Fig. 3 is an overview of the propos

Fig. 3 is an overview of the proposed vision-based vehicle detec-
tion system. Initial regions of interest (ROIs) are computed using

the monocular method described in Llorca, Sánchez, Ocaña, and

Sotelo (2010). Lane markings are detected, thereby reducing the

vehicle search area. If no lane markings are detected, a basic ROI

corresponding to a straight road is used instead. Vehicle candidate

regions are selected using a combination of symmetries (vertical

edges, horizontal edges, and gray level symmetries) and white

hat and Canny features together with a non-maximum suppression

procedure which removes overlapped candidates (Llorca &

Sánchez et al., 2010).

A second camera was added to obtain a more detailed descrip-
tion of the leading vehicle’s features. Stereo processing results in a

dense disparity map which allows the 3D position, the TTC, the

width, and the length of the vehicle to be estimated accurately.

The camera pitch angle is estimated dynamically by means of the

so-called virtual disparity map from which regions corresponding

to the ground-plane can easily be removed (Llorca et al., 2009).

One thus obtains a more precise specification of the areas of the

ground where vehicles are to be expected (see Fig. 4).

Each candidate vehicle region output by the monocular module

is verified in stereo mode by counting the number of depth fea-
tures corresponding to the filtered dense disparity map. In partic-
ular, the locations where the number of depth features exceeds a

certain fraction of the window area are passed onto subsequent

modules, thus ensuring that each candidate region corresponds

to a real 3D object.

Depth features are also used to obtain geometrical information

about the candidate vehicle. First, the 3D position of each candi-
date is found by applying the so-called 3D subtractive clustering

algorithm (Parra et al., 2007) to the set of 3D points contained in

the ROI. Consecutive 3D measurements, after filtering, are used

to compute the relative velocity (Vr) and the host-to-vehicle

(H2V) TTC. The leading vehicle’s speed is then simply the sum of

the host’s speed taken from the CAN bus and the relative velocity.

The absolute and relative depth estimation errors are determined

by the stereo quantization error procedure as proposed in Llorca,

Sotelo, Parra, Ocaña, and Bergasa (2010).

The preceding vehicle’s width, used to optimize the lateral off-
set of the overtaking trajectory, is computed as follows. The veri-

fied ROI is enlarged by 10%, and the value of the mode of the

depth features contained in the ROI is calculated. For each column

of the enlarged ROI, the number of depth features whose values are

equal to the mode plus-or-minus a certain tolerance is determined,

generating a histogram like the one depicted in Fig. 5. The lateral

boundaries of the histogram are then found, and the vehicle’s

width in pixels is computed. The 3D vehicle’s width is finally

obtained using this estimated width in pixels, the depth of the

Kết quả (Việt) 1:

Hình 3 là một tổng quan về các đề xuất dựa trên tầm nhìn xe detec-Hệ thống tion. Ban đầu khu vực quan tâm (ROIs) được tính bằng cách sử dụngphương pháp kính ngắm một mắt được mô tả trong Llorca Sánchez, Ocaña, vàSotelo (2010). Đánh dấu cách Lane được phát hiện, do đó làm giảm cácxe tìm lá. Nếu không có lane dấu hiệu được phát hiện, một tỷ lệ hoàn vốn cơ bảntương ứng với một đường thẳng được sử dụng để thay thế. Ứng cử viên xekhu vực được lựa chọn bằng cách sử dụng một sự kết hợp của sự (dọccạnh, cạnh ngang, và màu xám sự cấp) và trắngmũ và các tính năng Canny cùng với một đàn áp phòng không tối đathủ tục mà loại bỏ chồng chéo ứng cử viên (Llorca &Sánchez et al., 2010).Một máy ảnh thứ hai đã được bổ sung để có được một chi descrip-tion của tính năng hàng đầu của xe. Xử lý âm thanh nổi kết quả trong mộtbản đồ dày đặc biệt cho phép vị trí 3D, TTC, cácchiều rộng và chiều dài của chiếc xe được ước tính chính xác.Góc sân của máy ảnh ước tính tự động bởi means của cáccái gọi là ảo chênh lệch về bản đồ từ những khu vực tương ứngđể bay mặt đất có thể dễ dàng là loại bỏ (Llorca et al., 2009).Một do đó có được một đặc điểm kỹ thuật chính xác hơn trong khu vực của cácmặt đất nơi xe phải là dự kiến (xem hình 4).Mỗi ứng cử viên xe vùng ra bởi các mô-đun kính ngắm một mắtđược xác minh trong chế độ âm thanh nổi bằng cách đếm số lượng chiều sâu fea-Tures tương ứng với bản đồ lọc dày đặc biệt. Trong partic-ular, địa điểm nơi số chiều sâu tính năng vượt quá mộtmột số phần của khu vực cửa sổ được thông qua vào tiếp theoMô-đun, do đó đảm bảo rằng mỗi ứng cử viên vùng tương ứngvới một đối tượng thực 3D.Chiều sâu tính năng cũng được sử dụng để có được hình học thông tinvề ứng cử viên xe. Đầu tiên, vị trí 3D của mỗi candi-ngày được tìm thấy bằng cách áp dụng những cái gọi là 3D phối clusteringthuật toán (Parra và ctv., 2007) để tập hợp các điểm 3D chứa trongthu nhập từ đầu. Phép đo 3D liên tiếp, sau khi lọc, được sử dụngđể tính toán vận tốc tương đối (Vr) và máy chủ lưu trữ để chiếc xe(H2V) TTC. Tốc độ xe hàng đầu là sau đó chỉ đơn giản là tổng củatốc độ của máy chủ lưu trữ chụp từ có thể xe buýt và vận tốc tương đối.Tuyệt đối và tương đối sâu dự toán lỗi được xác địnhbởi các thủ tục lỗi sự lượng tử hóa âm thanh nổi như đề xuất trong Llorca,Sotelo, Parra, Ocaña, và Bergasa (2010).Chiều rộng của xe trước, được sử dụng để tối ưu hóa các bên off-thiết lập của quỹ đạo vượt, được tính như sau. Veri-fied ROI được mở rộng bằng 10%, và giá trị của chế độ của cáctính năng chiều sâu chứa trong thu nhập từ đầu được tính. Cho mỗi cộtcủa ROI mở rộng, số lượng chiều sâu tính năng có giá trị làtương đương với chế độ cộng-hoặc-trừ một khoan dung nhất định được xác định,tạo ra một biểu đồ giống như được mô tả trong hình 5. Các bênranh giới của biểu đồ sau đó phát hiện, và chiếc xechiều rộng theo điểm ảnh được tính. Chiều rộng của xe 3D là cuối cùngthu được bằng cách sử dụng này chiều rộng ước tính bằng pixel, độ sâu của các

