aplicabilidade dos metodos visuais de detecc˘ ao de ...transito que envolvam pedestres (geronimo e...

APLICABILIDADE DOS METODOS VISUAIS DE DETECCAO DE PEDESTRESPARA VEICULOS INTELIGENTES

Angelica Tiemi Mizuno Nakamura∗, Luiz Ricardo Takeshi Horita∗, Valdir Grassi Junior∗

∗Departamento de Engenharia Eletrica e ComputacaoEscola de Engenharia de Sao Carlos, Universidade de Sao Paulo

Avenida Trabalhador Sao Carlense 400, 13566-590, Sao Carlos-SP, Brasil

Emails: [email protected], [email protected], [email protected]

Abstract— Pedestrian detection is a specific case of object detection in computer vision that may save liveswhen applied on intelligent vehicles. This application requires a precise detection that operates in real time,keeping the number of false positives as minimal as possible. For this reason, in the past few years, many ideaswere explored and the new proposed methods based on robust deep learning architectures have shown considerableimprovement on the performance. However, detecting pedestrians far from the camera is still a challenging taskdue to their small sizes on images. Because of this, there is a need to evaluate the effectiveness of those promisingapproaches on avoiding or reducing traffic accidents that involve pedestrians. Thus, this paper aims to analyzethe applicability of the state-of-art methods for real urban scenarios, taking the braking dynamics of the vehicle,hardware and software limitations into account.

Keywords— Pedestrian Detection, Intelligent Vehicles, Computer Vision, Embedded Systems.

Resumo— Deteccao de pedestres e um ramo especıfico da deteccao de objetos em visao computacional, etem o potencial de salvar vidas quando aplicada em veıculos inteligentes. Porem, essa aplicacao exige deteccaoem tempo real, precisa e com o mınimo de falsos positivos possıvel. Durante os ultimos anos, diversas ideiasforam exploradas e os recentes metodos propostos que utilizam arquiteturas robustas baseado em redes neuraisprofundas mostraram um grande avanco nesta area, melhorando significativamente o desempenho das deteccoes.Apesar desse progresso, a deteccao de pedestres que estao distantes do veıculo continua sendo um grande desafiodevido a suas pequenas escalas na imagem, gerando a necessidade de avaliar se o desempenho dos metodosatuais sao suficientes para evitar ou atenuar os acidentes de transito que envolvam pedestres. Dessa forma, opresente artigo busca analisar a aplicabilidade dos metodos estado-da-arte no contexto real de cenarios urbanos,considerando a dinamica do veıculo durante a frenagem e as limitacoes atuais de hardware e software que osistema possui.

Palavras-chave— Deteccao de Pedestres, Veıculos Inteligentes, Visao Computacional, Sistemas Embarcados.

1 Introducao

Durante os ultimos anos, os acidentes automotivosse tornaram uma importante causa de fatalidade,onde, somente no ano de 2015 no municıpio de SaoPaulo, os pedestres representaram 42, 2% dos obi-tos (Companhia de Engenharia de Trafego, 2016).Devido a essas fatalidades, tanto as empresas au-tomobilısticas quanto a comunidade cientıfica temcontribuıdo para o desenvolvimento de sistemasinteligentes (Advanced Driver Assistance Systeme Pedestrian Protection Systems) que auxiliam omotorista na tomada de decisoes, com a finalidadede evitar ou atenuar a gravidade dos acidentes detransito que envolvam pedestres (Geronimo e Lo-pez, 2014). Alem dos sistemas assistivos ao mo-torista, ha tambem os veıculos autonomos, quepoderao reduzir os acidentes de transito provoca-dos por fatores humanos. No entanto, em ambossistemas, e crucial que o pedestre seja detectadoantecipadamente, para que a possibilidade do veı-culo conseguir frear a tempo seja maior.

