[论文解读] Vehicle Local Position Estimation System

Mrinal Haloi, Dinesh Babu Jayagopi|arXiv (Cornell University)|Mar 23, 2015

Vehicle License Plate Recognition参考文献 1被引用 6

一句话总结

本文提出了一种基于单目摄像头和GPS的鲁棒车辆局部位置估计系统，结合改进的逆透视映射（IPM）、光照不变颜色空间（Lab）以及基于RANSAC的车道检测方法，以估计车道位置、道路边界及周围车辆动态。该方法在KITTI数据集上实现了94.26%的车道检测准确率，在Caltech数据集上达到97.14%，在阴影和强光条件下均表现出色。

ABSTRACT

In this paper, a robust vehicle local position estimation with the help of single camera sensor and GPS is presented. A modified Inverse Perspective Mapping, illuminant Invariant techniques and object detection based approach is used to localize the vehicle in the road. Vehicles current lane, its position from road boundary and other cars are used to define its local position. For this purpose Lane markings are detected using a Laplacian edge feature, robust to shadowing. Effect of shadowing and extra sun light are removed using Lab color space and illuminant invariant techniques. Lanes are assumed to be as parabolic model and fitted using robust RANSAC. This method can reliably detect all lanes of the road, estimate lane departure angle and local position of vehicle relative to lanes, road boundary and other cars. Different type of obstacle like pedestrians, vehicles are detected using HOG feature based deformable part model.

研究动机与目标

• 通过实现实时相对于车道、道路边界及周围车辆的车辆局部定位，提升驾驶安全性。
• 解决在光照变化多样且存在遮挡的复杂城市环境中实现精确车辆定位的挑战。
• 开发一种将视觉感知与GPS数据融合的系统，以提升全局与局部定位精度。
• 利用基于HOG的可变形部件模型检测并跟踪其他车辆和障碍物，实现对动态交通环境的感知。
• 通过使用Lab颜色空间和可导向滤波器，提升在阴影和直射阳光条件下的车道检测鲁棒性。

提出的方法

• 使用安装在车辆车顶的广角摄像头，以155 cm高度捕获道路场景，实现对道路环境的全面感知。
• 在Lab颜色空间中应用光照不变技术，以减少阴影和直射阳光对车道检测的影响。
• 采用二阶和四阶可导向滤波器，稳健提取水平边缘，降低边缘检测中的误报率。
• 实施改进的逆透视映射（IPM），将二维图像坐标转换为鸟瞰图，简化车道建模。
• 利用RANSAC将检测到的车道标记拟合到抛物线模型，实现对车道曲率和位置的鲁棒估计。
• 采用基于HOG的可变形部件模型（DPM）检测并定位其他车辆和障碍物，并结合光流分析推断相对运动。

实验结果

研究问题

• RQ1 在真实驾驶条件下，仅使用单目摄像头和GPS，如何实现车辆局部位置的精确估计？
• RQ2 哪些技术可提升在阴影和直射阳光等挑战性光照条件下的车道检测鲁棒性？
• RQ3 如何可靠估计周围车辆和道路边界的相对位置，以增强态势感知能力？
• RQ4 将视觉感知与GPS数据结合，能在多大程度上提升整体车辆定位精度？
• RQ5 仅基于图像处理的系统是否能在复杂城市交通环境中实现可靠性能？

主要发现

• 该系统在KITTI数据集上实现了94.26%的车道检测准确率，在Caltech数据集上达到97.14%，表明其在多样化道路条件下的强大泛化能力。
• 在KITTI数据集上，道路边界检测准确率达到98.44%；在Caltech数据集上达到98.36%，表明边界估计具有高度可靠性。
• 在印度道路条件下，系统保持了90.58%的车道检测准确率和94.25%的边界检测准确率，尽管存在更高的遮挡和光照变化。
• 使用Lab颜色空间实现光照不变性显著提升了车道检测性能，尤其在直射阳光和阴影条件下优于标准RGB。
• 基于HOG的DPM实现了高精度的目标检测，能够可靠定位周围车辆和障碍物。
• 光流分析有效捕捉了附近车辆的相对运动，稳定光流表示速度相近，快速变化则表明加速或减速。