ISSN在线(2278 - 8875)打印(2320 - 3765)
侯尔Ashiwini N, p h . Zope教授 S.S.B.T的工程学院和科技,Bamhori Jalgaon、印度) |
相关文章Pubmed,谷歌学者 |
访问更多的相关文章国际先进研究期刊》的研究在电子、电子、仪表工程
机器视觉系统在车辆仪表应用中起着重要的作用,比如交通监控、交通法律强化驾驶员辅助,自动车辆指导。这些系统安装在户外环境或车辆经常遭受图像不稳定。车载应用,额外的运动组件通常安装等干扰车辆或指导效果的艰难旅程,他们将影响图像判读过程中现场检测所需的运动图像。传统的机动车系统几乎完全依赖于人类的司机。利用新兴的各种技术、公路车辆系统可以更安全、更高效、更环保
索引词 |
智能交通系统(ITS),数字图像稳定(DIS),视频稳定,高级驾驶员辅助系统(ADAS) |
介绍 |
机器视觉系统关键技术用于车载仪表取代人类司机视觉能力。全球死于受伤是由于95%的事故引起的这是增加的主要原因[1],[2]。车辆仪表旨在减少这些东西通过开发各种技术识别不同的驾驶任务相关的风险因素和驾驶员意图。的长期目标包括识别影响交通安全的因素参与驾驶,声音的定义原则的设计自动化车辆安全技术[1]。本文的各种技术,如智能交通系统、数字图像稳定技术,视频稳定技术和高级驾驶员辅助系统描述克服交通相关问题。 |
虽然研究ADAS集成不同的功能,如碰撞检测和车道偏离跟踪[3],很少关注致力于监控事件和因素直接关系到车辆的司机。因为95%的事故是由人为错误造成的,重要的是,这些方面的驾驶是我的核心部分——ADAS [1], [4]。ADAS的司机是一个积极的反馈机制的一部分允许提供信息支持,并提供立即申请提高安全[5]。摘要数字图像稳定(DIS)技术是描述稳定删除不必要的震动现象在图像序列中被车载摄像机没有移动物体所造成的影响(前面车辆)的图像或有意的运动车,等[6]。数字图像序列通过车载摄像机通常受不受欢迎的运动产生的艰难旅程或指导。多余的位置图像序列的波动会影响视觉质量和阻碍各种应用程序的重复检验过程[6]。 |
图像稳定系统可以分为三大类型:电子、光学和数字V稳定剂。电子图像稳定器(EIS)稳定的图像序列使用运动传感器探测摄像机运动补偿。光学影像稳定器(OIS)采用棱镜组装移动相反的晃动相机稳定[7],[8]。EIS和OIS都是硬件相关的,因此应用程序限制设备建在在线的过程。智能交通系统(ITS)是一个测试路线来缓解交通拥堵问题。它可以广泛地定义为技术改善交通系统的使用。的主要目标是评估、开发、分析和集成新技术和概念来实现交通效率,改善环境质量,节约能源,节约时间,并提高安全性和舒适的司机、行人、和其他交通组织[9],[10]。国家- - -艺术数据采集和评估技术、通信网络、数字地图、视频监控、传感器和可变信息标志创建世界各地交通管理的新趋势。协同的数据采集、分析、评价和信息传播可以帮助开发一个无所不包的系统的交通组织,使得交通管理者和用户之间的信息共享。 |
相关文献 |
许多研究小组提供简要的描述各种车辆仪表技术减少交通相关的问题。1998年,正树,给出了“机器视觉系统为智能交通系统”和“实时视觉智能车辆是由d . Gavrila因特网,c·维勒和s . Gorzig都是视觉系统使用各种视觉传感器,如相机,闭路电视,摄像机数字图像稳定又是一个技术由Sheng-che Hu Kang-fan, 2007年3月。多传感器仪表也用于保护形成事故和其他原因。高级驾驶员辅助系统是由分析师Steven s Beauchemin开发2012年2月,迈克尔。鲍尔和Taha Koswari Jio赵提供更好的系统技术克服交通管理的问题,交通伤害等。 |
智能交通系统 |
a类型的 |
