Аннотация.

В системах ADAS (advanced driving assistance system) чрезвычайно важно уметь выявлять погодные условия, при которых видимость водителя ограничена. В настоящей работе рассмотрена система реального времени по определению дорожных сцен, содержащих туман, в видеопотоке с монокулярной камеры. Система использует ансамбль (комитет) из нескольких базовых классификаторов. Под базовым классификатором подразумевается алгоритм, основанный на компьютерном зрении и позволяющий разделять дорожные сцены на несколько классов погодных условий, таких как дождь, снег, туман. Каждый из базовых классификаторов системы оперирует уникальным признаковым пространством, что делает систему существенно более устойчивой. Система является частью ADAS комплекса и используется для рекомендации выбора скоростного режима в условиях ограниченной видимости. В работе представлены результаты проведенных экспериментов.

Ключевые слова:

детектор тумана, распознавание погодных условий, ADAS системы, деревья решений, метод комитетов, гистограмма яркости, оператор Лапласа, дискретное преобразование Фурье, JPEG компрессия.

Стр. 70-77. 

 Полная версия статьи в формате pdf.

Литература

1. Prun V.E., Postnikov V.V., Sadekov R.N., Sholomov D.L. “Development of Active Safety Software of Road Freight Transport, Aimed at Improving Inter-City Road Safety, Based on Stereo Vision Technologies and Road Scene Analysis” // Proceedings of the Scientific-Practical Conference "Research and Development - 2016", Springer, Cham, pp.209-218. – 2017. ISBN 978-3-319-62869-1
2. Bronte, S.; Bergasa, L.M.; Alcantarilla, P.F. “Fog Detection System Based on Computer Vision Techniques”
3. Nicolas Hautière, Jean-Philippe Tarel, Jean Lavenant, and Didier Aubert. “Automatic fog detection and estimation of visibility distance through use of an onboard camera” // Machine Vision Appl., 17(1):8–20, 2006.
4. Middleton W.E.K. “Vision through the Atmosphere” // University of Toronto Press, 1952.
5. Pavlić Mario, et al. "Image based fog detection in vehicles" // Intelligent Vehicles Symposium (IV), 2012 IEEE. IEEE, 2012.
6. Hautière N., Labayrade R., and Aubert D. “Estimation of the visibility distance by stereovision: A generic approach” // IEICE Transactions on information and systems, 89(7):2084–2091, 2006.
7. Caraffa, L. and Tarel, J.-P., “Stereo reconstruction and contrast restoration in daytime fog.” // Proceedings of Asian Conference on Computer Vision (ACCV’12), Part. IV, LNCS, Vol. 7727, Springer, Daejeon, Korea, pp. 13–25., 2013.
8. Мазуров В. Д. “Метод комитетов в задачах оптимизации и классификации” // М.: Наука, 1990. — 248 с.
9. Мазуров В. Д., Хачай М. Ю. “Комитетные конструкции” // Известия Уральского государственного университета. 1999. № 14., 1999.
10. Breiman, L. "Random Forests Machine Learning” vol.45 pp.5–32, 2001.
11. Breiman, L. “Out-of-bag estimation” // Technical report, Dept. of Statistics, University of California, Berkeley, 1996.
12. Курников П.А. “Обучение деревьев решений для валидации ответов нейронной сети” // Сб. трудов Седьмой Международной конференции «Системный анализ и информационные технологии» (САИТ 2017), стр. 256-261, Светлогорск, Россия, 2017
13. Prun V., Polevoy D., Postnikov V., "Forward rectification: spatial image normalization for a video from a forward facing vehicle camera," //Proc. SPIE 10341, Ninth International Conference on Machine Vision (ICMV 2016)
14. Prun V., Bocharov D., Koptelov I., Sholomov D., Postnikov V. “Geometric filtration of classification-based object detectors in realtime road scene recognition systems” // Eighth International Conference on Machine Vision (ICMV 2015), Vol. 9875. 98750O, 2015, doi: 10.1117/12.2228709