Geliştirilmiş araç gölge çıkarma algoritmasına dayalı olarak öndeki hareketli araçların gerçek zamanlı tespiti
Özet: Yolun ilerisinde hareket eden araçların tespiti, araç güvenliği destekli sürüşün önemli bir yönüdür.Güçlü gerçek zamanlı algılama yöntemlerinin geliştirilmesi, aktif güvenlik uyarısını gerçekleştirmenin etkili bir yoludur. Monoküler görüş ve şerit hatlarına dayalı olarak trapezoidal ilgi bölgesini (ROI) belirleyin ve araç tabanının gölge özelliklerine göre, araç tabanının gölge eşiğini hesaplamak için değişken dikdörtgen pencereli uyarlanabilir bir ortalama varyans yöntemi önerildi. Ayrıca, araç alt gölgesi ile yol yüzeyi arasındaki kesişme çizgisinin hipotezini oluşturmak için araç kuyruk genişliği şablonuna dayalı bir yanal geçiş minimum ortalama yöntemi önerilmiştir; daha sonra araç alt gölgesinin gri değer özellikleri, tespit etmek için araç alt gölge çizgisini doğrulamak için kullanılır. araç. Yukarıdaki yöntem, doğrulama için kendi geliştirdiği bir DSP deney platformuna uygulanmıştır Sonuçlar, yöntemin ortalama hesaplama döngüsünün sadece 38.46 ms olduğunu ve araçları farklı trafik ortamları ve hava koşulları altında iyi bir şekilde algılayabildiğini ve iyi bir gerçek zamanlı performansa sahip olduğunu göstermektedir. Ve güçlü sağlamlık.
TP391.41
Bir
10.16157 / j.issn.0258-7998.174365
Çince alıntı biçimi: Zhu Yingkai, Luo Wenguang, Bin Yang.Geliştirilmiş araç alt gölge çıkarma algoritmasına dayalı olarak ileri hareket eden araçların gerçek zamanlı tespiti.Elektronik Teknoloji Uygulaması, 2018, 44 (4): 86-89, 98.
İngilizce alıntı biçimi: Zhu Yingkai, Luo Wenguang, Bin Yang.Geliştirilmiş araç gölge çıkarma algoritmasına dayalı olarak önden hareket eden araçların gerçek zamanlı tespiti.Elektronik Tekniğin Uygulanması, 2018, 44 (4): 86-89, 98.
Önde hareket eden araçların gerçek zamanlı tespiti
geliştirilmiş araç gölge çıkarma algoritmasına dayalı
Zhu Yingkai, Luo Wenguang, Bin Yang
(Elektrik ve Bilgi Mühendisliği Okulu, Guangxi Bilim ve Teknoloji Üniversitesi, Liuzhou 545006, Çin)
Öz: Araçların yol cephesinde tespiti, araç güvenliği sürüş yardımının ana alanıdır ve güçlü sağlamlığa sahip gerçek zamanlı test yöntemlerinin geliştirilmesi, aktif güvenlik erken uyarısını gerçekleştirmenin etkili yoludur.Monoküler görüş ve öndeki trapezoidal bölge şerit çizgileri ile belirlenen ilgi (ROI), gölgelerin eşiğini hesaplamak için değişken bir dikdörtgen pencere uyarlanabilir ortalama varyans farkı yöntemi, araç gölgesinin karakteristiğine göre ileri sürülür ve ardından, iz genişliği şablonunun zeminine göre, yatay bir geçiş Gölgeler ve yol kavşağı hipotezi oluşturmak için minimum ortalama yöntem sunulmuştur.Son olarak, aracın gölge çizgisi, aracın algılanması için araç alt gölgesinin gri değeri özelliği ile doğrulanır.Yukarıdaki yöntemler, kendi geliştirdiği Doğrulama için DSP deneysel platformu. Sonuçlar, yöntemin ortalama hesaplama süresinin yalnızca 38.46 milisaniye olduğunu ve araç farklı trafik ortamlarında ve hava koşullarında tespit edilebilir.Yöntem iyi bir gerçek zamanlı performansa ve güçlü bir sağlamlığa sahiptir.
