英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
对近红外夜视系统的研究
摘要：夜间发生的交通事故在道路死亡总人数中占据相当大的比例。因此，夜间智能辅助驾驶系统对辅助驾驶者提高夜间交通安全有重要的作用。特别是，第二代夜间智能辅助驾驶系统通过提供语义、象征性的信息，有效地提高了司机对实际危险源的注意。本文介绍了一种夜间智能辅助驾驶系统的设计选择方案和埃德尔项目的系统架构。此外，由于道路行人频繁导致夜间交通事故，本文提出了一种行人检测识别算法，并对结果进行了初步讨论。本文的特别之处在于，通过对所捕捉的场景图像进行更深入的分析，和对响应时间的持续补偿，论文所提出的夜间系统识别率和先进的日间检测系统的识别率相当。
- 引言
在关键驾驶情况下，事故的发生或预防时间可以是一秒钟的一小部分。研究表明，约百分之60的追尾和几乎三分之一的迎面碰撞不会发生，如果司机可以反应快一秒半[13]。
考虑到预防的重要性，发展主动和被动安全系统能够有效地提醒司机可能遇到的危险。几个高级驾驶辅助系统系统（ADAS）已在过去几年中，他们中的一些已经在市场上推出[1]。
2003年12月15日收到手稿。这项工作是支持部分由欧盟的5框架计划项目埃德尔（增强在能见度低的情况下驾驶安全性），合同T值是- 2001 - 34076。
C. Bellotti工作于热那亚大学的电子和生物工程学院， Opera PIA，LL / 16145热那亚-意大利（电子邮箱:asterix@atlas.dibe.unige.it)
F. BellottiDIBE，工作于热那亚大学的电子和生物工程学院，Opera PIA，LL／16145热那亚-意大利（电话：010-3532780；传真：010-3532795；电子邮箱：fr;lnz@dibe.unige.it)
A. De Gloria毕业于热那亚大学的电子和生物工程，ouera PIA,LL/ 16145热那亚-意大利（电子邮箱：adg@unige.it)。
L，Atldreone工作于菲亚特研究中心，Strada Torino，50。10043-奥巴斯塞诺到意大利（电子邮箱： luisa.andreone@crf.it).
M. Mariani工作于锡耶纳外国人大学理学院通讯部，代总站6、53100、锡耶纳-意大利（电子邮箱： mariani@unisi.it)
关于埃德尔的夜视系统是一个重要的研究领域。可以参考几个重要的数字，30%的道路交通事故发生在夜间，并且其中50%的人员在道路上丧生。黑暗是驾驶的主要危险因素。虽然司机在夜间仅行驶所有的28%的里程，但机动车死亡人数的55%却发生在夜间。在晚上每100英里就有10.4%致命的参与，3.5%损伤的参与，和9.1%的撞车（2.2%，1.9%，和5.9%分别在白天）。
90%司机的反应取决于视力状况，但视力在夜间受到严重限制。日落后深度知觉、颜色识别和周边视力受到限制。62%车辆安全事故发生在夜间，能见度是导致此后果的一个主要因素[2,3]。考虑到心理生理学的观点，“驾驶者不懂得夜间视觉功能的局限性”[4]。驾驶者可能经常以不受夜间视觉能力支持的方式行事[5]。因此，能见度降低引起的事故可以由系统弥补驾驶员无法看到而充分缓解[6]。
本文介绍了埃德尔项目目前的进展（在能见度低的情况下加强驾驶性）[7]，共由欧洲委员会资助的第五个框架内项目。埃德尔包括CRF，博世、捷豹、海德拉、欧司朗和热那亚大学，锡耶纳，卡尔斯鲁厄。它的目的是开发一个基于近红外夜视系统和一种新的基于多元阵列激光技术集成在一个新设计的汽车项目的照明系统或大灯。
本文的主要贡献在于提供一种描述下的系统开发，提出的设计方法和实现的系统讨论的早期结果。
二、系统
依靠对道路车辆人工视觉多年研究[8]，日本和美国市场已经存在了一些夜视辅助系统。埃德尔旨在给市场提供第二代夜视系统并且其能够超越现有的“以图像为中心”的系统（即呈现场景增强表示的系统），其是通过对车载摄像机拍摄的图像进行自动增强。
技术创新和营销需求不断推动汽车发展并引入新设备。然而，这种技术是否真的能改善驾驶的品质与道路整体安全不得而知。通过确保这两方面来考虑整个项目，埃德尔采用以用户为中心的设计方法[9]。在项目的早期阶段[2]进行客户利益分析，在夜间确定了以下情况：
