本课题研究实时嵌入式盲点安全辅助系统

本课题研究实时嵌入式盲点安全辅助系统Bing-FeiWu,Chih-ChungKao,Ying-FengLi,andMin-YuTsai电气与控制工程学院本文提出了一种有效的电子车辆在白天和夜间的盲点区摩托车检测系统场景。该方法确定的车和摩托车的检测在白天的阴影和边缘特征，汽车和摩托车可以通过夜间车灯检测定位。首先，进行定位车辆的位置。然后，垂直和水平边缘被用来验证是否存在的车辆。之后，追踪程序操作在连续的帧跟踪相同的车辆。最后，驱动行为是由轨迹判断。第二，基于直方图自动阈值提取,是受空间和时间的功能的限制，对路面的重新检验。所提出的实时的基于视觉盲点安全辅助系统来实现一个TIDM6437平台上进行车辆检测评价。真正的公路，高速公路，城市道路，工作在晴天，阴天，多雨的条件下，在白天和夜间的时间进行。实验结果表明，所提出的车辆检测方法是在各种环境中有效的，可行的。1。简介近年来，驾驶的安全性已成为重要问题。汽车事故伤亡人数逐年增加。根据事故，来自国道高速公路局的数据，主要发生事故的原因是人为的疏忽。因此，碰撞预警技术得到极大的重视。驾驶安全的几种辅助产品产品的推广也越来越多，包括车道偏离警告系统（ldwss），盲点信息系统（幸福）等。这些产品可以提供车辆周围环境和司机的更多的信息，使司机能够做出正确的决定在道路上行驶时。也可以检测车的一侧是否出现车辆或在驾驶员不知情的情况下突然变道。雷达是为另一个解决方案。然而，成本比相机更高。因此，基于盲点检测成为了希望的田野。有许多基于视觉的障碍物检测系统，我们在文献中提出的。他们中的大部分集中在检测车道，车道在主机车前面的障碍偏离预警[1–3]，还有避免碰撞的应用方法[4–7]等。车道检测是利用行车安全在早期的助理。此外，一个完整的调查处理。此外，前方障碍物检测在过去的十年里被广泛地用来检测前面的车辆主机车。在线学习算法可以克服对实际系统的在线调整问题。O’Malley等人提出了用车尾灯来检测和跟踪夜车辆的想法。尾灯组是用来识别前面的车辆和轨道，并采用卡尔曼滤波器。刘和藤村提出了一种行人检测系统立体声夜视。当人成为热点的夜晚，视觉将由团块匹配追踪。labayrade等人集成三维相机和激光扫描用来检测前面的车辆的宽度，高度，和深度障碍物的立体视觉，还要精确的估计障碍物的位置，但也可以通过激光扫描仪来进行扫描。这种合作的融合方法实现了更精确强大的检测得目的。Wong和Qidwai安装了六个超声波传感器和三图像传感器在车上。他们在算法上应用模糊推理来警告司机并且减少汽车发生事故的可能性，并用全向摄像机来监视周围地区的车辆。因此，可将盲目的障碍物现场和双方的障碍物现场同时的检测。轮子后面的过滤型滤波器系统是用来确定车辆是否存的。罗德等人设计了车道变更辅助系统，射程远侧雷达，雷达，立体视觉。传感器融合和卡尔曼滤波器被用于轨道车辆稳定。D´ıAZ等人应用光学flOW算法在盲区车辆段，对多尺度模板进行了跟踪。巴达维亚等人还监测车后图像光学flOW算法和边缘特征。stuckman等人利用红外线传感器来获取盲信息斑面积。该方法在对数字信号处理器（DSP）上成功实现。自适应模板匹配（高级数据传送模块）算法提出了在盲点区域检测车辆，并且以算法的级别来确定跟踪车辆的行径。如果这车辆是接近，水平会增加，否则由Yoshioka等人安装多线ccd的平稳度将会降低。监测盲斑面积，该传感器可以获得一个像素高度的在图像由于是两个镜片之间的视差。因此，该方法可以获得车辆的高度。Techmer利用逆透视映射（IPM）与边缘提取算法的匹配模式来确定车辆是否存在盲点。Furukawa等人将三摄像头监控安装在前门的部分，左边的部分和右边的部分。水平段的边缘和模板通过定位编码匹配操作，这是一个鲁棒匹配技术。最重要的是，这些算法实现在一个需要较少的资源运作在嵌入式系统。Jeong等人分开几个确定的输入图像，定判断几个确定这些分割图像是属于前景还是背景的灰度级。