Anahtar kelimeler: araç algılama; monoküler görüş; ilgi alanı; araç gölgesi
0 Önsöz
Öndeki aracın video tabanlı gerçek zamanlı algılama teknolojisi, yolda giden aracın önündeki aracın gerçek zamanlı videosunu toplamak için Şarjla Birleştirilmiş Cihaz (CCD) kullanır ve ardından videodaki videoyu tanımlamak için görüntüyü analiz eder ve işler. araç. Bu tür araştırmalar, sürücülerin sürüş baskısını azaltmak ve trafik kazalarını azaltmak için büyük önem taşıyan araç güvenliği destekli sürüş alanına aittir. Çok sayıda belge, aracın alt kısmının gölge özelliklerinin daha önemli olduğunu göstermektedir, bu nedenle aracın alt kısmındaki gölgenin doğru bir şekilde tanımlanması, araç algılaması için bir ön şarttır.
Aracın gölge özelliğine dayalı araç algılama yöntemleri, ağırlıklı olarak model bazlı ve özellik bazlı yöntemlerdir. Model tabanlı yöntemler genellikle, iyi uyarlanabilirliğe sahip, ancak yerleşik modellerin sayısı ile sınırlı olan, araçlar, sahneler ve aydınlatma hakkındaki önceki bilgilere dayalı olarak 2D veya 3D gölge modelleri oluşturur. Özellik bazlı yöntem, aracın gölgesinin gri değeri, dokusu, şekli ve gradyan özelliklerine dayanır, aracın gölgesi yol yüzeyinden ayrılır ve aracın gölge tespiti ile aracın konumu belirlenir ve nihai olarak araç konum tespiti amacına ulaşılır. Işıktan etkilenir.
Özet olarak, bu makale, aracın alt gölge eşiğini doğru bir şekilde elde etmek için geliştirilmiş bir sürekli değişken dikdörtgen pencere uyarlanabilir ortalama varyans farkı yöntemi önermekte ve arabanın kuyruğunun genişliğine dayalı bir yanal geçiş minimum ortalama yöntemi önermektedir. , Gerçek zamanlı araç tespiti sağlamak için aracın altında tarama hipotezini oluşturma yöntemi.
1 Araç algılama algoritması
Araç algılama algoritmasının gerçekleştirilme süreci şu şekildedir: Öndeki aracın ilgi bölgesini (ROI) belirleyin; aracın gölge eşiğini hesaplayın ve alt takımın hipotezini oluşturun; aracı tespit etmek için alt takımın hipotezini doğrulayın.
1.1 ROI Seçimi
ROI seçimi, aracın görüntüde görünebileceği aralığı tahmin etmektir. Makul ROI alanı seçimi, görüntü algılama alanını azaltabilir ve gerçek zamanlı performansı artırabilir. Çalışmalar, şerit çizgilerine göre yamuk ROI'nin belirlenmesinin büyük miktarda hesaplamayı azaltabileceğini göstermiştir. Bu yazıda, trapezoidal ROI alanı, şerit çizgisinin tanımlanabileceği varsayımı altında belirlenir. Trapezoidal ROI alanı, araç tabanının gölge bilgisini tamamen tutar, bu da algoritma tarafından tespit edilen alanı azaltır ve algoritmanın gerçek zamanlı performansını iyileştirir. Aynı zamanda, trapezoidal ROI seçimi, en uzaktaki aracın tanıma aralığını arttırır Sabit bir ufuk noktası olan üçgen ROI yöntemi ile karşılaştırıldığında, kaçırılan araç algılama oranını azaltır.