No trabalho de Johansson e Rumar (1971), osautores mediram o tempo de reacao dos condu-tores em casos de frenagens bruscas e completa-mente inesperadas no transito. Atraves dos ex-perimentos realizados, os autores concluıram queo tempo medio de reacao estimado em situacoes

inesperadas de frenagem e de 0, 9 segundos. A uti-lizacao de sistemas inteligentes para deteccao depedestres em veıculos traz benefıcios importantes,como a capacidade de reduzir o tempo de reacaoem comparacao ao ser humano, o qual varia de-pendendo da idade, sonolencia, tempo em que estadirigindo, consumo de bebida alcoolica, dentre ou-tros.

Extensas pesquisas em deteccao de pedestresbaseadas em visao computacional sao realizadasdesde o final da decada de 90, mostrando umgrande avanco nesta area. Mas, nao se sabe aeficacia e aplicabilidade dos metodos propostosate o momento para evitar ou atenuar a gravi-dade dos acidentes em aplicacoes automobilısticas.Bem como, se a busca por melhores caracterıs-ticas, metodos de classificacao, exploracao de in-formacoes adicionais (profundidade e movimento),dentre outros, e a direcao correta a ser seguidapara que em um futuro proximo seja possıvel so-lucionar o problema de deteccao de pedestres paraveıculos.

Neste trabalho, e proposta uma metodologiapara avaliar a aplicabilidade de um sistema de vi-sao computacional para deteccao de pedestres emum contexto de frenagem de um veıculo para evi-tar colisoes. Para isso, a velocidade e dinamicado veıculo, o tempo de reacao e desempenho dos

XIII Simposio Brasileiro de Automacao Inteligente

Porto Alegre – RS, 1o – 4 de Outubro de 2017

ISSN 2175 8905 1616

metodos de deteccao sao considerados.O restante do artigo esta organizado como se-

gue. A secao 2 apresenta o desempenho dos detec-tores atuais. A metodologia utilizada para calcu-lar as principais distancias e escalas dos pedestresque devem ser detectados em aplicacoes automo-bilısticas sao apresentadas na secao 3. Os resul-tados de um estudo de caso sao apresentados nasecao 4. Uma discussao dos topicos abordados erealizado na secao 5. Uma proposta de sistema devisao estereo a ser considerada em trabalhos futu-ros e apresentada na secao 6. Por fim, o artigo econcluıdo na secao 7.

2 Desempenho dos detectores

Durante os ultimos anos, varios trabalhos tem sidodesenvolvidos para o problema de deteccao de pe-destres. Mas, devido ao uso de diferentes datasets,variacoes nos protocolos de avaliacao e complexi-dade das diferentes propostas, a comparacao di-reta entre os metodos se torna difıcil, e a maioriados trabalhos acabam apresentando apenas a suapropria abordagem. Assim, com a finalidade de fa-cilitar a comparacao entre os metodos, alguns ben-chmarks foram criados com suas proprias metodo-logias de avaliacao (Dalal e Triggs, 2005; Enzwei-ler e Gavrila, 2009; Dollar et al., 2012; Geigeret al., 2012; Zhang et al., 2017). Apesar de aindanao haver um benchmark que englobe todos osmetodos de deteccao de pedestre, eles facilitam abusca pelo estado-da-arte.

Atualmente, os principais benchmarks sao oKITTI Vision Suite Benchmark, do Instituto deTecnologia de Karlsruhe e Instituto TecnologicoToyota, e o Caltech Pedestrian Detection Bench-mark, do Instituto Tecnologico da California, pro-postos em (Geiger et al., 2012; Dollar et al., 2009).Em ambos, os metodos que estao mostrando sermais promissores em termos de desempenho (re-call e precisao) sao os que possuem arquitetu-ras mais robustas que utilizam alguma formade redes neurais convolucionais, tais como (Duet al., 2016; Cai et al., 2016; Li et al., 2015).

Para verificar em quais situacoes os metodosfalham, o benchmark da Caltech realiza a ana-lise de desempenho em diferentes subconjuntos dodataset, agrupando os pedestres de acordo comsua escala, razao de aspecto e oclusao. A Figura1 apresenta apenas os resultados da comparacaode desempenho entre os metodos para condicoesgerais (todos os pedestres contidos no dataset)e para as condicoes em que os metodos obtive-ram maior dificuldade (escalas menores e oclusaodensa). Os demais resultados podem ser vistos noCaltech Pedestrian Detection Benchmark 1.

