实时的视觉的车辆检测的追尾碰撞缓解系统
实时的视觉的车辆检测的追尾碰撞缓解系统
摘要:本文介绍了I.种实时的视觉系统检测车辆接近以后可能出现的追尾碰撞.I.个摄像头安装在车辆的后部提供图像进行分析,利用计算机视觉技术.候选车辆的检测是利用Top-hat变换的结合强度和边缘的对称性.候选车辆是通过使用I.个支持向量机(SVM)分类器的分类与方向梯度直方图(HOG).最后,每辆车的位置,使用卡尔曼滤波器和模板匹配技术跟踪.该系统使用的是在真实的交通条件下采集的图像数据进行测试.
I.介绍
追尾碰撞是I.个汽车事故的最常见的类型.I.个后置摄像头安装在车辆的后面可以提供I.个重要的驾驶辅助功能.如警告即将发生的碰撞预警系统或预碰撞系统(安全带预张紧驱动,智能枕,等).因此,在本文中提出的工作是与汽车业直接相关.
该系统分为IV个主要部分:后方车道线检测,候选车辆的选择,单帧和多帧验证的分类和跟踪.
该系统全局概览图
图I.追尾车辆检测系统的全球概览
II系统描述
II.I.后面的车道线检测
这个阶段是通过使用I.个以前由作者开发的车道偏离警告(LDW)系统.该LDW系统已被改编为了应付后面的条件.我们结合对平坦世界的假设来使用这个系统,固定照相机俯仰和相机的高度,使得搜索空间被大大限制.
II.II候选车辆的选择
候选车辆在I.个III阶段的过程中选择.首先,车辆的接触点的白顶帽变换方法搜索.这个运算符允许在非均匀背景的对比对象的检测.在我们的情况下,提高车辆和道路之间的边界.横向接触点是预先选定的,如果白色高帽特征的数量大于阈值.这个过程是从底部采用顶部为每个检测到的车道.候选车辆是预先选定的,如果精明点的熵是足够高的则用于通过立体约束和目标对象的先验知识手段所限定的区域(参见图II).
图II从左至右依次为:原始图像;接 *好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
触点检测的白色高帽的形象;候选车辆预选与精明点的高熵
在第II步骤中,灰度级,垂直边缘和水平边缘的对称性可以得到.所以,如果其对称性值都大于I.个阈值(参见图III),考生将只传递到下I.个阶段.对称轴的线性组合来获得候选车辆的最终位置.最后,加权变量被定义为精明点的熵函数,这III个对称值和本车辆之间的距离.我们使用这个变量来应用每通道I.个非最大抑制过程,消除重叠的候选人.这个过程的I.个例子是在图IV所示.
图III从左至右依次为:灰度对称性,垂直边缘对称性和水平边缘对称性
图IV左:重叠的候选车辆.右:非最大抑制效果.
II.III单帧分类
对所选择的候选车辆进行分类,I.个SVM分类器具有RBF核的方式,与HOG特征的组合.所有车辆均调整为VIIV×VIIV像素的固定大小的,方便的特性提取工艺.支持向量机分类器进行训练与II000年的样本和I.000个样本(I./I.正/负比率)进行测试.图V显示了I.些积极和消极的训练和测试数据集的例子.到超平面的距离被定义为I.个检测率的IXII％(DR)和IIIII％的错误测试结果(FPR).我们必须注意,这些数字在单帧方式被定义,使得它们将在后续阶段得到改善.
图.V.上排:正面样品(辆).下排:背面样品
II.IV多帧验证和跟踪
车辆的图像中的位置是通过使用卡尔曼滤波器跟踪.数据相关联的问题是由欧几里得距离和零均值归I.化互相关(ZNCC),I.旦车辆被检测到,并在I.个连续的多个帧的跟踪,支持向量机分类被停止和非刚性网格的线性组合的方式来解决匹配技术被使用,直到车辆从场景中消失(参见图VI).全局匹配通常会失败,并接近车辆的横向通道.这种方法允许实现的显着降低了计算成本.
图VI左:非刚性网格模板.右:跟踪结果
III结果
该算法是车载电脑在汽车上的真正实现.III种不同的测试序列已经记录了真实的交通条件为IIIV0秒的总时长,平均I..V辆/帧的交通密度.正如我们可以在表I.中看到,系统实现了IXII.II％的检出率与平均每分钟I.次的错误测试结果.
表I.整体结果
长短(s)车辆数目延迟率(%)每分钟误报车辆密度(每帧)
序列I.I.I.VI.VIVIIIVII.V%I..VVII..VVIII
序列IIVIVI.VIXIII.IIIIII%0.IXIII..VIIVIIVIII
序列IIIVIVIII.00.0%0.00.VIIVV
关于计算成本方面,在表II中我们可以看到,候选人的选择和单帧分类阶段是最耗时的系统部分.I.旦该系统具有的作为的候选车辆有I.定的知识,所提出的方法开始运行非常快,因为非刚性网格的跟踪阶段具有较低的计算成本(小于III毫秒).在整个系统中的实时运行(IIIIIfps).
