International Journal of Machine Learning dan Komputasi, Vol. 4, No.

6, Desember 2014

Blind-Spot Vehicle Detection Menggunakan Gerak dan statis

fitur

Din-Chang Tseng, Anggota, IACSIT, Chang-Tao Hsu, dan Wei-Shen Chen

• deteksi; apalagi, baik informasi statis dan gerak dapat digunakan dalam
Abstrak -Ketika mengendarai kendaraan di jalan, jika sopir ingin proses deteksi. Metode deteksi statis-fitur mengekstrak fitur seperti titik sudut,
untuk mengubah jalur, ia harus melirik cermin belakang dan sisi tepi poin, dan di bawahnya bayangan kendaraan untuk mendeteksi
kendaraan dan mengubah kepalanya untuk memindai kendaraan
kemungkinan kendaraan mendekati [4] - [9]. Metode deteksi gerak digunakan
mendekati mungkin di jalur sisi. Namun, pandangan lingkup dengan
informasi gerak seperti aliran optik untuk mendeteksi mendekati kendaraan di
perilaku di atas terbatas; ada area blind spot yang tak terlihat. Untuk
menghindari kecelakaan lalu lintas mungkin selama perubahan jalur, kita sisi jalur dengan berbagai kecepatan [10] - [12].
di sini mengusulkan jalur sistem bantuan perubahan untuk membantu
mengubah jalur. Dua kamera yang dipasang di bawah cermin sisi
kendaraan tuan rumah untuk menangkap rear-side-view gambar untuk Tantangan utama dari metode deteksi berbasis visi-adalah untuk
mendeteksi mendekati kendaraan. Sistem yang diusulkan terdiri dari
beradaptasi berbagai kondisi cuaca dan situasi lingkungan. Metode statis
empat tahap: estimasi nilai cuaca-adaptif threshold, deteksi aliran optik,
mungkin mendapatkan alarm palsu ke objek statis, membangun bayangan,
fitur deteksi statis, dan keputusan deteksi. Sistem yang diusulkan dapat
mendeteksi kendaraan sisi dengan berbagai kecepatan mendekati; Selain dan sinyal lalu lintas di tanah. Vektor optik-aliran memberikan informasi gerak
itu, sistem yang diusulkan juga dapat beradaptasi varian kondisi cuaca untuk mendeteksi kendaraan yang bergerak relatif; Namun, hanya
dan situasi lingkungan. menggunakan fitur optik-aliran tidak dapat mendeteksi sisi
kendaraan-kecepatan yang sama [13], [14]. Selain itu, arus optik yang
berbeda-panjang mungkin tidak selalu terdeteksi dalam berbagai jarak jauh
mendekati kendaraan di sisi jalur.
Indeks Persyaratan Sopir -Advanced sistem bantuan, blind spot
deteksi, aliran optik, di bawah fitur bayangan.
Steolo et al. [ 15] mengusulkan metode deteksi kendaraan menggunakan aliran
optik dan Kalman filter. Pada awalnya, mereka mendeteksi tepi poin; tepi titik-titik ini

