CC BY
27
литература
Мурашев С. В., Воробьев С. А. Моделирование цветовых переходов между формами миоглобина // Научный журнал НИУ ИТМО. Сер. Процессы и аппараты пищевых производств. 2011. № 2. С. 239—247.
Елена Васильевна Горбунова
Валерий Викторович Коротаев
Елена Александровна Ластовская
Сведения об авторах канд. техн. наук, доцент; Университет ИТМО, кафедра оптико-электронных приборов и систем, Санкт-Петербург; E-mail: [email protected]
д-р техн. наук, профессор; Университет ИТМО, кафедра оптико-электронных приборов и систем, Санкт-Петербург; заведующий кафедрой; E-mail: [email protected]
студент; Университет ИТМО, кафедра оптико-электронных приборов и систем, Санкт-Петербург; E-mail: [email protected]
Рекомендована кафедрой оптико-электронных приборов и систем
Поступила в редакцию 11.08.14 г.
УДК 681.786
В. В. Коротаев, Х. В. Нгуен, А. Н. Тимофеев, С. Н. Ярышев
МЕТОД ВЫДЕЛЕНИЯ ПРЕПЯТСТВИЯ ДЛЯ АКТИВНОЙ СТЕРЕОСКОПИЧЕСКОЙ СИСТЕМЫ БЕЗОПАСНОСТИ АВТОМОБИЛЯ
Разработан оригинальный алгоритм выделения препятствия на автомобильной дороге из облака пространственных точек, полученных активной стереоскопической системой. Предложен метод, основанный на анализе градиентов высоты. Алгоритм обработки результатов съемки реализован в среде Ма1ЬаЪ.
Ключевые слова: активная стереоскопическая система, облако точек, безопасность автомобиля, распознавание препятствий.
Системам безопасности движения автомобиля уделяется повышенное внимание. Одним из вариантов реализации может служить активная стереоскопическая система (АСС) [1]. Для ее успешной работы требуется решить задачу распознавания полотна дороги и препятствий, выделяемых из облака пространственных точек. Известные пассивные стереоскопические системы на основе полученных в стереопаре изображений выделяют объекты и определяют их положение в пространстве [2—5]. Отличительной особенностью активных стереоскопических систем является то, что они включают в себя лазер, с помощью которого пространство перед камерами сканируется путем перемещения луча в вертикальном направлении. В процессе обработки полученных кадров АСС создает пространственную картину, которая может быть представлена в виде облака пространственных точек. Существующие методы выделения объектов из облака пространственных точек [6—9] требуют больших вычислительных ресурсов, поэтому их применение затруднено.
Авторами предложен и разработан алгоритм выделения препятствия из облака пространственных точек. Поскольку на трехмерном изображении препятствия отличаются от дорожного полотна градиентом высоты объекта (т.е. скоростью ее нарастания), то задача алгоритма — выделить препятствия по градиенту О и принять решение исходя из его порогового значения
О = И / й,
где И — разница высот двух точек; й — расстояние между ними.
66
В. В. Коротаев, Х. В. Нгуен, А. Н. Тимофеев, С. Н. Ярышев
Предложенный алгоритм работает следующим образом:
— облако пространственных точек по оси 02 делится на участки шириной, равной максимальной ширине углубления ^тах, через которое автомобиль сможет проехать;
— выбираются первая и последняя точки каждого участка, сравниваются соответственно с первой и последней точками соседних участков. Выбираются точки с максимальной и минимальной высотой, определяются градиент высоты О и разница по высоте между этими точками (рис. 1). В случае О > Отах участок получает статус „1". Если О > Отах и высота И больше порогового значения по высоте Итах, этот участок получает статус „2". Если на выбранном участке нет ни одной точки, участок получает статус „3";
— для двух соседних участков определяется расстояние от последней точки первого участка до первой точки последующего. Если это расстояние больше ^тах, то эти два участка получают статус „3";
— если два или более участков со статусом „1" следуют друг за другом и их суммарная высота больше Итах, эти участки получают статус „2";
— решение принимается на основе следующих данных: участки со статусами „2" и „3" представляют опасность для проезда автомобиля, остальные участки — проезжая часть дороги, свободная от препятствий.