后来，尺度不变特征变换（SIFT）的实施产生强大的功能来检查车辆是否存在。最后，该均值漂移用于跟踪检测车辆。C.T.陈和Y.S陈估计在车道的道路场景熵的图像。通过分析车道信息，可以检测到道路信息。虽然他们可以实时的跟踪的障碍，但他们只判断履带车辆接近或不考虑的位置前一帧和当前帧。因此，假容易引发警报。四个地区识别危险，并提取生物形态操作的方法可以清晰的产生边缘图像。然而，如果只考虑边缘信息，系统将很容易通过阴影和安全岛误报警。此外，在这领域最重要的问题之一是执行效率的系统。如果效率不够高了，个系统就不能实时的检测出结果，它无法立即提醒司机，就是没有使用价值的系统。在最近几年已经提出了很多方法来防止在盲点区域的碰撞，但大多数方法都是在PC机上实现的，不合适的汽车电子产品。虽然有一些方法在DSP平台上实现了，但低帧速率和鲁棒性成为严重的问题，在本文，边缘，阴影，和在空间域上的应用电子灯提高了执行效率。因此，本在该系统中的车辆检测性能是重要的主题，特别是解决在复杂恶劣环境中的问题，如在城市道路上行驶。使用在空间域的一般特征和保持较高的性能已经通过实地的验证，次方法本文已介绍了。在DSP平台的发展本系统的帧速率仍然可以最多达到59fps。CIF图像，效率是足够高的系统可提供实时信息给司机，因此，驾驶员可以及时做出最正确的决定。该系统对TIDM6437平台具有高帧率，道路现场试验可以在公路或城市道路，高速公路。在晴天，阴天，或雨天的条件下也可以检测。这表明，系统的鲁棒性是很好的，所以它可以随时随处提供警示功能。警告系统由一个蜂鸣器和LED灯组成，在发生触动时发出报警来提醒司机。第2节简要介绍了本文提出的方法。在3,4节中介绍了车辆在白天和夜间的检测部分。实验结果和各种情况之间的相互比较，将在第5节中说明。最后，本结论将在第6节中。因为在白天车辆检测的特点明显地不同于在夜间，可利用得特征和验证应用程序将会不同。此外，考虑到实际应用，BSD要夜以继日的工作。因为它非常地困难去区分白天和夜间，两车辆检测算法在白天和在夜间应在每帧处处理。白天和夜间的算法检测和跟踪不同但是具有相同的工作图。这项功能已被实施在我们的系统中，使该系统更有实用性和鲁棒性。用于夜间的车辆检测算法和白天的算法，没有需要确定它现在是什么时间。该算法主要有三种检测模式对车辆进行检测。这些模式分别是全搜索模式，跟踪模式，和局部搜索模式。图像进行预处理时，提取边缘，阴影，为车辆检测灯的特性。首先，进行检测和轨迹跟踪。因此，系统会搜索可能的车辆在整个地区全搜索模式的图像中。如果车辆检测并成功的跟踪连续的视频帧，该过程会生成车辆轨迹，和系统在下一帧的跟踪模式。由于数据是在完整的搜索方式下保存的，我们已经知道了车辆的存在；因此，不需要再次搜索的整个ROI。我们可以只搜索区域车辆的存在和确定追踪他们的行为模式。根据车辆的位置保存在最后一帧，将搜索区域自适应地确定。经过检测，候选匹配和车辆的行为将被评估。最后，系统触发预警信号，提醒司机。部分搜索模式总是尾随跟踪模式搜索，如果有任何其他车辆或摩托车的ROI，该局部搜索模式将不会在区域搜索一个已经出现的汽车，和已检测到的跟踪模式。首先有七个主题在下面的小节，我们介绍我们的投资回报率的定义和给与ISO规格阳离子分段3.1比较分段3.2和3.3阴影搜索。通过检测车辆，我们搜索在3.4这款车正确的边界。然后，候选人都在分段3.5。用连续的帧来生成车辆轨迹将在第3.6节讨论了。最后，车辆行为进行判断在第3.7。在白天的投资回报率，我们要去ROI系统查找。道德定义改变决策辅助系统（lcdass）ISO文件，我们获取盲点区的定义来划分我们的系统。如图2所示，ISO性盲斑面积3米到车侧3米后面的车。在我们的系统中的投资回报率大于ISO并且完全覆盖它。在这个系统的检测区域特定的阳离子4.5米到车侧15米。后面的车的警戒区的阳离子在4米侧到该车后7米。车辆启动时接近警戒区域，系统会发送一个警告信号驱动。