Cada grafico e composto pelos 15 metodos queobtiveram melhor resultado, e os valores nas le-

1http://www.vision.caltech.edu/Image_Datasets/

CaltechPedestrians/

(a) Geral

(b) Escala media

(c) Escala pequena

(d) Oclusao densa

Figura 1: Resultados dos algoritmos avaliadospelo Caltech Pedestrian Detection Benchmark nodataset da Caltech, com atualizacao realizada emDezembro de 2016. (a) Desempenho absoluto rea-lizado em todo dataset. (b) Pedestres com alturaentre 30 a 80 pixels. (c) Pedestres com alturamenor que 30 pixels. (d) Pedestres maiores que50 pixels com oclusao densa (35 a 80% da areaoclusa). Fonte: Dollar et al. (2012).



1617

gendas representam a taxa de erro (miss rate =1 − recall) de cada metodo para suas respecti-vas condicoes, ou seja, a porcentagem de pedes-tres que os detectores nao conseguiram identificar.Atraves da Figura 1(a), pode-se observar que o re-sultado absoluto destes metodos ainda e precario,pois, pelo menos metade dos pedestres nao saodetectados. E, o maior desafio consiste em detec-tar pedestres em escalas menores, ou seja, aquelesque estao mais distantes da camera (Figuras 1(b)e 1(c)), assim como os pedestres que estao com 35a 80% de seus corpos sob efeito de oclusao (Figura1(d)).

Apesar da relevante evolucao no desempenho,ainda tem-se muito a melhorar. Recentemente,Zhang et al. (2016) mostraram que os melhoresdetectores ainda sao inferiores, em todos os aspec-tos, aos humanos. Alem disso, esses metodos queobtem melhor desempenho possuem um alto custocomputacional, o que e indesejavel para aplicacoesautomobilısticas devido a necessidade de execucaoem tempo real. Em contrapartida, alguns auto-res buscaram acelerar a taxa de execucao atra-ves de melhora nos metodos de computar carac-terısticas, algoritmos de classificacao, informacoesde profundidade, etc. (Viola e Jones, 2001; Dol-lar et al., 2014; Benenson et al., 2012a; Benensonet al., 2012b). Dentre esses trabalhos, o VeryFastproposto por Benenson et al. (2012b) se destacapelo fato de acelerar consideravelmente as taxas dedeteccoes (execucao a 50 fps) e ao mesmo tempo,manter a qualidade de desempenho sobre os detec-tores estado-da-arte da epoca (Figura 2). Porem,e importante notar que a avaliacao foi realizadano dataset do INRIA, que consiste em um con-junto de imagens de pessoas em alta resolucao,com pouca variabilidade de escala e situacoes deoclusao, o que torna a deteccao menos desafia-dora em relacao ao dataset da Caltech, explicandoa baixa taxa de erro. Ademais, quando e reali-zado a combinacao do VeryFast com informacoesde profundidade, o mesmo realiza deteccoes a umataxa de 135 Hz (Benenson et al., 2012b).

Figura 2: Resultado da avaliacao de desempenho(taxa de erro) vs. taxa de execucao realizada emimagens com resolucao de 640 × 480 no INRIAPedestrian Dataset. Fonte: Dollar et al. (2014).

3 Metodologia

Os benchmarks existentes em deteccao de pedes-tres possibilitaram verificar a evolucao dos meto-

dos propostos durantes os ultimos anos, porem,nao e possıvel saber se essa evolucao e o suficientepara aplicacoes automobilısticas. Dessa forma,com o proposito de analisar se e possıvel realizardeteccoes de pedestres de forma a assistir o moto-rista e evitar eventuais acidentes, foi realizado umestudo para verificar a qual distancia o pedestreteria que ser detectado para que o veıculo consigafrear a tempo. Para isso foi considerada tambema altura dos pedestres na imagem.

Primeiramente, calcula-se a distancia total defrenagem do veıculo:

Dt = Di +Dr +Ds +Df . (1)

onde, Di e a distancia percorrida pelo veıculo du-rante o tempo de aquisicao de uma imagem, Dr

e o tempo de reacao do sistema visual de detec-cao de pedestres, Ds e tempo de atuacao efetivado freio do veıculo apos o acionamento do pedal,Df e a distancia percorrida apos o acionamentodo freio ate a parada do veıculo.