Рис. 1
Апробация метода проводилась на физической модели, включающей в себя АСС, движущийся макет автомобиля и наклонную поверхность, имитирующую дорогу. В модели использованы лазер IE84-05CLF (длина волны 650 нм), две камеры Microsoft LifeCam HD-5000 c разрешением 1280*780 пикселов. Величина стереобазы 128 мм. Алгоритм обработки результатов съемки реализован в среде MATLAB. Трехмерная картина, полученная с помощью физической модели, после преобразования представляла собой облако из 36 842 пространственных точек (рис. 2). Время обработки составляет около 3 с. Моделирование подтвердило, что разработанный алгоритм устойчиво выделяет на сцене силуэт автомобиля.
Рис. 2
Работа выполнена при частичной государственной финансовой поддержке ведущих университетов Российской Федерации (Госзадание 2014/190).
список литературы
1. Moreno S. А. M., Zuniga S. J. M., Garcia D., Martinez A. L., Gonzalez J. M. Laser application in industrial close range photogrammetry // Proc. SPIE. Three-Dimensional Imaging, Optical Metrology, and Inspection 1999. Vol. 3835, N 184.
2. Hwang J., Huh K., Lee D. Vision-based vehicle detection and tracking algorithm design // Optical Engineering. 2009. Vol. 48, N 12.
3. Nedevschi S., Danescu R., Grafn Frentiu Th., Marita T., Oniga F., Pocol C., Schmidt R. High Accuracy Stereo Vision System for Far Distance Obstacle Detection // IEEE Intelligent Vechicles Symposium. University of Parma. Parma, Italy. 2004. P. 292—297.
4. Toulminet G., Bertozzi M., Mousset S., Bensrhair A. Vehicle detection by means of stereo vision-based obstacles features extraction and monocular pattern analysis // Image Processing. IEEE Transact. 2006. Vol. 15, N 8. P. 2364—2375.
5. Linga B., Zeifmana M. I., Gibsonb D. R. P. Multiple Pedestrians Detection Using IR LED Stereo Camera // Proc. Intelligent Robots and Computer Vision XXV: Algorithms, Techniques, and Active Vision. 2007. Vol. 6764.
6. Golovinskiy A., Kim V. G., Funkhouser T. Shape-based recognition of 3D point clouds in urban environments // Computer Vision. 12th Intern. Conf. 2009. P. 2154—2161.
7. Frome A., Huber D., Kolluri R., Bulow Th., Malik J. Recognizing Objects in Range Data Using Regional Point Descriptors // Proc. of the European Conf. on Computer Vision (ECCV). 2004. P. 224—237.
8. Sithole G., Vosselman G. Automatic structure detection in a point-cloud of an urban landscape // Remote Sensing and Data Fusion over Urban Areas. 2nd GRSS/ISPRS Joint Workshop. 2003. P. 67—71.
9. Rabbania T., van den Heuvelb F. A., Vosselman G. Segmentation of Point Clouds Using Smoothness Constraint // IAPRS. Dresden, 2006. Vol. XXXVI, Pt. 5. P. 248—253.
Сведения об авторах
Валерий Викторович Коротаев — д-р техн. наук, профессор; Университет ИТМО, кафедра оптико-
электронных приборов и систем, Санкт-Петербург; заведующий кафедрой; E-mail: [email protected] Хоанг Вьет Нгуен — аспирант; Университет ИТМО, кафедра оптико-электронных прибо-
ров и систем, Санкт-Петербург; E-mail: [email protected] Александр Николаевич Тимофеев — Университет ИТМО, кафедра оптико-электронных приборов и систем,
Санкт-Петербург
Сергей Николаевич Ярышев — канд. техн. наук, доцент; Университет ИТМО, кафедра оптико-
электронных приборов и систем, Санкт-Петербург; E-mail: [email protected]
Рекомендована кафедрой оптико-электронных приборов и систем
Поступила в редакцию 24.10.14 г.