1.2 Araç tabanının gölge eşiğinin hesaplanması
Görüntüdeki araba tabanının gölgesinin yol üzerindeki izdüşüm şekli genellikle yaklaşık bir dikdörtgendir, bu nedenle bu makale arabanın altının gölgesinin şeklini bir dikdörtgen olarak ele almaktadır. Pek çok istatistikten sonra, genişliğin arabanın altındaki gölge dikdörtgeninin yüksekliğine oranının yaklaşık 5: 1 olduğu sonucuna varılabilir. Bu nedenle, geçiş şablonu olarak genişlik-yükseklik oranına sahip dikdörtgen bir pencere 5: 1 seçilir ve ROI alanındaki tüm pikseller, aracın altının gölge eşiğini elde etmek için aşağıdan yukarıya ve soldan sağa sırayla çaprazlanır. Değişken dikdörtgen pencerenin ortalama varyans farkının uyarlanabilir eşiği için hesaplama formülü şöyledir:
Formülde Th, ROI alanının eşiğidir; M, dikdörtgen pencereyi geçerek elde edilen minimum gri değer ortalama değeridir; , M'ye karşılık gelen dikdörtgen pencerede pikselin gri değerinin standart sapmasıdır; G (u, v) koordinat noktasıdır ( Pikselin u, v) 'deki gri değeri, çaprazlama işlemindeki koordinat noktası (u, v) ROI'deki tüm pikselleri alır ve sıra aşağıdan yukarıya, soldan sağa; (um, vm) M'nin karşılık gelen pikselidir. Nokta koordinatları; W ve H, görüntüdeki dikdörtgen pencerenin piksellerinin genişliği ve yüksekliğidir; w ve h, çapraz dikdörtgen pencerede bulunan piksellerden sol üst piksel noktasına kadar olan yatay ve dikey piksel mesafeleridir. Minimum birim piksel uzunluğu 1'dir ve uzunluk birimi aşağıdaki resimde piksel uzunluk birimi olarak kabul edilir.
Görüntünün perspektif ilkesine göre, aynı nesne ne kadar uzaksa, görüntüde o kadar küçük gösterilecektir ve bunun tersi de geçerlidir. Aynı şekilde görseldeki kabin tabanının gölgesi de bu özelliğe sahiptir. Şekil 1, görüntüdeki mesafe değiştikçe araç tabanının gölge genişliğinin değişim kuralını yaklaşık olarak göstermektedir. AB çizgi segmenti, bu görüntüde kabin tabanının gölgesinin gerçek pozisyonudur.Kabin tabanının gölge pozisyonu sırasıyla CD ve EF'de yer alıyorsa, bu zamandaki genişlik sırasıyla CD ve EF çizgi segmentlerinin uzunluğudur. Arabanın altındaki gölgenin bulunduğu alanı varsayın. Gerçek zamanlı videodaki resmin değişimi sürekli bir süreç olduğu için araç altındaki gölgenin boyutundaki değişim süreklidir ve dikdörtgen araç altındaki gölgenin genişlik ve yüksekliğindeki değişim de süreklidir.
Aracın gölgesinin boyutunun yukarıda bahsedilen değişim yasasından, aracın gölgesinin gri eşiğini çözmek için sabit boyutlu dikdörtgen bir pencere kullanmanın mantıksız olduğu görülebilir, bu nedenle dikdörtgen pencerenin eşiğini çözmek için sürekli değişen bir yöntem önerilmektedir. Şekil 1'de S sürekli değişen dikdörtgen bir penceredir, ROI alanındaki tüm pikselleri geçtiğinde, dikey eksenin V yönündeki piksel koordinatı bir birim piksel yukarı hareket ettiğinde W'nin değeri w, H azalır. Değeri her zaman W'nin 1/5 katıdır; U yatay ekseni boyunca hareket ederken, S'nin boyutu değişmez. S genişliğinin W boylamasına değişim oranı:
Formülde w, dikdörtgen pencere S'nin dikey genişlik değişim oranıdır, Wmax, yamuk ROI'nin altındaki ve altındaki dikdörtgen pencere S'nin genişliğidir, Wmin, yamuk ROI'nin üst ve altındaki dikdörtgen pencere S'nin genişliğidir ve HROI, yamuk ROI'nin yüksekliğidir (bkz.Şekil 1 ).
Değişken dikdörtgen pencerenin uyarlanabilir araç alt gölgesinin eşik değerini hesaplamak için değiştirilmiş yöntemi, sabit dikdörtgen pencerenin araç alt gölgesinin eşik değerini hesaplamak için geleneksel yöntemle karşılaştırarak, bu kağıdın değiştirilmiş dikdörtgen penceresinin araç alt gölgesine uyarlandığı eşik segmentasyon ikili görüntüsünden görülebilir. Eşik hesaplama yöntemi, geleneksel sabit dikdörtgen pencere eşiği hesaplama yöntemi ile hesaplanan eşikten daha doğrudur. Bunlar arasında, Şekil 2 (a), değişken bir dikdörtgen pencere uyarlamalı araç alt gölge eşiğinin ikili bir görüntü bölümlemesidir ve Şekil 2 (b) ve 2 (c), sabit bir dikdörtgen pencereli araç alt gölge eşiği bölümlemesinin ikili bir görüntüsüdür.