I. saya P ENDAHULUAN kemudian dikelompokkan ke dalam kelompok-kelompok. Ketiga, mereka menghitung

vektor optik-aliran poin tepi dalam masing-masing kelompok. Keempat, arus optik dari
Dalam beberapa dekade, dengan cepat-meningkatnya jumlah kendaraan dan
kelompok yang digunakan untuk menghasilkan calon kendaraan. Akhirnya, mesin
faktor situasi jalan, mengemudi lingkungan, dan perhatian manusia membuat
dukungan vektor ( SVM) algoritma yang digunakan untuk mengenali apakah seorang
sejumlah besar kecelakaan lalu lintas dan korban. Jika ada mekanisme untuk
kandidat kendaraan adalah bagian depan kendaraan atau tidak. Tingkat deteksi dari
membantu pengemudi untuk mendeteksi situasi jalan dan mengemudi lingkungan,
metode ini tergantung pada sampel pelatihan untuk SVM. Sebuah kendaraan yang
dan kemudian memberikan informasi yang berguna untuk memperingatkan driver
mendekat memiliki penampilan yang berbeda di berbagai jarak; fakta ini
dalam situasi ini, bahaya karena itu dihindari. Sistem bantuan driver maju ( ADAS) secara
mempengaruhi tingkat pengakuan SVM algoritma. Selain itu, kendaraan-kecepatan
aktif dikembangkan untuk membantu pengemudi menghindari bahaya yang mungkin
yang sama membutuhkan tambahan filter Kalman untuk memutuskan; proses ini
dan membantu pengemudi untuk berkendara di lingkungan khusus [1]. deteksi blind
memakan waktu dan lebih rumit.
spot ( BSD) Sistem adalah mekanisme ADAS untuk membantu pengemudi untuk
mengubah jalur. Jika ada di dekat kendaraan di jalur tujuan di mana kendaraan tuan
rumah ingin berubah menjadi, sistem akan driver alarm untuk berhenti berubah.
Untuk mendapatkan manfaat kinerja BSD sistem, kita di sini secara
terpisah menggunakan fitur statis dan gerak untuk mendeteksi mendekati
kendaraan dan kemudian menggabungkan hasil deteksi untuk meningkatkan
tingkat deteksi dan mengurangi tingkat alarm palsu. sistem deteksi blind-spot
Sebuah menguntungkan BSD sistem harus memiliki sifat-sifat: akurasi,
yang diusulkan dijelaskan dalam Gambar 1. Sistem ini terdiri dari empat
stabil, kecepatan tinggi eksekusi, dan harga murah. Dua jenis BSD sistem
tahap:. estimasi nilai ambang cuaca-adaptif, multi-resolusi deteksi aliran
telah dikembangkan untuk mendeteksi menyalip kendaraan; satu adalah
optik, fitur deteksi statis, dan keputusan deteksi.
sistem berbasis radar dan yang lainnya adalah sistem berbasis visi-. Sistem
berbasis radar yang stabil dan memiliki kinerja yang baik, tapi ukuran besar,
fungsi deteksi terbatas, dan harga sangat mahal [1] - [3]. Sistem berbasis visi
Pendekatan yang diusulkan memiliki properti berikut. ( saya) Kami khusus
menangkap gambar konsekuensi untuk
menangani nilai-nilai ambang batas yang digunakan sehingga sistem yang diusulkan
mampu beradaptasi berbagai kondisi cuaca. ( ii) Nilai ambang batas khusus
kesepakatan juga membuat sistem yang diusulkan yang tidak dipengaruhi oleh
Naskah diterima 12 Mei 2014; direvisi 28 Juni 2014. Karya ini didukung sebagian membangun bayangan dan sinyal lalu lintas di tanah. ( aku aku aku) Kami menggunakan
oleh Science Council, Taiwan Nasional di bawah hibah dari proyek penelitian NSC
aliran optik multi-resolusi untuk mengekstrak kendaraan bergerak sehingga kendaraan
100-2221-E-008-115-MY3.
Din-Chang Tseng, Chang-Tao Hsu, dan Wei-Shen Chen adalah dengan Institut Ilmu dapat dideteksi dalam jauh atau dekat jarak. ( iv) Kami menggabungkan fitur statis dan
Komputer dan Teknik Informatika, Universitas Pusat Nasional, Jhongli, Taiwan 32.001 gerak untuk mendeteksi kendaraan sehingga
(e-mail: . Tsengdc@ip.csie.ncu edu.tw , justinhsuncu@gmail.com ,
easywine2@gmail.com ).

DOI: 10,7763 / IJMLC.2014.V4.465 516

 International Journal of Machine Learning dan Komputasi, Vol. 4, No. 6, Desember 2014

kendaraan sisi kecepatan yang sama juga dapat dideteksi. ( v) Fitur statis dan gerak w (j) = 1 / panjang ( j), (1)
secara berurutan diperlakukan untuk mendeteksi kendaraan yang bergerak dan
di mana panjang ( j) adalah panjang segmen garis dalam area deteksi tanah di j gambar
mengurangi alarm palsu.
koordinat vertikal seperti ditunjukkan pada Gambar. 3, di mana parsial panjang ( j) berada
Sisa dari makalah ini disusun sebagai berikut. Metode yang diusulkan
di luar gambar.
disajikan dalam Bagian II. Dalam Bagian III, percobaan dan hasilnya
dilaporkan untuk menunjukkan kinerja metode yang diusulkan. Di
terakhir, itu
kesimpulan disajikan dalam Bagian IV.
area deteksi

Inisialisasi
Inisialisasi dan
dan self-test
self-test

Pertahankan
Pertahankan data
data Iya
gambar
gambar Mengganggu
Mengganggu area deteksi tanah 11.4 m
sebelumnya
sebelumnya
tidak

gambar
gambar masukan
masukan

analisis
analisis histogram
histogram 2-D
2-D
(Sebuah)