A distancia x entre sistema de visao e a frentedo carro deve ser somada a Dt para se encontrara distancia mınima que o pedestre deve ser detec-tado:

Dtf = Dt + x. (2)

Definido a distancia mınima, e possıvel calcu-lar a altura que os pedestres terao na imagem. Apartir dessa altura em pixel, e possıvel ter umaideia da taxa de erro dos metodos de deteccao depedestre para essa condicao.

Os parametros usados para calculo de Dt saoapresentados a seguir.

3.1 Distancia de frenagem

Considerando um veıculo em movimento com ve-locidade inicial V1, a distancia de frenagem do veı-culo Df pode ser calculada atraves da seguinteequacao (Wong, 2008):

Df =γW

2gCaeln

(1 +

CaeV 21

ηµW + frW cos θ ±W sin θ

), (3)

onde:

g = Aceleracao da gravidade (m/s2)γ = Fator equivalente de massaρ = Massa especıfica do ar (kg/m3)η = Eficiencia do freioµ = Coeficiente de atritofr = Coeficiente de resistencia do rolamentoW = Peso do veıculo (kg)

Af = Area frontal do veıculo (m2)Cd = Coeficiente de aerodinamica

θ = Angulo de inclinacao da pistaV1 = Velocidade inicial do veıculo (m/s)Cae = (ρAfCd)/2



1618

3.2 Tempo de aquisicao da imagem

A distancia percorrida durante o tempo de aquisi-cao da imagem e calculada como sendo Di = tiV1,onde ti e o intervalo de tempo entre a captura dequadros de imagem consecutivos.

3.3 Tempo de reacao

O tempo de reacao consiste no tempo que o sis-tema de deteccao de pedestre ou o condutor ne-cessita para identificar um pedestre a sua frente.A distancia que o veıculo percorre durante estetempo e chamado de distancia de reacao, dadopor Dr = trV1. Aqui, tr pode ser considerado otempo de processamento do metodo de deteccaode pedestre apos a captura da imagem.

3.4 Atuacao do sistema de freio

O tempo de atuacao do sistema de freio, ts, e otempo de resposta do mesmo a partir do momentoem que o pedal do freio e acionado. Portanto,Ds = tsV1. Segundo Chen et al. (2013), o tempode atuacao do sistema de freio normalmente variaentre 0, 3 e 0, 75 segundos.

4 Estudo de Caso

Para o estudo de caso deste trabalho, considerou-se a plataforma CaRINA II (Carro Robotico Inte-ligente para Navegacao Autonoma), um Fiat Pa-lio Adventure Dualogic em desenvolvimento peloLaboratorio de Robotica Movel (LRM) no Insti-tuto de Ciencias Matematicas e de Computacao(ICMC - USP).

Figura 3: Plataforma CaRINA II 2.

A plataforma CaRINA II (Figura 3) utilizaa camera Bumblebee XB3 (BBX3-13S2C-38) daPoint Grey para coletar as imagens estereo. Acamera possui distancia focal de 3, 8 mm, e taxade aquisicao de 16 fps, ou seja, ti = 0, 06 s.

Apesar de nao possuir taxa de acerto tao boaquanto outros metodos de deteccao de pedestremais recentes, o metodo de deteccao VeryFast(Benenson et al., 2012b) foi escolhido para estaavaliacao devido ao seu rapido tempo de execu-cao. Para a mesma taxa de acerto do VeryFast,

2http://www.lrm.icmc.usp.br/

(a)

(b)

Figura 4: Estimativas da distancia total percor-rida por um veıculo em situacoes de frenagensbruscas, considerando o tempo de reacao do detec-tor VeryFast (50 fps) em condicoes de (a) Pistaseca e (b) Pista molhada.

os demais metodos nao conseguem fazer a detec-cao tao rapidamente. Essa taxa de execucao variade 50 a 135 Hz.