探测区域警戒区域绘制在图3中的蓝色和红色部分。3.2在白天车辆检测图像预处理，阴影和边缘特征选择的车辆检测该系统在白天，阴影下可以说明车辆的位置。因此，阴影区域提取的第一步是检测车辆车轮的垂直边缘。总是提供大量，有很多的气坝水平边缘大多数的车辆。该信息将是相当有用的时候车辆检测。路，所以固定阈值提取阴影区室外场景的失败。然而，不管什么天气，颜色是最黑暗的部分的投资回报率。因此，我们建立了一个灰度直方图自适应阈值的像素的ROI的影子。如图所示在图4中，我们假设这最黑暗的部分10%直方图可能是阴影，从而自适应阈值为G∗在这个框架中的阴影检测的计算方法是（1）。N是感兴趣区域总的像素数，h（G）的像素的数量在灰度级和0.1g，选择δ这里。根路的表面状态，阴影提取阈值可以动态地设置了在阳光明媚的日子，在下雨天，和桥下通过这种方法：此外，边缘是一个有用的功能在空间域车辆检测时，从Sobel遮罩提取边缘这里的特征。因此，有三种功能可用于识别车辆。如图5（a），阴影像素画在白色，和水平边缘，像素画成灰色。否则，该像素被设置在黑。提取的垂直边缘像素将被设置为在另一个平面，和垂直边缘像素图5（b）在255集。3.3，阴影搜索。车辆检测的第一步是阴影搜索。点与点之间的每一个像素的SlSr在每一行检查。虽然每个像素的检查，计算量不会增加太多。但点计算的和说明图6，在LP和RP是左边的位置和每一行的右边界区域。当其中一个像素的阴影像素，垂直投影会在这行的处理查看是否有连续的阴影像素，如图所示图7。阴影像素的ROI和长度在这行是由λ和λL表示，大于1/2。在那之后，可能会有一些阴影的候选人要控制确认后。3.4,正确的车辆的边界，虽然定位可以发现车辆阴影，但一些严重的条件将会导致错误的检测。早在清晨或傍晚，太阳照射而不是直接阳光会有一定角度的偏差，这将导致阴影下的车辆成细长型。在下雨天，严重的路面状况会使上述情况重新发生，即上面所描述的相同的情况，如图8中展出。因此，车辆的界线应再次使用平均强度和垂直边缘。在图9中，λ阴影像素的长度被发现。阴影的发现是来判断汽车有没有真正的的底部。因此，我们要正确从3.3小节的位置搜索区向上延伸到R和真正的底区搜索。这应该是最黑暗的阴影强度因为阴影属性在这个区域，该计算每行的平均灰度值，和行的最小灰度将被视为车辆的新的底部。车辆的新的底部得到（3），那里的平均灰度值在7行由（J）。因此，我们可以更新的底部车辆定位的V∗那里很接近汽车的底部如果连续垂直边缘存在，它会作为车辆的候选人。如图10所示，该水平投影会检查是否有车辆高度问题，默认λH，这是3/4λ的，即在3.3小节的阴影宽度。位置左边界的计算，（4）：在水平投影的垂直边缘的量h(u).对垂直边缘的最大数量的列UL。如果H（UL）大于1/4λH，这会被认为是e阳离子。有很多的水平边车辆气坝，所以我们搜索水平车辆的真实阳离子的边缘。如图11所示，我们扩展区域搜索连续水平边缘。垂直投影会进行检查，如果有空气在该地区连续的水平边缘模糊的（5）和（6）：在垂直投影量水平边缘是H（V）。行下标记为V，λh是高度检测到的车辆，λ是检测到的车辆的宽度和水平边缘的最大数量的行V∗。车辆识别阳离子被表示为α。如果条会（6），该候选人将被视为一个真正的汽车将在下一帧跟踪。验证阳离子摩托车是与车辆阳离子相同的标准，大部分的假报警可能避免的。然而，折衷摩托车不强的水平边缘将被删除。3.6，候选匹配。到目前为止，真正的汽车已保留。当全搜索模式的处理，有不知道在连续的同车的相关性帧。为了连续跟踪检测车帧，候选匹配函数的设计解决这一问题。匹配的候选函数是执行不仅产生新的轨迹检测到的车辆或摩托车在开始的时候还匹配检测到的车辆的履带车辆。第一步在这个功能是发现最近的车辆的连续帧。如果车辆的位置更接近于连续的帧，一些特性如，在H和W代表的高度和宽度图像，分别是βc，βl，yc，yl，pc，其中pl是心柱的位置，和同一中心行定位在当前帧和车辆的最后一帧，分别为：车轮的垂直边缘。的边界