基于單目攝像頭的視覺識別技術在機動車駕駛考試中的應用

來源:用戶上傳      作者:

　　摘要：隨著科技的日新月異，計算機視覺識別技術已經被應用于各行各業之中。機動車駕駛考試也在逐漸采用了視覺識別技術取代人工評分的方式實現對考生駕駛表現進行客觀評分，以維護考試的公平，提高考試效率。為此，本文將著重探討基于單目攝像頭的視覺識別技術在機動車駕駛考試中的應用。
　　關鍵詞：視覺識別技術；單目攝像頭；機動車駕駛考試
　　一、前言
　　近些年來隨著經濟的飛速增長，私家車已經逐漸成為人們首要選擇的代步工具，由此也掀起了一波駕駛技能考試浪潮。而在道路駕駛技能考試中科目三屬于難度較大的駕駛技能實戰性考試?？忌枰谝幎ǖ臅r間之內連串地完成一系列駕駛動作?？荚嚨倪^程中會由考試委員會派一名主考官坐在考生所駕駛車輛的副駕駛座位上，對考生的整體表現進行評分，以決定考生最終是否能夠通過考試。這種人工評分的方法存在著一定的弊端，主考官未并就能夠公平客觀地對考生進行評分，而且每次考試也都耗費許多多余的人力物資。為此近些年來業內的相關專家和學者都在研究與推行智能化機動車駕駛證科目三道路駕駛技能考試?；谏鲜鲈?，本文將著重探討基于單目攝像頭的視覺識別技術在機動車駕駛考試中的應用。
　　二、視覺識別技術理論基礎
　　1、粒子濾波器
　　粒子濾波器是建構于 Monte Carlo 技術上非常成熟的數值方法，在高維度或是變因復雜的環境下能有效又準確的計算出傳統方式無法計算出的數學方程式，Monte Carlo 主要是基于當求解的問題為某種事物出現的機率或者隨機變量的期望值時，可透過實驗證明的方式，以求得該事物出現的機率或該變量的平均值，以作為此問題的解。Monte Carlo 最重要的精神為：仿真和取樣，仿真指的是提供近似于實際現象的隨機程序并以數學方法來表示，而取樣則是透過少量粒子來模仿整個群體的概念。所以 Monte Carlo 是隨機過程與機率統計的重大理論，當取樣越多次時，代表實驗進行了越多次也越接近真實的問題解答。而粒子濾波器建構在 Monte Carlo 上，以粒子在空間中運動的概念，對于物體的運動進行仿真以求出最佳解。而當粒子數越多時，亦代表了在空間中涵蓋面積越多，正確率當然會越高。當相反地粒子數越多，每個粒子的狀態都需要估計，計算時間也越久。故采用一定量的粒子進行狀態上的估測。而粒子濾波器也是卡曼濾波器（Kalman filter）的衍生，因卡曼濾波器是基于物體是以線性移動，而粒子濾波器則可以非線性進行運動。粒子濾波器主要是以一定數量隨機樣本例子來表示系統狀態的事后機率（posterior）分布，并以事前機率和轉移模型來表示下個狀態的推演，最后將粒子的期望值當作最終的估測結果[1]。
　　2、積分影像
　　由于計算矩形特征最大的計算在于計算黑色區域以及白色區域間的像素加總，而矩形特征越大所需進行的加總將越多，而曾經加總過的區域在記算下一個矩形特征時將得重新計算，如此重復累計的行為[2]。請考慮假設有 30 個矩形特征，而切割出的子影像為 1000 張，則先得進行 30000 次的矩形特征計算，若每個矩形特征為 50*50 則需計算2500 次的像素加總，如此一來計算次數將為七千五百萬次，但這只是考慮矩形特征為相同區域涵蓋的情形，故考慮此點的情形下，若能在此點下手每次計算矩形特征的時間能得以縮短，將會加速整個運算的步驟，所以在此使用了積分影像進行加速。而所謂積分影像，其實是與輸入影像相同大小的矩陣，而矩陣中將儲存像素值的加總并從左上角開始儲存，矩陣特征將可利用此影像來作查表的動作，進行加速的動作[3]。
　　3、Adaboost 算法
　　根據先前提到每個矩形特征根據不同大小、位置皆可以當作一個弱分類器，但并非每個弱分類器皆是對于人臉的分類判斷是有益處，所以我們需要一個方法來判斷出這些弱分類器是否能辨別人臉，Adaboost算法即是拿來進行特征的挑選，選出對于人臉辨識有用的特征，如此可大幅降低系統的計算量[4]。