机器视觉是一个关键的技术用于智能交通系统(ITS)。。其研究涉及到四个主要问题:增加高速公路的能力,提高安全性,减少燃料消耗,减少污染。它可以使用一些智能控制策略,如基于主体控制概念[11],[12]、管理运输和交通问题。其应用程序通常有四个传感器:声学、雷达、激光和机器视觉。虽然声学传感器不太贵,他们的小探测范围限制了他们的应用程序备份警告和类似的短距离系统[13]。 |
![]() |
b的组件 |
交通管理中心(TMC)是交通管理的中心,收集数据,分析和结合其他操作和控制的概念来管理复杂的交通网络。它是交流的焦点与运输相关的信息媒体和大众一起参与的汽车,一个地方机构可以协调他们的反应交通情况和条件。通常,几个机构分享交通基础设施的管理,通过一个交通网络操作中心。通常,局部分布的数据和信息中心采用不同的标准,实现交通管理的目标。这种相互依赖的自主操作和决策是至关重要的,因为需求和性能特征的异质性互动子系统(见图2)[14]。台湾记忆体公司的有效运作,因此它的效率,关键取决于以下组件: |
1)自动化的数据采集 |
2)高速数据通信交通管理中心 |
3)在管理中心准确的分析数据 |
4)可靠的信息对公众/旅行 |
![]() |
数字图像稳定 |
实时数字图像稳定使用摄像机。这种技术转移电子图像帧到帧的视频,足以抵消运动。它使用像素边界以外的可见框架提供一个缓冲的运动。这种技术可以减少令人分心的振动从视频或仍然可以提高图像质量,允许增加曝光时间没有模糊图像。这种技术不影响图像的噪声水平,除了图像外推时极端边界。 |
答:dis和运动估计的体系结构 |
提出了DIS技术的系统架构如图3所示,其中包括两个处理单元:运动估计单元和运动补偿单元。运动估计单元包括三个估计:LMVs,精致的运动向量(RMV)和GMV估计。运动补偿单元包括巨细胞病毒估计和图像补偿。这两个输入的连续图像帧(t−1)和框架(t)将第一个分成四个区域。一个LMV将在每个地区的RPM派生算法[18],[19]。运动估计单元还包含一个可靠性检测函数生成一个坏脾气的运动矢量等不规则图像条件缺乏特性或含有大量的低对比度区域,等等。 |
GMV估计决定在LMVs GMV, RMV和其他预选的运动矢量通过自适应background-based评估函数。最后,根据结果GMV巨细胞病毒产生,将补偿和图像序列基于运动补偿单元的巨细胞病毒。本节的其余部分将专注于运动估计单位提出的细节DIS技术[6]。 |
![]() |
b .运动估计 |
图3所示的运动估计单元包含LMV RMV, GMV估计。LMVs可以获得连续两个图像之间的相关性的RPM算法。可以获得RMV LMVs通过评估相应的信心指数。RPM和局部运动估计:它已经表明,当地的方法使用一个地区比直接匹配过程更加健壮和稳定全球匹配过程[21],[6]。这意味着使用LMVs估计的划分区域来确定GMV更健壮和稳定而不是直接的方法。 |
![]() |
所以,把图像的水平和垂直分量具有相同的分区,应该分为n2地区。更分裂的地区将会增加计算成本估计LMV为每个地区。因此,我们只有将图像划分为四个区域如图4所示的RPM的方法,它可以在车内说涵盖各种情况下应用程序相结合提出了逆三角形法和自适应背景评价模型[6]。每个地区进一步分为30个次地区(每侧×5行6列),和中央像素的每个选择次区域代表点来表示这个次区域的模式。这种布局是基于图像的大小被常规的成像设备,如640×480或320×240 [6]。为了使代表点均匀分布在空间,行和列的比例应保持尽可能接近0.75。图5显示了实验结果的计算成本水平通过使用不同数量的代表点。高成本水平表明较低的可靠性和阈值设置为18。这是四个实验视频序列的平均测试结果与# 1 - 4在第四节使用。它可以发现,如果代表点的数量大于30,成本水平会下降到阈值和几乎所有的运动矢量计算的RPM方法是可靠的。换句话说,在这种情况下,成本水平将作为低成本水平足够好表明可靠性高。 In order to keep low computation time complexity, 30 representative points are use in our system [6]. Then the correlation calculation of RPM with respect to representative point (Xr, Yr) is performed as |