1.3 Araç altı gölge algılama
1.3.1 Aracın altında tarama varsayımı
Araç altı gölge tespiti, aracın alt gölgesi ile yol yüzeyi arasındaki kesişme hattının konumunu tespit ederek öndeki aracın konumunu belirlemektir. Araç alt gölgesi ile yol yüzeyi arasındaki kesişme çizgisi (bundan böyle toplu olarak araç alt gölge çizgisi olarak anılacaktır) genellikle uzunluğu dikey eksene göre sürekli değişen bir yatay çizgi bölümüdür ve araç alt gölge çizgisi üzerindeki piksel noktalarının ortalama gri değeri Th eşiğinden daha azdır. Araç altı gölge çizgisinin yukarıda bahsedilen özelliklerine dayalı olarak, bu makale, araç altı gölge hipotezini hızlı bir şekilde oluşturmak için araç kuyruğunun genişlik şablonuna dayalı bir yanal geçiş minimum gri-seviye ortalama yöntemi önermektedir. Şekil 3, aracın altında farazi tarama oluşturma sürecinin şematik bir diyagramıdır. Araç kuyruk genişliği şablonuna bağlı olarak, ROI alanındaki her satırdaki minimum gri ortalama değerini satır satır hesaplayın:
Formülde, Mv minimum gri skala ortalama değeridir, yani ROI alanının dikey eksen koordinat değeri v değişmediğinde, Wv'nin alt tarama çizgisinin uzunluğunu içeren araç kuyruk genişliği şablonu, ilkini elde etmek için v'ninci sıradaki tüm pikselleri geçmek için kullanılır. V satırındaki değer; Şekil 3'te açıklanan araç tabanının gölge boyutunun değişim kuralı ile aynıdır, dikey eksen koordinat değerinin değişmesiyle Wv değeri değişir ve boyuna değişim oranı denklem (4) 'de w ile aynıdır.
Ardından, hesaplanan Mv'yi eşikle karşılaştırın, eğer Mv < Sonra, Mv'ye karşılık gelen koordinat değeri (u, v) kaydedilir Bu zamandaki koordinat değeri, aracın altındaki taramanın varsayımsal sol köşe koordinatıdır ve taramanın uzunluğu, dikey eksenin koordinat değerine v karşılık gelen Wv'dir. Şekil 3 v'in satırından elde edilen Mv 'Th'den küçükse, piksel (u' + g, v ') aracın alt gölge çizgisinin sol köşesinin koordinatıdır ve araç alt gölge çizgisinin uzunluğu Wv'dir. Araç tabanının gölge şekli dikdörtgen olduğu için Mv'yi karşılar. < Şekil 4'te gösterildiği gibi Th'nin birden fazla araç altı gölge çizgisi vardır, ROI alanında birden fazla araç altı gölge hattı hipotezi üretilir. Aracın gölgesi genişletildikten sonra, şablonu oluşturmak için 10 araç gölgesi olduğu hesaplanabilir (örnek olarak Şekil 4'ü alın) Aracı doğru bir şekilde algılamak için, benzersiz araç gölgesini belirlemek için varsayımsal sonuçların doğrulanması gerekir.
1.3.2 Araç altında taramanın doğrulanması
Araç tabanının gölge çizgisi, araç tabanının gölgesinin hemen altında olduğundan araç alt gölgesinin özellikleri kullanılarak araç altının gölge çizgisinin hipotezi doğrulanmıştır. Araç tabanının gölge şeklinin dikdörtgen olduğu ve ortalama gri değerinin eşikten daha küçük olduğu bilinmektedir, bu nedenle, aracın farazi gölge çizgisinde pikselin gri değerinin ortalama değerini bulmak için Wv genişliğinde ve Hv = Wv / 5 yüksekliğinde doğrulama dikdörtgen penceresi Sv kullanılır. Ortalama (u, v). Piksel noktası (u, v), araç tabanının gölge çizgisi tarafından kabul edilen sol tepe noktasının koordinat konumudur ve ayrıca doğrulama dikdörtgen penceresi Sv'nin sol alt köşesinin koordinatıdır. Ortalama (u, v) hesaplama formülü:
Araç altı gölge hattı doğrulaması, araç altı gölge uzunluğu Wv'nin azalan sırasına göre gerçekleştirilir.Görüntüleme sürecinde araç altı gölge çizgisi olduğunda, Ortalama (u, v) olduğu varsayılır. < Yani aracın altındaki tek gölge çizgisi olduğu belirlenir ve doğrulama süreci sona erer.
