論文の概要: Accurate Localization of Road Traffic Objects on the Road Plane Using Surveillance Camera Imagery
- arxiv url: http://arxiv.org/abs/2608.05840v1
- Date: Thu, 06 Aug 2026 10:07:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.886821
- Title: Accurate Localization of Road Traffic Objects on the Road Plane Using Surveillance Camera Imagery
- Title（参考訳）: 監視カメラ画像を用いた道路平面上の道路交通物体の正確な位置推定
- Abstract要約: 本稿では,道路面への車両の足跡の投射を推定する2段階の幾何認識型位置決めパイプラインを提案する。
合成データと実データを用いた実験では, ナイーブな境界箱中心の局在よりも明らかな改善が見られた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate vehicle localization from monocular roadside surveillance cameras is important for intelligent transportation systems, traffic monitoring, and traffic conflict analysis. Standard approaches often estimate vehicle position from the center of the detector bounding box, which can produce large errors due to perspective distortion and parallax, especially for elevated cameras and large vehicles. This paper proposes a two-stage geometry-aware localization pipeline that estimates the projection of the vehicle footprint onto the road plane. First, vehicles are detected using a YOLO26-based detector. Second, a dedicated ResNet34 regression network predicts four corner points corresponding to the projected vehicle base. The final position is computed as the geometric center of the predicted quadrilateral. The method was trained on synthetic data generated in CARLA and fine-tuned on real-world roadside imagery from DAIR-V2X. Experiments on synthetic and real data showed clear improvements over naive bounding-box-center localization. On DAIR-V2X, the mean image-space localization error decreased from 31.77 px to 15.30 px, a 51.8% improvement, while the median error decreased to 4.29 px. Median ground-plane error for medium-range vehicles decreased from 5.52 m to 0.90 m, and for far-range vehicles from 8.67 m to 1.84 m. The results also show that contextual information surrounding the detector bounding box is important for geometric localization. The largest gains were observed for distant vehicles and geometrically challenging cases affected by strong perspective distortion and parallax.
- Abstract（参考訳）: 単眼道路監視カメラからの正確な車両位置推定は、インテリジェント交通システム、交通監視、交通紛争解析において重要である。
標準的なアプローチでは、検出器のバウンディングボックスの中央から車両の位置を推定することが多く、特に高架カメラや大型車両において、視線歪みや視差による大きな誤差を生じさせる。
本稿では,道路面への車両の足跡の投射を推定する2段階の幾何認識型位置決めパイプラインを提案する。
まず、YOLO26ベースの検出器を使って車両を検知する。
第二に、専用のResNet34回帰ネットワークは、投影された車両ベースに対応する4つのコーナーポイントを予測する。
最終位置は、予測された四辺形の幾何学的中心として計算される。
この方法は、CARLAで生成された合成データに基づいて訓練され、DAIR-V2Xの実際の路面画像に基づいて微調整された。
合成データと実データを用いた実験では, ナイーブな境界箱中心の局在よりも明らかな改善が見られた。
DAIR-V2Xでは、画像空間の局所化誤差は31.77pxから15.30pxに減少し、51.8%改善し、中央値の誤差は4.29pxに低下した。
中距離車両の中間面誤差は5.52mから0.90mに減少し、遠距離車両は8.67mから1.84mに減少した。
また, 検出器境界ボックスを取り巻くコンテキスト情報は, 幾何学的位置決めに重要であることも示唆した。
遠距離車両の最大利得は, 強い視線歪みと視差の影響を受け, 幾何学的に難解な症例であった。
関連論文リスト
- Benchmarking the Robustness of Autonomous Driving to Environmental Illusions: A Lane Perception Perspective [76.02772556944073]
