方面的表现如何？
• RQ3 该系统在真实监控视频中相较于以往车辆检测技术，性能提升程度如何？
• RQ4 该方法是否足够鲁棒，能够处理遮挡以及树木、建筑物等背景杂乱情况？

主要发现

• 所提方法在具有不同光照条件的真实监控视频序列中实现了94%的检测准确率。
• 车辆检测的完整度达到92%，表明在识别实际车辆方面具有较高的召回率。
• 检测质量测量为87%，反映出边界框定位的精确度与可靠性。
• 系统在包括阴影和低光照场景在内的多种环境条件下表现出鲁棒性。
• 与现有技术相比，该方法在整体检测性能与可靠性方面表现更优。
• 基于AdaBoost的Haar-like特征方法在效率与实时监控应用的适用性方面表现优异。