[論文レビュー] Computer Vision for Autonomous Vehicles

Rohit Gandikota|arXiv (Cornell University)|Dec 6, 2018

Advanced Neural Network Applications参考文献 4被引用数 4

ひとこと要約

本論文は、画像処理およびディープラーニング技術を用いた、屋内および屋外用の自律走行車両のためのコンピュータビジョンパイプラインを提示する。カメラキャリブレーション、ウォーターシェッドおよびk-meansを用いた床/障害物セグメンテーション、レーン検出、道路標識認識、HOG-SVMを用いた車両検出、およびCNNを用いたステアリング角度予測を実装し、IISTの自律配達車両において、頑健な物体検出および局所化を実現した。

ABSTRACT

In this work, we try to implement Image Processing techniques in the area of autonomous vehicles, both indoor and outdoor. The challenges for both are different and the ways to tackle them vary too. We also showed deep learning makes things easier and precise. We also made base models for all the problems we tackle while building an autonomous car for Indian Institute of Space science and Technology.

研究の動機と目的

• 画像処理技術を用いて、自律走行車両のためのビジョンベースのナビゲーションシステムを開発すること。
• 屋内環境（床パターン認識、障害物検出、自己局所化）と屋外環境（レーン検出、道路標識認識、車両の接近度）における異なる課題に対処すること。
• IISTの自律配達プロジェクトのための基礎的コンピュータビジョンパイプラインを確立すること。
• 伝統的な画像処理手法（ウォーターシェッド、k-means）とディープラーニングアプローチ（CNN、HOG-SVM）を評価・比較し、頑健な認識を実現すること。

提案手法

• 既知の寸法を持つ本とメジャーを用いてカメラキャリブレーションを実施し、ピクセルから世界座標への距離変換から焦点距離を算出する。
• ガウスノイズ除去とソーベルエッジ検出を実行し、その後ホフ変換を用いて長方形の本の輪郭を検出することでキャリブレーションを実施した。
• ウォーターシェッドセグメンテーションとk-meansクラスタリングを用いて床と障害物のセグメンテーションを実施し、ノイズ低減のための事前処理を実施した。
• スライディングウィンドウ法を用い、HOG特徴量と線形SVMを組み合わせた車両検出を実装し、全画像のHOG抽出により処理効率を向上させた。
• 複数のスケールのウィンドウサイズを用いて、距離に応じた車両検出を可能にし、特徴量のサブサンプリングにより計算負荷を低減した。
• ヒートマップとしきい値処理（最大値の0.5倍）を用いて重複するバウンディングボックスを統合し、誤検出を排除した。

実験結果

リサーチクエスチョン

• RQ1 画像処理技術をどのように効果的に活用して、屋内自律走行における床と障害物を区別できるか？
• RQ2 屋外自律走行におけるレーン検出および道路標識認識に最も効果的な画像処理およびディープラーニング手法は何か？
• RQ3 HOG特徴量とSVM分類器を用いて、車両検出を精度と効率の両面で最適化するにはどうすればよいか？
• RQ4 ヒートマップ処理としきい値処理は、物体検出におけるバウンディングボックスの局所化精度を向上させ、誤検出をどれほど効果的に低減できるか？
• RQ5 複数の認識タスクを統合するための統一されたビジョンパイプラインを、自律走行車両制御に応用するにはどう構築すればよいか？

主な発見

• 既知の本とメジャーを用いたカメラキャリブレーションにより、式 D1 = (W×F)/P を用いてピクセル測定値から正確な距離推定が可能になった。
• ウォーターシェッドセグメンテーションは明確な障害物検出結果を示し、事前処理後、黒領域が障害物を示していた。
• k-meansクラスタリングは床と障害物のセグメンテーションにおいて実用的な代替手法であったが、テスト環境ではウォーターシェッドに比べて明確な結果ではなかった。
• HOG-SVMパイプラインは複数スケールで車両を正常に検出でき、最終出力ではヒートマップ処理により1台の車両に対して1つのバウンディングボックスが得られた。
• 最大値の0.5倍のしきい値を用いたヒートマップ処理により、誤検出が効果的に排除され、重複する検出が1つの正確なバウンディングボックスに統合された。
• 統合システムは、レーン検出、道路標識認識、車両検出、ステアリング予測を統合した機能的なパイプラインを示し、IISTの自律配達車両の基盤を形成した。