Em uma via urbana no Brasil, o limite de ve-locidade e de 60 km/h nas vias arteriais. Dessaforma, esta foi a velocidade maxima V1 conside-rada neste trabalho. Atraves da Equacao 1, e pos-sıvel estimar a distancia total percorrida pelo veı-culo em situacoes de frenagens bruscas, e os resul-tados dos calculos sao apresentados na Figura 4.Como pode ser observado na Figura 4(a), em con-dicoes de pista seca, o veıculo percorre 26 metrosate conseguir parar completamente. E, em con-dicoes de pista molhada, essa distancia aumentapara 32 metros (Figura 4(b)).

Figura 5: Configuracao das cameras no CaRINAII.



1619

No CaRINA II, a camera fica acoplada naparte superior central do veıculo (Figura 5) a umadistancia de 2 metros da parte frontal. Dessemodo, considerando Dt = 32 metros, o sistemadeve identificar pedestres que estejam a pelo me-nos 34 metros. Entao, de acordo com a Figura 6,ao considerar pedestres com altura variando entre1 a 2 metros, os metodos devem detectar pedes-tres com altura maior ou igual aos mostrados naTabela 1.

Entretanto, como foi mostrado na secao 2, emcaso de pedestres menores que 30 pixels, mais de77% nao sao detectados, enquanto que para es-calas entre 30 a 80 pixels, a taxa de erro reduzpara 33%. Apesar desta melhora expressiva de de-sempenho, supoe-se que a taxa de erro nao estejaigualmente distribuıda para todo o intervalo deescala media. Assim como ha um declınio de de-sempenho da escala media para pequena, assume-se que dentro de um intervalo de escala haja umaqueda contınua de desempenho com a reducao deescala. Isto e, os detectores apresentam maior di-ficuldade quanto menor for a escala do pedestre.

Tabela 1: Relacao entre a distancia mınima queos pedestres devem ser detectados e sua altura naimagem, para que seja possıvel realizar a frenagema tempo.

Distanciada camera (m)

Altura doPedestre (m)

Altura naimagem (pixels)

341,0 291,5 452,0 59

5 Discussao

Atraves do estudo realizado, concluiu-se que paraas condicoes determinadas neste trabalho, o pe-destre deve ser detectado a pelo menos 34 metrosde distancia da camera, onde sua altura na ima-gem corresponde a apenas 29 pixels. Apesar da ul-tima atualizacao do Caltech Pedestrian Detection

Figura 6: Distancia vs. altura do pedestre na ima-gem, considerando a camera Bumblebee XB3.

Benchmark (Dollar et al., 2009) ter mostrado queos novos metodos estao conseguindo melhorar odesempenho em relacao a pedestres em pequenasescalas, observa-se que atraves dos metodos atu-ais, seria possıvel utilizar detectores de pedestrespara assistir o motorista somente nas situacoes emque o pedestre estiver em escalas maiores (regiaoem vermelho da Figura 6), ou seja, a operacao dosistema estaria limitado a no maximo 12 metros afrente da camera. Assim, de acordo com a Figura4(b), o veıculo teria que estar abaixo de 30 km/hpara evitar a colisao.

Alem disso, ainda ha diversos aspectos queimpossibilitam a aplicacao desses detectores deforma segura em veıculos. Dentre esses, os princi-pais pontos serao discutidos a seguir.

5.1 Desempenho

A precisao e um fator fundamental em aplicacoesautomobilısticas. Isto e, os metodos devem detec-tar o maximo de pedestres presentes nas imagens,e, ao mesmo tempo, com o mınimo possıvel defalsas deteccoes. No entanto, isto ainda e umarealidade distante, dado que mais de 77% dos pe-destres menores que 30 pixels na imagem nao saodetectados. Alem disso, para que um veıculo con-siga frear a tempo, e fundamental que o sistemaseja capaz de detectar pedestres nessas escalas.

5.2 Tempo de execucao

A consideravel melhora no desempenho dos meto-dos de deteccao de pedestres veio acompanhado deum alto custo computacional, uma vez que essesnovos metodos utilizam arquiteturas robustas dedeep learning. Contudo, a capacidade de execucaoem tempo real do sistema assistivo ao motoristae um dos fatores indispensaveis para que se possatrabalhar com o menor tempo de reacao tr possı-vel.