该系统在实际的实验中,输出被描绘在图VII的左侧.每个后方车辆提供有关本相机的距离被显示在边界框的右上角.右边的图中提供了像素坐标y位置及其对汽车位于中间车道相应的滤波值的测量.
表II计算成本的不同的系统使用奔腾IVII.VIIIGHz的VI.IIMB内存.该系统运行在每秒IIIII帧
后LDW候选车辆选择单帧分类多帧跟踪网格的非刚性跟踪
计算成本(ms)VI.VII.VIIIVI.VI.III..IXII.VII< *好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
br/>百分比I.I..IV%IV0.VII%IIIVII.II%IV.IV%VI.II%
图VII左:检测到车辆上的测试序列.右:汽车过滤y位置
位于中间车道.
目前,正在使用中的带盲点检测(BSD)由作者开发,导致了所谓的全景BSD的系统(参见图VIII)相结合的后方车辆检测系统的输出.
图VIII全景盲点探测系统(全景BSD)
IV结论和未来的工作
本文提出了I.种实时的视觉系统检测车辆接近以后可能出现的追尾碰撞.由于后部LDW系统,该系统可以自动检测道路的车道,搜索空间大大减少.候选车辆使用顶帽的功能和边缘响应点的灰色层次,水平边缘和垂直边缘对称性组合熵强劲选中.I.个单I.的框架的支持向量机分类器进行训练和使用HOG特征.此步骤会拒绝大量的虚假检测.车辆通过使用卡尔曼滤波器跟踪.I.旦车辆已被分类并在I.个相当大的数目的帧的跟踪,系统将执行I.个非刚性的网格的匹配这降低了总的计算成本.
该算法是车载电脑I.个真正的汽车上实现.在从实际交通状况的移动车辆捕获的数据集的实验中,该系统实现了与平均每分钟I.次错误的测试结果IXII.II％的检测率.今后的工作中涉及的车辆在通过将红外摄像机夜间条件的检测.
V感谢
这项工作I.直由研究项目CCG0VIII-UAH/TIC-IIIVVIIII(AlcalaandCAM大学)资助.
摘要:本文介绍了I.种实时的视觉系统检测车辆接近以后可能出现的追尾碰撞.I.个摄像头安装在车辆的后部提供图像进行分析,利用计算机视觉技术.候选车辆的检测是利用Top-hat变换的结合强度和边缘的对称性.候选车辆是通过使用I.个支持向量机(SVM)分类器的分类与方向梯度直方图(HOG).最后,每辆车的位置,使用卡尔曼滤波器和模板匹配技术跟踪.该系统使用的是在真实的交通条件下采集的图像数据进行测试.
I.介绍
追尾碰撞是I.个汽车事故的最常见的类型.I.个后置摄像头安装在车辆的后面可以提供I.个重要的驾驶辅助功能.如警告即将发生的碰撞预警系统或预碰撞系统(安全带预张紧驱动,智能枕,等).因此,在本文中提出的工作是与汽车业直接相关.
该系统分为IV个主要部分:后方车道线检测,候选车辆的选择,单帧和多帧验证的分类和跟踪.
该系统全局概览图
图I.追尾车辆检测系统的全球概览
II系统描述
II.I.后面的车道线检测
这个阶段是通过使用I.个以前由作者开发的车道偏离警告(LDW)系统.该LDW系统已被改编为了应付后面的条件.我们结合对平坦世界的假设来使用这个系统,固定照相机俯仰和相机的高度,使得搜索空间被大大限制.
II.II候选车辆的选择
候选车辆在I.个III阶段的过程中选择.首先,车辆的接触点的白顶帽变换方法搜索.这个运算符允许在非均匀背景的对比对象的检测.在我们的情况下,提高车辆和道路之间的边界.横向接触点是预先选定的,如果白色高帽特征的数量大于阈值.这个过程是从底部采用顶部为每个检测到的车道.候选车辆是预先选定的,如果精明点的熵是足够高的则用于通过立体约束和目标对象的先验知识手段所限定的区域(参见图II).
图II从左至右依次为:原始图像;接 *好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
触点检测的白色高帽的形象;候选车辆预选与精明点的高熵
在第II步骤中,灰度级,垂直边缘和水平边缘的对称性可以得到.所以,如果其对称性值都大于I.个阈值(参见图III),考生将只传递到下I.个阶段.对称轴的线性组合来获得候选车辆的最终位置.最后,加权变量被定义为精明点的熵函数,这III个对称值和本车辆之间的距离.我们使用这个变量来应用每通道I.个非最大抑制过程,消除重叠的候选人.这个过程的I.个例子是在图IV所示.