　　三、實驗仿真
　　目前絕大多數道路駕駛技能路考考試的考場都會在關鍵位置設置單目攝像頭捕抓考生駕駛過程中觀察后視鏡、低頭看擋、觀察交通等動作是否在規定的時間內完成，并根據相關標準對考生的道路駕駛技能路考考試成績進行評分。本次實驗將以2018年10月的C1駕駛證科目三道路駕駛技能考試為研究對象，利用粒子濾波器、積分影像和Adaboost 算法實現對參考考試的考生進行人臉偵測定位，并實現對觀察后視鏡、低頭看擋、觀察交通等關鍵動作進行評分。我們有六位不同的駕駛者分別于晴天、陰天和雨天的情況下，針對了不同的光影變化路段進行測試，而所經過光影變化的情形有涵洞、不同亮度的隧道、大樓間陰影、地下道、涵洞、高架陸橋以及前方煞車燈映像于駕駛臉上的情形。
　　實驗過程中考場上的單目攝像頭實時地捕捉考生的動作。當影像進入初期，會經過是否影像補償的驗證動作，接下來我們為了要確認偵測結果正確會先對臉部偵測進行三次的量測，量測過程采用下述公式進行表示：
　　Dt-1表示的是在t-1時間的偵測結果，而Dt則是t時刻的偵測結果，而是一個門坎值，若是在初始時期偵測結果連續符合門坎值，則我們判定我們已經藉由臉部偵測的方式獲得臉部信息，接下來將啟動追蹤的機制，而追蹤在此處我們是當作預測（prediction）的方式來使用，而偵測則是確認（confirmation）的機制，在上一小節，我們曾提到使用 Adaboost 的方法來進行臉部偵測以及粒子群最佳化為基礎的粒子濾波器來進行追蹤，以下是我們將這兩個方法一起運用的機制：
　?。?）將前一個時間點，人臉偵測的結果給予粒子群優化為基礎的粒子濾波器進行追蹤，而在終止條件達到時，我們將取出群體優化的粒子以及個體優化適應值最佳的前兩名粒子。
　?。?）根據粒子自身的狀態（臉部中心坐標、臉部范圍大?。?，將在影像平面上以交集的方式建構一個偵測的感興趣區域范圍（detection ROI）。
　?。?）以此建構范圍，進行 Adaboost 人臉偵測的新范圍。
　?。?）在最后，若追蹤的結果以及偵測的結果在門坎值以內，我們將相信偵測的結果，并予以輸出。相關公式如下所示：
　?。?）假若偵測失敗，將偵測的結果于以輸出如下公式所示。但在下一個回合預測時會將追蹤的結果放大并重新偵測，若連續偵測失敗，以累加的方式在五次內將偵測范圍放大到整張影像。同時采用粒子濾波器和積分影像對于單目攝像頭捕抓考生駕駛過程的動作影像進行影像補償，以提高識別的準確性。
　　本研究仿真實驗結果顯示，基于單目攝像頭的視覺識別技術在機動車駕駛考試中捕抓考生駕駛過程中觀察后視鏡、低頭看擋、觀察交通等動作是否在規定的時間內完成，并根據相關標準對考生的道路駕駛技能路考考試成績進行評分，切實提高了考試效率。
　　四、結語
　　本文主要研究基于單目攝像頭的視覺識別技術在機動車駕駛考試中的應用，利用粒子濾波器、積分影像和Adaboost 算法實現對參考考試的考生進行人臉偵測定位，并實現對觀察后視鏡、低頭看擋、觀察交通等關鍵動作進行評分。仿真實驗結果顯示，基于單目攝像頭的視覺識別技術在機動車駕駛考試中捕抓考生駕駛過程中觀察后視鏡、低頭看擋、觀察交通等動作是否在規定的時間內完成，并根據相關標準對考生的道路駕駛技能路考考試成績進行評分，切實提高了考試效率。
　　參考文獻
　　[1]范曉娟，胡坤福，段海艷，et al.基于單目視覺的車輛檢測技術[J].物聯網技術，2017（06）：18-22.
　　[2]唐明會，王琪，高進可.基于單目視覺的智能車系統軟件設計與實現[J].自動化與儀器儀表，2018（5）：12-13.
　　[3]曾鵬.單目視覺引導機器人在視覺檢測中的應用[J].電子技術與軟件工程，2017（10）：97-98.
　　[4]單目視覺在棒料全自動上下料系統中的應用[J].傳感器與微系統，2017（1）：12-15.
轉載注明來源:http://www.hailuomaifang.com/1/view-14850424.htm