5.3 Limitacao de hardware

Os sistemas devem ter baixo custo para que se-jam competitivos comercialmente, desse modo, oshardwares e sensores sao limitados por este fator.Ademais, nos veıculos inteligentes sao executadosoutras tarefas de mais alto nıvel que exigem maiorrecurso computacional, tais como localizacao, ma-peamento, deteccao de area navegavel, etc. Porisso, nao e viavel aumentar a capacidade compu-tacional para reduzir o tempo de processamentodo sistema de deteccao de pedestres. Ao invesdisso, deve-se recorrer a metodos mais eficientes,otimizando algoritmos ou acrescentando tecnicasque reduzam a regiao de busca por pedestres naimagem, tal como a exploracao de informacoes deprofundidade (Benenson et al., 2012a).



1620

5.4 Rastreamento

Alem de detectar os pedestres, para que o sistemaseja capaz de assistir o motorista, o mesmo deveprever quais pedestres na imagem tem intencao deatravessar na frente do veıculo gerando situacoesperigosas. O problema em que os pedestres saoparcialmente oclusos por elementos que compoeo ambiente tambem deve ser solucionado. Logo,se torna necessario o uso de algoritmos de rastre-amento (tracking) para prever a localizacao dospedestres nos proximos quadros de imagem.

6 Proposta de Sistema para TrabalhosFuturos

Como forma de melhorar o desempenho da de-teccao visual de pedestre pelo metodo VeryFastno CaRINA II, propoe-se utilizar uma configura-cao de cameras que resultara em pedestres comescalas maiores na imagem. Isto podera ser feitoatraves da combinacao de dois pares de cameraestereo que trabalhara com diferentes distanciasfocais e baseline (Figura 7).

Figura 7: Metodo proposto atraves da combina-cao de dois pares de cameras estereo, com diferen-tes distancias focais e baselines, para possibilitara operacao em duas regioes de interesse.

As quatro cameras utilizadas serao a Flea3 daPoint Grey, com taxa de aquisicao a 59 fps. O parde cameras com baseline menor (b1), tera lentescom distancia focal de 4, 5 mm para operar emuma regiao de 5 a 23 metros a frente das cameras.E, o segundo par com baseline maior (b2) e lentescom distancia focal de 8, 5 mm, sera responsa-vel pela aquisicao de imagens em que os pedestresestao a uma distancia de 20 a 40 metros das ca-meras. Logo, a configuracao das cameras poderapossibilitar a aquisicao de pedestres que estao ate34 metros de distancia camera em escalas maiores(Figura 8). Isto e, a altura dos pedestres na ima-gem sera quase 2 vezes maior em comparacao aosistema estereo utilizado atualmente (Figura 6).

(a) f = 4, 5 mm

(b) f = 8, 5 mm

Figura 8: Distancia vs. altura do pedestre na ima-gem em relacao a diferentes distancias focais. (a)Distancia focal de 4, 5 mm. (b) Distancia focal de8, 5 mm.

7 Conclusao

O presente artigo buscou analisar a viabilidade daaplicacao dos metodos estado-da-arte de deteccaode pedestres em um veıculo inteligente, conside-rando o contexto real de cenarios urbanos e as li-mitacoes atuais de hardware e software que o sis-tema possui. Para isso, as caracterısticas fısicasda plataforma CaRINA II foram tomadas comoreferencia do estudo. Apos a analise, observou-seque os pedestres deveriam ser detectados a umadistancia de 34 metros para que um veıculo a60 km/h consiga frear a tempo. Porem, essa ea distancia onde todos os detectores existentes fa-lham devido as pequenas escalas dos pedestres nasimagens.

Dessa forma, para trabalhos futuros, foi pro-posta uma configuracao de cameras que possibi-litara trabalhar apenas com pedestres em escalasmaiores, a partir da combinacao de dois pares decameras estereo com diferentes distancias focais ebaseline.