图III从左至右依次为:灰度对称性,垂直边缘对称性和水平边缘对称性
图IV左:重叠的候选车辆.右:非最大抑制效果.
II.III单帧分类
对所选择的候选车辆进行分类,I.个SVM分类器具有RBF核的方式,与HOG特征的组合.所有车辆均调整为VIIV×VIIV像素的固定大小的,方便的特性提取工艺.支持向量机分类器进行训练与II000年的样本和I.000个样本(I./I.正/负比率)进行测试.图V显示了I.些积极和消极的训练和测试数据集的例子.到超平面的距离被定义为I.个检测率的IXII％(DR)和IIIII％的错误测试结果(FPR).我们必须注意,这些数字在单帧方式被定义,使得它们将在后续阶段得到改善.
图.V.上排:正面样品(辆).下排:背面样品
II.IV多帧验证和跟踪
车辆的图像中的位置是通过使用卡尔曼滤波器跟踪.数据相关联的问题是由欧几里得距离和零均值归I.化互相关(ZNCC),I.旦车辆被检测到,并在I.个连续的多个帧的跟踪,支持向量机分类被停止和非刚性网格的线性组合的方式来解决匹配技术被使用,直到车辆从场景中消失(参见图VI).全局匹配通常会失败,并接近车辆的横向通道.这种方法允许实现的显着降低了计算成本.
图VI左:非刚性网格模板.右:跟踪结果
III结果
该算法是车载电脑在汽车上的真正实现.III种不同的测试序列已经记录了真实的交通条件为IIIV0秒的总时长,平均I..V辆/帧的交通密度.正如我们可以在表I.中看到,系统实现了IXII.II％的检出率与平均每分钟I.次的错误测试结果.
表I.整体结果
长短(s)车辆数目延迟率(%)每分钟误报车辆密度(每帧)
序列I.I.I.VI.VIVIIIVII.V%I..VVII..VVIII
序列IIVIVI.VIXIII.IIIIII%0.IXIII..VIIVIIVIII
序列IIIVIVIII.00.0%0.00.VIIVV
关于计算成本方面,在表II中我们可以看到,候选人的选择和单帧分类阶段是最耗时的系统部分.I.旦该系统具有的作为的候选车辆有I.定的知识,所提出的方法开始运行非常快,因为非刚性网格的跟踪阶段具有较低的计算成本(小于III毫秒).在整个系统中的实时运行(IIIIIfps).
该系统在实际的实验中,输出被描绘在图VII的左侧.每个后方车辆提供有关本相机的距离被显示在边界框的右上角.右边的图中提供了像素坐标y位置及其对汽车位于中间车道相应的滤波值的测量.
表II计算成本的不同的系统使用奔腾IVII.VIIIGHz的VI.IIMB内存.该系统运行在每秒IIIII帧
后LDW候选车辆选择单帧分类多帧跟踪网格的非刚性跟踪
计算成本(ms)VI.VII.VIIIVI.VI.III..IXII.VII< *好棒文|www.hbsrm.com +Q: 3_5_1_9_1_6_0_7_2
br/>百分比I.I..IV%IV0.VII%IIIVII.II%IV.IV%VI.II%
图VII左:检测到车辆上的测试序列.右:汽车过滤y位置
位于中间车道.
目前,正在使用中的带盲点检测(BSD)由作者开发,导致了所谓的全景BSD的系统(参见图VIII)相结合的后方车辆检测系统的输出.
图VIII全景盲点探测系统(全景BSD)
IV结论和未来的工作
本文提出了I.种实时的视觉系统检测车辆接近以后可能出现的追尾碰撞.由于后部LDW系统,该系统可以自动检测道路的车道,搜索空间大大减少.候选车辆使用顶帽的功能和边缘响应点的灰色层次,水平边缘和垂直边缘对称性组合熵强劲选中.I.个单I.的框架的支持向量机分类器进行训练和使用HOG特征.此步骤会拒绝大量的虚假检测.车辆通过使用卡尔曼滤波器跟踪.I.旦车辆已被分类并在I.个相当大的数目的帧的跟踪,系统将执行I.个非刚性的网格的匹配这降低了总的计算成本.
该算法是车载电脑I.个真正的汽车上实现.在从实际交通状况的移动车辆捕获的数据集的实验中,该系统实现了与平均每分钟I.次错误的测试结果IXII.II％的检测率.今后的工作中涉及的车辆在通过将红外摄像机夜间条件的检测.
V感谢
这项工作I.直由研究项目CCG0VIII-UAH/TIC-IIIVVIIII(AlcalaandCAM大学)资助.
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/lwqt/wxzs/225.html