2 DSP donanım sistemi ve gerçek zamanlı algoritma uygulaması
2.1 DSP donanım sistemi
Bu makalede seçilen DSP, Şekil 5'te gösterildiği gibi video yakalama donanım sistemini oluşturmak için çekirdek işlemci olarak kullanılan TMS320DM6437'dir.
Şekil 5'teki VPFE ve VPBE, sırasıyla video işleme alt sisteminin (VPSS) ön ucu ve arka ucudur. Sistem, gerçek zamanlı video toplamak için bir CCD kamera kullanır ve video bilgilerini VPFE'ye iletir.VPFE, analog video sinyallerini dijital video sinyallerine dönüştürür ve gerçek zamanlı araç konumu algılama algoritması işleme için DM6437'ye iletir ve son olarak LED'ler aracılığıyla görüntüler.
2.2 Gerçek zamanlı algoritma uygulaması
Çevrimdışı araç algılama algoritmasının en uzun kısmı, araç tabanının gölge eşiğinin hesaplanmasıdır.Her görüntü çerçevesi için eşik hesaplamasının gerçek zamanlı performansının zayıf olduğu deneylerle doğrulanmıştır. Araç otoyolda çalıştığı için aydınlatma ve yol yapısı belli bir süre içinde hemen hemen değişmez ve bu da araç tabanının gölge eşiğine daha büyük etki eden bir faktör olur. Bu nedenle, bu makale araç alt gölge eşiğinin bir birim süre (1 sn) içinde değişmeden kaldığını varsaymaktadır. Bu makaledeki algoritmaya dayanarak, aralık çerçevelerinin eşiğini çözmek için bir yöntem önerilmiştir. Yani, gerçek zamanlı videoda eşik, her aralıkta aynı sayıda görüntü karesi için çözülür. Aralık çerçeve sayısı eşiğini çözmenin gerçek zamanlı etkisini sezgisel olarak yansıtmak için, üç farklı aralık çerçeve sayısı durumunda DSP gerçek zamanlı algoritmanın gerçek zamanlı karşılaştırma sonuçları Tablo 1'de gösterildiği gibi verilmiştir.
Tablo 1'den 30 kare aralığında DSP'nin işlem hızının saniyede 26 kare / sn'ye ulaştığı görülebilir Bu hız, araç algılamanın gerçek zamanlı gereksinimlerini karşılayabilir Bu nedenle, bu algoritma tarafından seçilen kare sayısı 30'dur. Şekil 6, hareketli araç tespiti için DSP gerçek zamanlı algoritma programının bir akış şemasıdır Ana adımlar şunları içerir: RIO alanı seçimi, eşik hesaplaması, araç alt gölge çizgisi hipotezi ve araç alt gölge çizgisi doğrulaması.
3 Test sonuçlarının analizi
Bu deneyde kullanılan video, örnek olarak Renmin West Road, Xiushan Road, Haimen City ve Yen'an Viyadük Tüneli, Henan Middle Road, Şangay bölümlerinde 20-25 Eylül 2015 tarihleri arasında çekilen görüntüleri alan bir sürüş kayıt cihazından geliyor.
Şekil 7, farklı aydınlatma ve yol koşullarında DSP gerçek zamanlı araç algılama sonuçlarından rastgele alınan sonuçların bir parçasıdır. Bu algoritma, farklı aydınlatma, farklı yol paraziti ve çeşitli çalışma koşulları altında araç algılamayı tatmin edebilir. Algoritmanın gerçek zamanlı performansını ve doğruluğunu daha sezgisel olarak yansıtmak için, bu makale literatürün yöntemine atıfta bulunur ve basit çalışma koşulları ve karmaşık çalışma koşulları altında 8000 video görüntüsünün algılama sonuçlarını rastgele sayar. Bunların arasında, basit çalışma koşulu normal aydınlatma ve yol yüzeyinde parazit olmamasıdır; karmaşık çalışma koşullarında zayıf aydınlatma, yol işaretleme paraziti ve yol gölge paraziti vardır. İki çalışma koşulu altında araç tespitinin istatistiksel sonuçları Tablo 2'de gösterilmektedir.