環境錯覚は自然に存在するが、現実の運転環境では見過ごされている現象である。
視覚的知覚を妨害し、シーンの誤解を招き、自動運転システムに深刻な安全リスクをもたらす。
最初のベンチマークであるLanEvil++を導入し、環境錯覚下での車線知覚の堅牢性を評価する。
論文 参考訳（メタデータ） (2026-07-07T03:15:00Z) - A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle [0.0]
本稿では,自転車に搭載された1台のカメラからのイベント検出を自動で行う,幾何学インフォームドコンピュータビジョンパイプラインを提案する。
パイプラインは97.8%のリコールを達成し、偽陽性はゼロとなり、車両通過の2.44秒前の平均を達成した。
論文 参考訳（メタデータ） (2026-06-03T17:41:00Z) - Mobile Traffic Camera Calibration from Road Geometry for UAV-Based Traffic Surveillance [0.1019561860229868]
視線画像座標で車両の動きが観察されるため、交通分析にUAVビデオを使用するのは困難である。
本稿では,単眼のUAVトラヒック映像を局所的な視線表示に変換するための軽量パイプラインを提案する。
論文 参考訳（メタデータ） (2026-05-12T10:14:43Z) - BMD-45: A Large-Scale CCTV Vehicle Detection Dataset for Urban Traffic in Developing Cities [5.530813453311619]
CCTVの固定カメラからの車両検出は、インテリジェントトランスポーテーションシステムにとって重要である。
既存のベンチマークは主に、エゴ中心の運転視点や制御された航空ビューから捉えた比較的均質で高度に組織化された交通パターンを特徴としている。
BMD-45は、480Kのバウンディングボックスからなる大規模データセットで、3.6K以上のSafe City CCTVカメラから撮影された45K画像に注釈を付けている。
UA-DETRACで微調整されたモデルでは33.6%のmAP@0.50:0.95しか達成できないが、ドメイン上でのトレーニングでは83.8%であった。
論文 参考訳（メタデータ） (2026-04-27T12:49:02Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳（メタデータ） (2026-04-02T08:08:41Z) - Measuring Braking Behavior Using Vehicle Tracking and Camera-to-Satellite Homography Rectification [4.61803711540329]
本稿では,信号化都市高速道路における車両の挙動とブレーキイベントに着目し,交通カメラ映像を解析するためのオープンソースソフトウェアアプリケーションを提案する。
中心となるイノベーションは、固定されたトラフィックカメラビューと衛星の直視を結びつける、堅牢な地上面のホモグラフィー推定である。
すべての検出およびトラジェクトリデータは、その後の分析のためにClickHouseデータベースに格納される。
論文 参考訳（メタデータ） (2026-01-24T18:59:32Z) - Robust Detection, Association, and Localization of Vehicle Lights: A
Context-Based Cascaded CNN Approach and Evaluations [0.0]
本稿では、上流車両検出と可視光中心の近似を付与した車両光の検出方法を提案する。
地上の真理角からの平均距離誤差は4.77ピクセルであり、車両の光の約16.33%である。
我々は,このモデルをパイプラインに統合して,完全形状の車両光検出ネットワークを構築することを提案する。
論文 参考訳（メタデータ） (2023-07-27T01:20:47Z) - Boosting 3-DoF Ground-to-Satellite Camera Localization Accuracy via
Geometry-Guided Cross-View Transformer [66.82008165644892]
地上レベルの画像と一致/検索衛星画像との相対的な回転と変換を推定することにより、地上カメラの位置と方向の精度を向上させる手法を提案する。
実験の結果,本手法は最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-07-16T11:52:27Z) - DeepAccident: A Motion and Accident Prediction Benchmark for V2X
Autonomous Driving [76.29141888408265]
本研究では,現実の運転において頻繁に発生する多様な事故シナリオを含む大規模データセットを提案する。
提案したDeepAccidentデータセットには57Kの注釈付きフレームと285Kの注釈付きサンプルが含まれており、これは大規模なnuScenesデータセットの約7倍である。
論文 参考訳（メタデータ） (2023-04-03T17:37:00Z) - Exploiting Playbacks in Unsupervised Domain Adaptation for 3D Object
Detection [55.12894776039135]
ディープラーニングに基づく最先端の3Dオブジェクト検出器は、有望な精度を示しているが、ドメインの慣用性に過度に適合する傾向がある。
対象領域の擬似ラベルの検出器を微調整することで,このギャップを大幅に削減する新たな学習手法を提案する。
5つの自律運転データセットにおいて、これらの擬似ラベル上の検出器を微調整することで、新しい運転環境への領域ギャップを大幅に減らすことを示す。
論文 参考訳（メタデータ） (2021-03-26T01:18:11Z) - Road Curb Detection and Localization with Monocular Forward-view Vehicle
Camera [74.45649274085447]
魚眼レンズを装着した校正単眼カメラを用いて3Dパラメータを推定するロバストな手法を提案する。
我々のアプローチでは、車両が90%以上の精度で、リアルタイムで距離を抑えることができる。
論文 参考訳（メタデータ） (2020-02-28T00:24:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。