Revista ELECTRO
Vol. 46 – Año 2024
Artículo
TÍTULO
Detección de Proximidad de Vehículos con Visión Estéreo
AUTORES
Robledo-Vega, I.; Araiza-Moreno, L.; García-Mata, C.L.; Baray-Arana, R.E.
RESUMEN
Los sistemas de asistencia de conducción avanzados son tecnologías diseñadas para aumentar la seguridad en los vehículos al incrementar la habilidad del conductor a reaccionar a situaciones de peligro. En este artículo s e presenta el desarrollo de un sistema de visión embebido para alertar sobre vehículos próximos en la parte posterior de un auto. Se utilizó una tarjeta embebida y dos cámaras para capturar pares de imágenes en estéreo desde la parte trasera de un vehículo. Se usa un modelo pre-entrenado de un a red neuronal de aprendizaje profundo para detectar vehículos en los pares de imágenes en estéreo y se probaron diferentes métodos para el emparejamiento de las cajas delimitadoras de los vehículos detectados. Se determinó que el método de Intersección sobre la Unión (I oU) dio los mejores resultados de emparejamient o. Se calcula la disparidad o diferencia en posición de los vehículos detectados en los pares de imágenes en estéreo para determinar su proximidad, esto permite alertar al conductor si un vehículo rebasa un umbral de proximidad permitido para una conducció n segura.
Palabras Clave: Visión en estéreo, detección de vehículos, redes neuronales de aprendizaje profundo, sistemas embebidos, sistemas de asistencia de conducción.
ABSTRACT
Advanced driver assistance systems are technologies designed to increase vehicle safety by increasing the driver's ability to react to dangerous situations. This paper presents the de velopment of an embedded vision system to warn about approaching vehicles in the rear of a car. An embedded card and two cameras were used to capture pairs of stereo images from the back of a vehicle. A pre-trained deep neural network model is used to detect vehicles in the pairs of stereo images and different methods were test ed for bounding box matching of the detected vehicles. It was determined that the Intersection Over Union (IoU) method gave the best matching results. The disparity or difference in position of the vehicles detected in the pairs of stereo images is calcula ted to determine their proximity, this allows the driver to be alerted if a vehicle exceeds a proximity threshold allowed for safe driving.
Keywords: Stereo vision, vehicle detection, deep neural network, embedded systems, advanced driver assistance syste ms.
REFERENCIAS
[1] Zhou, C., Li, F., Cao, W., “Architecture, design and implementation of image based autonomous car: THUNDER-1”, Multimed ia Tools and Applications, vol. 78, n o. 20, pp. 28557-28573, 2019.
[2] Accidentes de tránsito terrestre en zonas urbanas y suburbanas. INEGI. [En línea]. Disponible en: https://www.inegi.org.mx/sistemas/olap/proyectos/bd/continuas/transporte/accidentes.asp? [Último acceso: 31-mayo-2024].
[3] Hawkins, A. J., The Verge, 15 Junio 2022. [En línea]. Disponible en: https://www.theverge.com/2022/6/15/23168088/ nhtsa-adas-self-driving-crash-data-tesla. [Último acceso: 31-mayo-2024]
[4] Liu, CW., Wang, H., Guo, S., Bocus, M.J., Chen, Q., Fan, R., “Stereo Matching: Fundamentals, State-of-the-Art, and Existing Challenges ”, In: Fan, R., Guo, S., Bocus, M.J. (eds) Autonomous Driving Perception. Advances in Computer Vision and Pattern Recognition. Springer, Singapore. https://doi.org/10.1007/978-981-99-4287-9_3
[5] Chen, S., Xiang, Z., Qiao, Ch., Chen, Y., Bai, T., “ PGNet: Panoptic parsing guided deep stereo matching ”, Neurocomputing, vol. 463, pp. 609-622, 2021, d oi: 10.1016/j.neucom.2021.08.041
[6] H. Wu, H. Su, Y. Liu and H. Gao, “Object Detection and Localization Using Stereo Cameras ”, 5th International Conference on Advanced Robotics and Mechatronics (ICARM), Shenzhen, China, 2020, pp. 628-633, doi: 10.1109/ICARM49381.2020.9195365
[7] J. Choe, K. Joo, F. Rameau and I. So Kweon, “Stereo Object Matching Network ”, IEEE International Conference on Robotics and Automation (ICRA), Xi'an, China, 2021, pp. 12918-12924, doi: 10.1109/ICRA48506.2021.9562027
[8] H. Königshof, N. O. Salscheider and C. Stiller, “Realtime 3D Object Detection for Automated Driving Using Stereo Vision and Semantic Informatio n”, IEEE Intelligent Transportation Systems Conference (ITSC), Auckland, New Z ealand, 2019, pp. 1405-1410, doi: 10.1109/ITSC.2019.8917330
[9] P. Li, X. Chen and S. Shen, “Stereo R-CNN Based 3D Object Detection for Autonomous Driving ”, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, 2019 pp. 7636-7644. doi: 10.1109/CVPR.2019.00783
[10] W. Peng, H. Pan, H. Liu and Y. Sun, “IDA-3D: Instance-Depth-Aware 3D Object Detection from Stereo Vision for Autonomous Driving ”, IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Seattle, WA, USA, 2020, pp. 13012-13021, doi: 10.1109/CVPR42600.2020.01303
[11] A. D. Pon, J. Ku, C. Li and S. L. Waslander, “Object-Centric Stereo Matching for 3D Object Detection ”, IEEE International Conference on Robotics and Automation (ICRA), Paris, France, 2020, pp. 8383-8389, doi: 10.1109/ICRA40945.2020.9196660.
[12] TensorRT, NVIDIA, [En línea]. Disponible en: https://developer.nvidia.com/tensorrt. [Último acceso: 31 mayo 2024].
[13] Camera Calibration and 3D Reconstruction. OpenCV. [En línea]. Disponible en: https://docs.opencv.org/4.10.0/d9/d0c/ group__calib3d.html. [Última visita: 31-mayo-2024].
[14] Bochkovskiy, A., Wang, C.Y., Liao, H.Y. M., “YOLOv4: Optimal speed and accuracy of object detection ”, arXiv preprint, arXiv:2004.10934, 2020.
[15] E. Rublee, V. Rabaud, K. Konolige, G. Bradski, “ORB: An efficient alternative to SIFT or SURF ”, 2011 International Conference on Computer Vision, Barcelona, Spain, 2011, pp. 2564-2571, doi: 10.1109/ICCV.2011.6126544.
[16] P. F. Alcantarilla, J. Nuevo, A. Bartoli, “Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces ”, British Machine Vision Conference, Bristol, U.K., 2013.
[17] Lowe, D.G., “Distinctive Image Features from Scale-Invariant Keypoints ”, International Journal of Computer Vision, vol. 60, pp. 91–110, 2004, doi.org/10.1023/B:VISI.0000029664. 99615.94
[18] Kaehler, A., Bradski, G., Learning OpenCV 3: computer vision in C++ with the OpenCV library. O'Reilly Media, In c., 2016.
CITAR COMO:
Robledo-Vega, I.; Araiza-Moreno, L.; García-Mata, C.L.; Baray-Arana, R.E., "Detección de Proximidad de Vehículos con Visión Estéreo", Revista ELECTRO, Vol. 46, 2024, pp. 387-393.
VERSIÓN PDF