![]() |
![]() |
高级驾驶员辅助系统 |
今天ADAS常用于各种各样的车辆。ADAS的目的是为司机提供援助,通过告知他们关于车,路上,或任何潜在的危险,或通过提供积极的帮助,如紧急制动。两个欧洲项目comunicar[15],“星尘”[16],审查最先进的。ADAS可以分为五个类别,横向控制系统,纵向控制系统、扭转或停车艾滋病、视觉增强系统和智能速度适应[17]。 |
车辆仪表的a层 |
下一代i-ADAS需要广泛的数据融合和分析过程由于越来越多的可用车辆信息。在这种背景下,分层的方法最适合于实时处理。特别是,这种方法可以将实时数据从传感器常见的兼容性和抽象水平大大促进融合和分析过程[1]。提出的计算模型包括四层,增加的数据抽象(见图6)。最里面的一层由捕获车辆所需的硬件和软件测程法,序列从视觉传感器,和驱动程序的行为的数据。第二层属于硬件同步、校准、实时数据采集、和视觉检测过程。第三层是数据转换和融合成一个四维空间(x, y, z, t)的最后一层利用融合数据比较司机行为数据与模型的行为是适当的在目前的测程法和交通条件。当我们继续描述四层,是指出,这种贡献具体地址仪表(图层1和2)及其性能评估[1]。 |
![]() |
音响系统的距离分辨率 |
双立体声音响系统构成的一个重要组成部分,出于这个原因,他们的表现(与原始三维深度数据)是至关重要的。考虑距离分辨率的问题,这是逆相关对象的距离。管理距离分辨率是由的关系 |
![]() |
d =像素大小的插值系数除以纵向扫描线算法(子像素精密二维匹配)[1]。双立体声音响系统构成的范围的决议中包含错误水平的可靠迹象深度数据,如果校准是准确和深度测量不源于错误的二维匹配(由于闭塞,空间混叠,图像噪声,或相关问题)。更密集的立体视觉算法已经比较评估包括OpenCV,我们使用)和图像序列的真正的深度是可用的正确匹配密度和弹性噪声[20]。短程音响系统的基线长度b = 357毫米,最小可检测二维差距(1/16)的一个像素,焦距f = 12.5毫米,和一个物理像素μm平方大小的4.40。远程音响系统只有在其不同基线(b = 678毫米)和焦距(f = 25.0毫米)。图7显示了距离分辨率立体声系统的功能。正如预期的那样,长期的距离分辨率范围短的立体超过范围,由于长基线和更长的焦距的镜头[1]。 |
![]() |
计算的平均密度匹配长和短程立体声音响系统使用检测序列产生的车辆在公路上。不同的值的差异最小。短程音响系统性能更好的密度,由于几个因素,包括报道事实操作振动引入更多的噪音在远程系统中[1]。 |
结论 |
先进技术的开发和实现是很重要的在印度的成功的管理和操作。这些技术包括电子设备,如传感器、探测器和通讯设备和应用的全球导航卫星系统(GNSS)。说描述了卓越的性能在两个定量和定性(人类的视觉)相比,评估可用的条件与交通问题有关。它可以实现为软件和硬件解决方案在线和离线视频稳定应用程序。汽车仪表的数据处理策略在一个分层的方法中,数据抽象层数的增加。 |
承认 |
附带的满意度的成功完成任何任务将是不完整的没有提到那些永无止境的合作成为可能,其持续的指导和鼓励皇冠所有努力与成功。我很感激我们的项目指导教授p h . Zope的指导,灵感和建设性的意见,帮助我们在这次研讨会的准备工作。 |
最后,我感谢我所有的朋友,祝福我负债的持续帮助,鼓励和没有他们这次研讨会就不会是成功的。 |
引用 |
|