Lalu
Lalu lintas
lintas penghapusan
penghapusan tanda
tanda

gambar
gambar piramida
piramida konstruksi
konstruksi

Iya
gambar
gambar pertama
pertama
R4
R3
tidak

deteksi
deteksi tepi
tepi

R2
estimasi
estimasi aliran
aliran optik
optik multiresolusi
multiresolusi

pemangkasan
R1
pemangkasan aliran
aliran optik
optik dan
dan clustering
clustering

tidak (B)
aliran
aliran optik
optik positif
positif
Iya
1 (A) Definisi wilayah deteksi. empat
Gambar. 2. Definisi daerah deteksi.
daerah deteksi daerah deteksi tanah.
tidak
Mendeteksi
Mendeteksi bawah
bawah bayang-bayang
bayang-bayang

Iya
iya
Alarm bayangan
bayangan bawah
bawah yang
yang signifikan
signifikan

Iya tidak

tidak penting
penting Tidak
aliran
aliran optik
optik negatif
negatif
ujung-ujungnya
ujung-ujungnya
Iya

Gambar. 1. Prosedur dari metode yang diusulkan.

Panjangnya ( j)

j
II. T HE P ROPOSED M ETHOD

Prosedur dari sistem yang diusulkan secara berurutan disajikan sebagai Gambar. 3. Definisi untuk fungsi pembobotan jarak.
berikut. Sebelum deteksi kendaraan, area deteksi gambar didefinisikan seperti
ditunjukkan pada Gambar. 2 (a) untuk menghindari gangguan dari benda-benda di
SEBUAH. Estimasi Cuaca-Adaptive Nilai Ambang
latar belakang. Selain itu, untuk berkonsentrasi deteksi lokal dan berbeda berbeda
mengancam derajat, daerah deteksi tanah adalah membagi lebih lanjut ke empat Dalam studi ini, kami menggunakan tiga nilai ambang batas untuk menilai piksel tepi,

jauh ke daerah dekat R 1, R 2, R 3, dan R 4 seperti ditunjukkan pada Gambar. 2 (b), di tanda jalur, dan bayangan bawah kendaraan ( USV);

mana daerah deteksi tanah termasuk dalam daerah deteksi untuk menentukan
target di tanah.
Pada jarak yang berbeda untuk kendaraan tuan rumah, kendaraan sisi
memiliki ukuran yang berbeda gambar; ini disebut efek perspektif dalam
gambar. Pada jarak jauh, kendaraan sisi muncul kecil dan terdeteksi tidak
stabil. Jika kita melepaskan nilai ambang batas, banyak alarm palsu mungkin
kemudian timbul. Artinya, efek perspektif selalu mempengaruhi tingkat deteksi.
Untuk meningkatkan kinerja, kita mendefinisikan fungsi pembobotan jarak
untuk mengimbangi efek perspektif. Jika j adalah mengkoordinasikan vertikal
gambar, fungsi pembobotan jarak
Namun, nilai-nilai ambang batas yang varian dengan kondisi cuaca. Di sini
kita memberikan metode histogram analitik 2D ke adaptif mengekstrak tiga
nilai ambang batas.
An (1D) intensitas histogram adalah distribusi jumlah intensitas piksel
dalam gambar. histogram 2D ​yang diusulkan mirip dengan histogram 1D
tradisional tetapi dengan dua variabel independen; satu adalah intensitas dan
yang lainnya adalah besarnya gradien, sebagai salah satu contoh yang
ditunjukkan pada Gambar. 4 (b). Asal usul histogram 2D ​adalah sudut kiri
bawah, sumbu horisontal mewakili intensitas yang berbeda piksel, dan sumbu
vertikal mewakili besaran gradien yang berbeda piksel. Kecerahan titik di
histogram 2D ​merupakan jumlah piksel dengan intensitas tertentu dan