Kết quả (Việt) 2:

Vả. 3 là một tổng quan về các phương tiện dựa trên tầm nhìn đề xuất detec
hệ thống tion. Khu vực ban đầu quan tâm (ROIs) được tính bằng cách sử dụng phương pháp mô tả bằng một mắt trong Llorca, Sánchez, Ocaña, và Sotelo (2010). Dấu làn đường được phát hiện, do đó làm giảm các khu vực tìm kiếm chiếc xe. Nếu không có dấu hiệu làn đường được phát hiện, một ROI cơ bản tương ứng với một đường thẳng được sử dụng để thay thế. Ứng cử viên xe khu vực được lựa chọn bằng cách sử dụng một sự kết hợp của tính đối xứng (đứng cạnh, cạnh ngang, đối xứng và cấp độ màu xám) và trắng mũ và Canny tính năng cùng với một đàn áp phi tối đa thủ tục trong đó loại bỏ các ứng viên chồng chéo (Llorca & Sánchez et al., 2010) . Một camera thứ hai đã được bổ sung để có được một descrip- chi tiết hơn quan điểm về tính năng hàng đầu của chiếc xe. Kết quả xử lý âm thanh nổi trong một bản đồ chênh lệch dày đặc mà cho phép các vị trí 3D, ​​TTC, các chiều rộng và chiều dài của xe được ước tính một cách chính xác. Các góc camera sân được ước tính tự động bằng phương tiện của cái gọi là bản đồ ảo chênh lệch từ đó khu vực tương ứng với mặt đất máy bay có thể dễ dàng được gỡ bỏ (Llorca et al., 2009). Một như vậy có được một đặc điểm kỹ thuật chính xác hơn về các lĩnh vực của mặt đất, nơi chiếc xe được mong đợi (xem hình 4).. Mỗi khu vực xe ứng cử viên đầu ra của các mô-đun bằng một mắt được xác minh trong chế độ stereo bằng cách đếm số lượng sâu fea- các cấu tương ứng với bản đồ chênh lệch rậm lọc. Trong partic- ular, những địa điểm mà số lượng các tính năng sâu vượt quá một phần nhất định của khu vực cửa sổ được thông qua vào tiếp theo module, do đó đảm bảo rằng mỗi khu vực ứng cử viên tương ứng với một đối tượng 3D thực sự. tính năng sâu cũng được sử dụng để có được thông tin hình học về xe ứng cử viên. Đầu tiên, vị trí 3D của mỗi ứng cử viên ngày được tìm thấy bằng cách áp dụng cái gọi là 3D phân nhóm trừ thuật toán (Parra et al., 2007) để tập hợp các điểm 3D chứa trong các ROI. Đo 3D liên tiếp, sau khi lọc, được sử dụng để tính toán vận tốc tương đối (VR) và host-to-xe (H2V) TTC. Tốc độ xe hàng đầu là sau đó chỉ đơn giản là tổng của tốc độ của chủ nhà lấy từ xe buýt CAN và vận tốc tương đối. Các lỗi ước lượng độ sâu tuyệt đối và tương đối được xác định bởi các thủ tục quantization lỗi stereo như đề xuất trong Llorca, Sotelo, Parra, Ocaña, và Bergasa (2010). Các chiều rộng xe trước của, được sử dụng để tối ưu hóa các off- bên bộ của quỹ đạo vượt, được tính như sau. Các veri- ROI fied được mở rộng bằng 10%, và giá trị của các chế độ của các tính năng sâu kín trong ROI được tính. Đối với mỗi cột của ROI mở rộng, số lượng sâu các tính năng mà giá trị bằng với chế độ cộng-hay-trừ một khoan dung nhất định được xác định, tạo ra một biểu đồ như một trong những mô tả trong hình. 5. Các bên ranh giới của biểu đồ này sau đó được tìm thấy, và của xe rộng tại các điểm được tính. Chiều rộng xe 3D cuối cùng cũng được sử dụng rộng ước tính này bằng pixel, độ sâu của