1、在路上有潜在障碍存在（即没有行人，骑自行车的人）；
2、前照灯使用不当；
3、在未知的道路上行驶。
以下是系统突出的属性和要求
1、简洁的表示，以允许快速检测和减少眼睛未看见道路的时间；
2、如果一个真实的场景被显示（例如通过平视显示器），潜在的障碍应该被跟踪和突出附加信息（例如，一辆即将到来的车辆的速度，角度，距离）；
3、在仪表盘里独立的弹出显示器位于横向（年轻和老年人）或中心（中年）的司机的视线。
在目前市场上或正在开发中的有俩种不同的夜视系统，一种基于远红外辐射系统（FIR），2000年就出现在市场上，另一种基于近红外辐射系统（NIR），这将近五年出现在市场上。
FIR系统利用任何带热量的对象发出辐射。在生成的图像中，高热量物体显示白色或浅灰色，而低热量的物体出现黑暗。
FIR图像提供了一种不同于可见光谱图像的信息。而这样的信息是不能被人立即理解观察的，高的热对比背景和元素之间的差异，促使汽车和行人的自动检测算法的发展[10，11，12，13]。
近红外传感器探测红外范围内物体反射的辐射，其更接近可见光。这需要通过近红外光源的积极照明。大约在10年前，有了第一个近红外的应用，，是基于CCD摄像机为它们变得高度灵敏，小，便宜。然而CCD传感器对于迎面而来的车辆的大灯是看不见的。最近开发的高动态CMOS传感器利用非线性响应能够降低致盲效果。下雨或下雪不影响系统的性能，而预期在雾没有任何优势。此外，近红外传感器提供的图像是相当直观的，因为其频谱接近人眼的可视范围。
此属性使近红外图像更适合直接以驱动程序显示。该埃德尔系统利用一种种特性实现“正面观察镜”。这是一个额外的显示驱动程序当外部能见度降低时，可以不时闪烁。在不同的欧洲国家进行的测试（如在达尔文项目）已显示，只显示这个场景在一个复杂的情况下，不能提供有力的支持，因为司机需要时间来解释热成像驱动FIR图像。此外即使是近红外图像连续的“电影”介绍在司机的外围视图中的是不能够吸引司机的注意对于万一突然出现的障碍。正如我们上面提到的，最实质性的效益适合于来自自动图像的驱动程序的解释。近红外图像是难以自动识别，因为对比度是小于在FIR图像。尽管如此，他们提供更完整的信息（例如，道路车道可见）。由于近红外图像的光谱接近人眼，识别算法通常依赖于类似的技术人工视觉在日光条件下，即使亮度较低。
一个很好的红外照明器应包括适当的范围（高达150米）替代远光灯。当他们无法使用，就要进一步提高它们。截至目前，这种系统在市场已被阻止的事实，即两个迎面而来的车辆，配备了近红外光源，将彼此看不见。这就是埃德尔明确目标通过开发和测试一个新的与相机同步的照明系统解决突出问题的原因。
另一个问题是人眼的安全，因为人类视网膜容易受到热灼伤。这方面，这是近红外应用比FIR较少的关键，在埃德尔项目里解决的方式有两种：通过塑造激光脉冲的特点以满足现有的安全法规和建议[14，15]，以及通过研究特殊可用的程序在需要的情况下（例如在前照灯透镜打破的情况下进行红外抑制）。
一些制造商和供应商正在研究近红外和FIR系统的集成，以受益于各自的优势。埃德尔没有遵循这样一个模式。因为可预见的最终成本被认为是不适合大规模生产。
三、系统设计
埃德尔已经设计了一个基本架构完成批量产品的要求。整个系统功能5个主要模块：
1、照明模块-近红外照明大灯（EDEL改装大灯同时发出可见和不可见的红外低梁高光束同时）。该组件使用InGa（A1）为拉斯维加斯ER二极管阵列发射约810纳米。
挡风玻璃模块-适当的选择性透射近红外波长的挡风玻璃。
相机模块采样世界图像传感器的前端（通过CMOS照相机实现）。该相机可以与红外线光源同步，使同一类型的道路上的系统不相互盲目。
4、图像处理模块的图像数据由一个嵌入式控制单元控制单元（ECU）处理在一个适当的住房在一个单一的印刷电路板了。
5、人机界面模块-将图像显示给驱动程序的前端。两种不同的实现可以预见：平视显示器（HUD），安装在仪表板上的分布“远住宿”司机眼睛的重要性，和有源矩阵液晶显示器（AMLCD）替换当前机电仪表板。
在本文中我们得出的结果是关于由一个低成本的商业CMOS相机和非同步的近红外激光源的临时系统可进行3分钟图像处理。这样的视频已用lGHz PC在菲亚特多实验室进行拍摄
