[VC] Intro: Detección de objetos en tiempo real para vehículos inteligentes

El documento presenta un método eficiente para la detección de objetos basado en una técnica llamada "Distance Transforms", además explica su aplicación para visión en tiempo real en vehículos inteligentes.

El método basicamente utiliza una jerarquía de "templates" para capturar la variedad de formas de los objetos. El sistema de "templates" y jerarquías se genera de forma "offline" dadas una serie de formas obtenidas a partir de tecnicas basadas en "optimización estocástica".

Cuando el sistema se encuentra en línea, se utiliza un simple sistema de comparación mediante el cual se busca que la imágen obtenida desde la cámara que se encuentra observando concuerde con alguno de los "templates" almacenados, si es así, entonces un objeto ha sido detectado.

El sistema trata de presentar, en tiempo real, la detección de señales de tráfico y peatones moviendose frente a los vehículos que cuenten con éste sistema.

Los vehículos poco a poco se vuelven más inteligentes, hacen uso de sensores para informar al conductor sobre las condiciones en las que se encuentra, y así realizar tareas sencillas para mejorar el control sobre el vehículo.

Actualmente los componentes más avanzados son los sistemas de visión a bordo, éstos tienen la habilidad de detectar objetos, por ejemplo, señales de tráfico; tomando éste ejemplo simple, se puede desarrollar un asistente de señales de tráfico que puede informar al conductor si esta cometiendo alguna infracción por no obedecer las señales.

Así mismo, éstos sistemas pueden detectar las líneas de un cruze peatonal e incluso a los peatones y así indicarle al conductor que reduzca la velocidad o que se detenga completamente; ésto puede ayudar en gran medida a reducir la cantidad de accidentes en las calles.

Fuente: http://topauto.com.ar/noticias/internacionales/nuevo-sistema-de-auto-frenado-y-deteccion-de-peatones-de-volvo.html

El método de detección por "Distance Transform" (Transformada de Distancia) hace uso de 2 imagenes binarias, un "template" segmentado y una imagen segmentada (la cual se conoce como "imágen característica"). En la "imágen caracteristica", los pixeles encendidos (1) denotan la presencia de una característica, los pixeles apagados (0) denotan la ausencia de una característica. Éste método permite detectar los bordes de las figuras, puntos en las esquinas.

Fuente: Paper, ver referencias

La detección es exitosa cuando concuerdan el "template" y la imágen carácteristica; para ello el template debe ser transformado varias veces durante la comparación (girada, escalada, etcétera). Se busca que los valores de los pixeles de la imágen característica concuerden lo mas exácto posible con los valores de los pixeles del "template" transformado.

Entre menores sean las diferencias entre los valores, mejor será la concordancia entre las imágenes y se podrán ubicar mejor los objetos en la misma.

Fuente: Paper, ver referencias

Uno de los beneficios de éste método es la posibilidad de implementar una numerosa cantidad de algoritmos de búsqueda que permitirían hacer más eficientes las comparaciones y la detección de objetos. Lo mismo permite utilizar diferentes tipos de "templates" lo que ayuda a detectar diferentes objetos en diferentes tamaños o posiciones.

Fuente: Paper, ver referencias

Aún existen algunos retos y problemas al utilizar éste método, como por ejemplo, la deteccion de falsos-positivos y la gran cantidad de variaciones que existen entre las formas de las señales de tráfico y los contornos de los peatones al cruzar; sin embargo, se espera que el método aún mejore

Opinión personal:

Me gustaría bastante realizar algo parecido en mi proyecto, no necesariamente aplicar la misma técnica, pero sindesarrollar un sistema de visión para vehículos.

Referencias:

http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=791202

REAL-TIME OBJECT DETECTION FOR "SMART" VEHICLES

D.M. Gavrila
Image Understanding Systems
DaimlerChrysler Research
Ulm 89081, Germany
dariu.gavrila@DaimlerChrysler.com

V. Philomin
Computer Vision Laboratory
University of Maryland
College Park, MD 20742, U.S.A.
vasi@cs.umd.edu