Resumen de Vehicle classification based on a bag of visual words and range images usage

Andrés F. Gómez, Pablo J. Hernández, Bladimir Bacca Cortes

• español

  Los descriptores de características en 3D extraídos de nubes de puntos se han convertido en una fuente de información promisoria para muchas aplicaciones. Estas aplicaciones incluyen reconocimiento de objetos o formas, modelamiento de edificaciones, modelamiento de estructuras civiles, sistemas de navegación autónoma, etc.

  Considerando estas tendencias, este artículo presenta un sistema de clasificación de vehículos, basado en bolsa de palabras, el cual extrae descriptores de características de imágenes de rango capturadas usando un láser SICK LMS200. Nuestro enfoque usa información visual para estimar la velocidad de los vehículos usando un filtro de Kalman, esta estimación de la velocidad es usada para registrar los datos del láser y construir la nube de puntos de la escena. En este trabajo, un dataset fue capturado a partir de la nube de puntos del vehículo, su información visual, la estimación de la velocidad del vehículo y una etiqueta de la clase de vehículo. Usando este dataset, varios descriptores de 3D fueron probados y árboles KD fueron empleados para acelerar el proceso de clasificación, este último realizado con la Bolsa de Palabras. En consecuencia, nuestro enfoque puede clasificar hasta nueve diferentes clases de vehículos; el desempeño del clasificador fue medido usando curvas tipo Precision –Recall.

• English

  3D feature descriptors extracted from point clouds are becoming a promising information source for many applications. These include object/shape recognition, building information and civil structures modeling, autonomous navigation systems, etc. Considering these trends, this paper presents a classification system for vehicles based on the bag of visual words framework. The former extracts feature descriptors from range images being captured from a SICK LMS200 sensor. Our approach uses also visual information to estimate the vehicle velocity using a Kalman filter. The velocity estimation is used to properly register laser scans and build the scene point cloud. In this work, a dataset was set up by including the vehicle point cloud, related visual information, vehicle velocity estimation as well as captured label classes. Using this dataset, various 3D descriptors were tested and for the classification process a bag of visual words was employed while KD-trees were used to speed up the process. As a result, our approach can classify up to nine different classes of vehicles. In this work, the classifier performance was measured using Precision-Recall curves.