Referencias

Benenson, R., Mathias, M., Timofte, R. and VanGool, L. (2012a). Fast stixel computation



1621

for fast pedestrian detection, Lecture No-tes in Computer Science (including subse-ries Lecture Notes in Artificial Intelligenceand Lecture Notes in Bioinformatics) 7585LNCS(PART 3): 11–20.

Benenson, R., Mathias, M., Timofte, R. and VanGool, L. (2012b). Pedestrian detection at 100frames per second, Proceedings of the IEEEComputer Society Conference on ComputerVision and Pattern Recognition pp. 2903–2910.

Cai, Z., Fan, Q., Feris, R. S. and Vasconcelos, N.(2016). A Unified Multi-scale Deep Convo-lutional Neural Network for Fast Object De-tection, pp. 1–16.

Chen, Y. L., Shen, K. Y. and Wang, S. C. (2013).Forward collision warning system consideringboth time-to-collision and safety braking dis-tance, Proceedings of the 2013 IEEE 8th Con-ference on Industrial Electronics and Appli-cations, ICIEA 2013 pp. 972–977.

Companhia de Engenharia de Trafego (2016). Aci-dentes de Transito Fatais: Relatorio anual,Technical report, Sao Paulo.

Dalal, N. and Triggs, B. (2005). Histogramsof Oriented Gradients for Human Detection,2005 IEEE Computer Society Conference onComputer Vision and Pattern Recognition(CVPR’05), Vol. 1, IEEE, pp. 886–893.

Dollar, P., Appel, R., Belongie, S. and Pe-rona, P. (2014). Fast feature pyramidsfor object detection, IEEE Transactions onPattern Analysis and Machine Intelligence36(8): 1532–1545.

Dollar, P., Wojek, C., Schiele, B. and Perona, P.(2009). Pedestrian detection: A benchmark,2009 IEEE Computer Society Conference onComputer Vision and Pattern RecognitionWorkshops, CVPR Workshops 2009 pp. 304–311.

Dollar, P., Wojek, C., Schiele, B. and Perona, P.(2012). Pedestrian Detection: An Evalua-tion of the State of the Art, IEEE Transacti-

ons on Pattern Analysis and Machine Intel-ligence 34(4): 743–761.

Du, X., El-Khamy, M., Lee, J. and Davis, L. S.(2016). Fused DNN: A deep neural networkfusion approach to fast and robust pedestriandetection, Computing Research Repository .

Enzweiler, M. and Gavrila, D. M. (2009). Monocu-lar pedestrian detection: Survey and experi-ments, IEEE Transactions on Pattern Analy-sis and Machine Intelligence 31(12): 2179–2195.

Geiger, A., Lenz, P. and Urtasun, R. (2012).Are we ready for autonomous driving? theKITTI vision benchmark suite, Proceedingsof the IEEE Computer Society Conferenceon Computer Vision and Pattern Recognitionpp. 3354–3361.

Geronimo, D. and Lopez, A. M. (2014). Vision-based Pedestrian Protection Systems for In-telligent Vehicles, SpringerBriefs in Compu-ter Science, Springer New York, New York,NY.

Johansson, G. and Rumar, K. (1971). Dri-vers’ brake reaction times., Human factors13(1): 23–27.

Li, J., Liang, X., Shen, S., Xu, T. and Yan, S.(2015). Scale-aware Fast R-CNN for Pedes-trian Detection, arXiv preprint pp. 1–9.

Viola, P. and Jones, M. (2001). Rapid object de-tection using a boosted cascade of simple fe-atures, Computer Vision and Pattern Recog-nition (CVPR) 1: I511–I518.

Wong, J. Y. (2008). Theory of Ground Vehicles,4 edn, John Wiley & Sons, Hoboken, NewJersey.

Zhang, S., Benenson, R., Omran, M., Hosang, J.and Schiele, B. (2016). How Far are We fromSolving Pedestrian Detection?, Computer Vi-sion and Pattern Recognition (CVPR) .

Zhang, S., Benenson, R. and Schiele, B. (2017).CityPersons: A Diverse Dataset for Pedes-trian Detection.



1622

aplicabilidade dos metodos visuais de detecc˘ ao de ...transito que envolvam pedestres (geronimo e...

Documents