4. Sonuç
Deneysel sonuçlar, değişken dikdörtgen pencereli uyarlanabilir ortalama varyans farkı eşiği çözüm yönteminin, farklı aydınlatma ve farklı yol koşullarında aracın gölge eşiğini doğru ve hızlı bir şekilde hesaplayabildiğini göstermektedir; araç kuyruk genişliği şablonuna dayalı satır-satır minimum ortalama arama Yöntem, algoritmanın gerçek zamanlı performansını büyük ölçüde artırabilen ve DSP gerçek zamanlı algoritmasının gerçekleştirilmesi için uygun koşullar sağlayan alt takım gölge çizgisinin hipotezini oluşturur.
Özetle, gelişmiş araç alt gölge çıkarma algoritmasına dayalı ileri hareket eden araçların gerçek zamanlı algılama teknolojisi, iyi bir gerçek zamanlı performansa ve güçlü bir sağlamlığa sahiptir ve araçları farklı trafik ortamlarında ve hava koşullarında iyi bir şekilde algılayabilir.
Referanslar
Chen Suting, Yang Shihong İlgi bölgesine dayalı değişken frekanslı CCD gerçek zamanlı işlem sistemi Elektronik Teknoloji Uygulaması, 2012, 38 (1): 34-37.
Qu Shiru, Li Xu. Video görüntüsüne dayalı çok özellikli ön araç algılama algoritması araştırması. Çin Kontrol ve Karar Konferansı (CCDC). IEEE, 2016: 3831-3835.
COLLADO J M, HILARIO C. Akıllı araçlar için model tabanlı araç algılama IEEE Akıllı Araçlar Sempozyumu (S.l.) IEEE, 2004: 572-577.
Hu Yin, Yang Jingyu Model tabanlı araç algılama ve izleme Çin Görüntü ve Grafik Dergisi, 2008, 13 (3): 450-455.
SANIN A, SANDERSON C, LOVELL B C. Gölge algılama: son yöntemlerin araştırılması ve karşılaştırmalı değerlendirmesi Örüntü Tanıma, 2013, 45 (4): 1684-1695.
Jin Lisheng, Gu Baiyuan, Wang Rongben, vd.Çok özellikli füzyona dayanan önceki araç tespiti.IEEE Uluslararası Vechiküler Elektronik ve Güvenlik Konferansı, ICVES 2006, 2007: 356-360.
YANG M S, LAI C Y, LIN C Y. Gauss karışım modelleri için sağlam bir EM kümeleme algoritması Örüntü Tanıma, 2012, 45 (11): 3950-3961.
Qi Meibin, Pan Yan, Zhang Yinxia.Arabanın alt kısmının gölgesine dayalı olarak ileri hareket eden araçların tespiti.Elektronik Ölçüm ve Cihaz Dergisi, 2012, 26 (1): 54-59.
Hu Yin Monoküler görüşe dayalı hareketli hedef algılama ve izleme algoritması üzerine araştırma Nanjing: Nanjing Bilim ve Teknoloji Üniversitesi, 2007.
KROEGER T, Dai Dengxin, GOOL L V. Ortak ufuk noktası çıkarma ve izleme. Bilgisayarla Görme ve Örüntü Tanıma IEEE Konferansı. IEEE, 2015: 2449-2457.
Gu Baiyuan Monoküler görüşe dayalı güvenli mesafe uyarı sistemi üzerine araştırma Changchun: Jilin Üniversitesi, 2006.
Yang Biwu, Guo Xiaosong.Kamera merceğinin doğrusal olmayan bozulma düzeltme yöntemlerine genel bakış, Journal of Image and Graphics, 2005, 10 (3): 269-274.
TSENG SP, FONG D.A DSP tabanlı gerçek zamanlı ön araba algılama sürüş asistanı sistemi SICE Yıllık Konferansı, 2010: 2419-2423.
yazar bilgileri:
Zhu Yingkai, Luo Wenguang, Bin Yang
(Elektrik ve Bilgi Mühendisliği Okulu, Guangxi Bilim ve Teknoloji Üniversitesi, Liuzhou, Guangxi 545006)