- 算法
1、图像增强
现场图像显示在平视显示器或液晶显示器是利用近红外图像的直观性。然而，源质量低，需要提高。因此，我们已经开发了一个直方图操作算法，在每一帧，传播信息在所有可用的256级（图1）。该算法适应在实时环境光条件，并采用滞后，以避免用水平的突然跳跃破坏观察。
图一：操纵性增强直方图
2.、图像识别
为了减少行人检测算法必须研究的区域，帧处理的第一步包括检测前方道路。这是一个众所周知的研究领域[硅]。我们模拟一个道路作为B样条，这是一个强大和高效的技术[16]。
在初始中值滤波之后，需消除脉冲噪声，系统实现的Canny边缘检测和Hough变换再确定消失点图像[17]。这一点被假定为道路的左右边界共同的上顶点。检测左下和右的极端的道路，我们已经发明了一种新的技术，执行两个局部Hough变换图像的部分接近帧的两个下角。这允许检测在这些领域的线条。然后检测道路的左右极端作为交叉点帧的边界与大多数建议检测线的交点。在这种情况下，该算法不能作出决定，基于违约点的一种统计学被使用。
对于每一侧的道路，第三点的样条模型是通过选择最适合的边缘检测的样条曲线来识别的。由于几个可能的样条必须生成和测试，这一步很大部分是从计算的观点来看。为了加快这一进程基于消失点的位置我们已经实施了一些简单的启发式算法，获得实时性能（5 Hz率与非优化软件）。
早期的结果表明，该算法是鲁棒边界闭塞（图2）。最关键的情况发生在检测的下端左样，特别是在低环境光T条件（在靠近汽车的道路左侧没有很好的照明，这在3车道的大马路上尤为明显）。无论如何，覆盖区域的误差是有限的，并且谨慎的做法在大多数情况下可以成功地采用（即当帧的左下角检测到两条或多条显著线时，我们选择最左的候选，所以我们可以认识到道路以外的特征。
图2：道路检测图
为了识别行人，我们采用了基于支持向量机的机器学习方法[18]。这种技术已被提出并研究在麻省理工大学，并成功应用于日光视觉领域[19]。我们已经扩展了夜视的这种方法，且绘制的事实是近红外图像和日光图像有类似的光谱。此外，支持向量机AP方法是非常普遍的，系统可以被训练来识别各种类别（如障碍物，动物，等等）。
在开发对象检测系统的关键问题之一在于对象表示的类型，它必须保证低的类内易变性和高的类间易变性。它已经表明，基于像素的表示是不适合的。相反，Haar的小波变换，它考虑了图像块在不同层次细节之间的差异[20]，是有效的在提取几个的信息单元，编码行人之间的差异，而不是行人图像[19]。
图三：SVM行人检测图
SVM的训练集，我们已经发展到现在涉及700行人和2000非行人图像，而我们预计最终的数据库将包括约1500行人和5000非行人。根据我们当前数据库的系数分析，我们提取了58个最重要的系数（即系数编码行人和非行人图像之间的大部分差异）。只考虑这些系数，我们设法达到1Hz的处理速度。为了让它没有任何错误在可用输入视频上SVM进行了培训。
我们测试了SVM 代表着夜间驾驶条件100个框架，有和没有行人，获得图4所示的接收器工作特性（ROC）曲线。重新认知系统的整体性能（错误识别率为0.03%，真正的识别率为60% -被非正面或后部位置的行人所惩罚）与日光条件下的结果一致[19]。然而，我们通过增加待分析系数的数量，从而降低亮度（5 8而不是29），当系数的内积是支持向量机的计算执行热点时，惩罚的系统的时间会响应。
图四：实现支持向量机的接收器工作特性曲线图
分类已经发展为一个迭代的方式，使我们能够获得显着的改善。首先，首先，我们增加了默认零值以上的决策阈值，由于误报比错过更频繁。然后，我们仔细地调整训练集，因为整体性能是相当依赖于样本图像。最后，在所有的被检测行人可能存在图像区域的每一帧上我们实行了一个聚类算法。因为同一行人经常在同一帧被检测到不止一次。这是因为进行SVM训练检测也是一个行人，为了应对危险情况行人可能被部分遮挡。
有更多的图像的训练系统
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[138289]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
