Научно-технический
«ОПТИЧЕСКИЙ ЖУРНАЛ»
издается с 1931 года
 
   
Русский вариант сайта Английский вариант сайта
   
       
   
       
Статьи последнего выпуска

Электронные версии
выпусков начиная с 2008


Алфавитный указатель
2000-2010 гг


444
Архив оглавлений
выпусков 2002-2007 гг


Реквизиты и адреса

Вниманию авторов и рецензентов!
- Порядок публикации
- Порядок рецензирования статей
- Типовой договор
- Правила оформления
- Получение авторского вознаграждения
- Редакционная этика


Контакты

Подписка

Карта сайта




Журнал с 01.12.2015 допущен ВАК для публикации основных результатов диссертаций как издание, входящее в международные реферативные базы систем цитирования (Web Science, Scopus) (см. Vak.ed.gov.ru Перечень журналов МБД 16.03.2018г)

Аннотации (11.2019) : ИЗМЕРЕНИЕ ДАЛЬНОСТИ ДО АВТОМОБИЛЕЙ С ПОМОЩЬЮ КАМЕРЫ БОКОВОГО ВИДА БЕЗ ИСПОЛЬЗОВАНИЯ ДОРОЖНОЙ РАЗМЕТКИ

ИЗМЕРЕНИЕ ДАЛЬНОСТИ ДО АВТОМОБИЛЕЙ С ПОМОЩЬЮ КАМЕРЫ БОКОВОГО ВИДА БЕЗ ИСПОЛЬЗОВАНИЯ ДОРОЖНОЙ РАЗМЕТКИ

 

© 2019 г. Р. О. Maлашин*, **, канд. техн. наук

*   Институт физиологии им. И.П. Павлова Российской академии наук, Санкт-Петербург

** Университет ИТМО, Санкт-Петербург

E-mail: malashinroman@mail.ru

УДК 004.93'1

Поступила в редакцию 10.07.2019

DOI:10.17586/1023-5086-2019-86-11-51-58

Рассмотрена задача определения дальности до автомобилей «в слепой зоне» с помощью камеры бокового вида. Представлено аналитическое решение задачи восстановления трехмерных координат «преследующего» транспортного средства с помощью обнаружения на изображении точки соприкосновения автомобиля с дорогой. Рассмотрены способы получения и уточнения ориентации камеры. Для обнаружения точки соприкосновения была обучена нейронная сеть. Приведены результаты экспериментальной проверки разработанных алгоритмов, подтверждающих работоспособность предложенного метода.

Ключевые слова: автономное вождение, вычисление дистанции до автомобилей, обнаружение объектов.

Коды OCIS: 150.6910, 150.5670, 100.4996

 

Литература

1.         Tram V., Yoo M. Vehicle-to-vehicle distance estimation using a low-resolution camera based on visible light communications // IEEE Access. 2018. V. 6. P. 4521–4527.

2.         Dagan E., Mano O., Stein G. Forward collision warning with a single camera // Intelligent Vehicles Symposium. 2004. P. 37–42.

3.         Wang W., Yang S., Li Y., Ding W. A rough vehicle distance measurement method using monocular vision and license plate // 2015 IEEE Internat. Conf. Cyber Technology in Automation, Control, and Intelligent Systems (CYBER). Shenyang, China. 8–12 June, 2015. P. 426–430.

4.         Card-Advanced-Lane-Lines. URL: https://github.com/ajsmilutin/CarND-Advanced-Lane-Lines/blob/master/README.md (accessed 29.06.2019).

5.         Tseng D. Blind-spot vehicle detection using motion and static features // Internat. J. Machine Learning and Computing. 2014. V. 4. № 6. P. 516–521.

6.         Ali A., Hussein H. Distance estimation and vehicle position detection based on monocular camera // AIC-MICSTA. 2016. P. 1–4.

7.         Wei B.F., Huang H., Chen C., Chen Y., Chang C., Chen Y. A vision-based blind spot warning system for daytime and nighttime driver assistance // Computers and Electrical Eng. 2013. V. 39. P. 846–862.

8.        Qi S., Li J., Sun Z., Zhang J., Sun Y. Distance estimation of monocular based on vehicle pose information // IOP Conf. Series: J. Phys.: Conf. Series. 2019. V. 1168. P. 032040.

9.         Redmon J., Farhadi A. YOLO9000: Better, faster, stronger // IEEE Conf. CVPR. Honolulu, USA. 21–26 July, 2017. P. 6517–6525.

10.       The Kitti vision benchmark suite [official website]. URL: http://www.cvlibs.net/datasets/kitti (accessed: 28.06.2019).

11.       Udacity Self-driving car dataset. URL: https://github.com/udacity/self-driving-car/tree/master/datasets (accessed 28.06.2019).

12.       The Cityscapes Dataset [official website]. URL: https://www.cityscapes-dataset.com/ (accessed 28.06.2019).

13.       Open computer vision library [official website]. URL: https://opencv.org/ (accessed 30.06.2019).

14.       Malashin R.O., Kadykov A.B. Investigation of the generalizing capabilities of convolutional neural networks in forming rotation-invariant attributes // JOT. 2015. V. 82. № 8. P. 509–515.

 

 

Полный текст