w (j) didefinisikan sebagai

517
 International Journal of Machine Learning dan Komputasi, Vol. 4, No. 6, Desember 2014

besarnya gradien.
Secara umum, hanya empat bahan: aspal permukaan jalan, jalur tanda dan
sinyal lalu lintas, bayangan di bawah kendaraan ( USV), dan badan kendaraan
muncul di area deteksi tanah. Selain itu, piksel setiap acara tingkat abu-abu bahan
yang sama dan kemudian membentuk normal (Gaussian) distribusi di kecerahan.
tanda jalur dan sinyal lalu lintas di tanah lebih terang dari aspal permukaan jalan
dan memiliki tepi tajam. bayangan di bawah kendaraan selalu lebih gelap dari
permukaan jalan. badan kendaraan dapat lebih terang atau lebih gelap dari
permukaan jalan; mereka tidak dapat dipisahkan dengan kecerahan, tetapi mereka
memiliki besaran gradien yang berbeda. Berdasarkan fakta di atas, kita ingin
mencari nilai-nilai ambang batas untuk memisahkan empat materi di daerah
deteksi tanah.
masing-masing, maka tiga nilai ambang batas T Imin, T imax, dan T e
ditentukan sebagai
T Imin = • x - 2 • x .
T imax = • x + 2 • x . dan
(4)
Te= •y+ 2 •y.
dimana T Imin digunakan terpisah permukaan jalan aspal dan bayangan bawah
kendaraan ( USV), T imax digunakan untuk memisahkan permukaan jalan aspal dan
sinyal jalur tanda / lalu lintas, dan T e digunakan untuk mengekstrak piksel tepi
signifikan yang akan digunakan untuk menghitung arus optik yang berharga.
Sebelum gerak dan fitur ekstraksi statis, piksel milik jalur tanda atau sinyal lalu
lintas di tanah pra-dihilangkan untuk mengurangi deteksi palsu.

Piksel pada daerah deteksi tanah yang diwakili oleh model campuran
Gaussian multivariat ( GMM) untuk model distribusi mereka di histogram 2D.
Pada awalnya, histogram 2D ​merapikan oleh filter bilateral untuk
menghilangkan kebisingan tetapi menjaga informasi tepi. Kedua, parameter GMM
hj
diperkirakan dengan cara Expectation-Maximization ( EM)

algoritma untuk memaksimalkan posterior probabilitas [16]. Asumsikan pj

bahwa ada K fungsi Gaussian dan k- Fungsi Gaussian th diwakili oleh G k = G ( • k ••
• k •• • k), k = 1, 2, .., K,
p saya h saya
dimana • k adalah parameter pencampuran untuk k- fungsi Gaussian th, 0 • • k • 1, dan •

• • 1 . •• dan • k adalah 2D berarti vektor

Kk
k (Sebuah) (B)
• 1 k

dan kovarians matriks k- fungsi Gaussian th, masing-masing. Gambar. 4. histogram 2D ​yang diusulkan. (A) Sebuah gambar blind-spot dengan piksel p saya dan

p j di daerah deteksi tanah. (B) sesuai histogram 2D ​dari daerah deteksi tanah; dimana h saya
dan h j adalah titik yang sesuai dari p saya dan
Itu EM algoritma adalah prosedur iterasi untuk memodifikasi parameter
p j dalam histogram 2D.
model ke keadaan stabil. Asumsikan bahwa ada N
piksel x saya 'S di daerah deteksi tanah; K Kelas Gaussian dianggap. Parameter
model • k •• • k •• dan • k untuk langkah berikutnya iteratif diperbarui

• tk• • • ( | ) iit
• μ • 11 Ni

• • •1 Ni
KPKP
( | xxx )
itu
2
• Ni tkiit (Sebuah) (B)
• tk• 1 • • 1
( | )xx • μ
•Σ •
t
. (2) Gambar. 5. 2D histogram dari area deteksi tanah. (A) Sebuah gambar asli.
)
Ni
• • •1 ( | x saya
KPKP (B) GMM dari 2-D histogram dari (a).
• tk• 1
• • 1 (1 kpn
t
• •
Ni
| x saya)
•
besarnya
•
• gradien

dimana Te

• | (KPKP
ittkit ) • | (kp)
ittk
( | )• • (3)
t
p ( xxx)
saya •
kj
• 1
• xxittj| ( jp)

intensitas
adalah posterior (bersyarat) probabilitas untuk pixel yang diberikan x saya
milik k- Model th G k pada t Langkah th, p t ( x i | k) adalah sebelum (bersyarat)
T Imin T imax
probabilitas x saya sementara x saya dipilih dari k- Model th.
Gambar. 6. Nilai ambang batas yang ditetapkan dari kelompok terbesar dari piksel dalam 2D

Penyempurnaan rekursif dijalankan sampai jumlah dari model kesalahan kurang dari histogram.

nilai ambang batas yang telah ditentukan. Satu histogram 2D ​kemudian dimodelkan dengan

model campuran Gaussian dan ditunjukkan pada Gambar. 5.

Konsekwensinya, kelompok terbesar N i ( yaitu, Gaussian
fungsi yang • saya adalah terbesar) dipilih sebagai kelompok keputusan ( DG) yang akan
digunakan untuk mencari tiga nilai ambang batas. Nilai ambang batas diputuskan seperti
ditunjukkan pada Gambar. 6.
B. Multi-Resolusi Optik Arus Deteksi
aliran optik adalah fitur utama untuk mendeteksi mendekati kendaraan.
arus optik multi-resolusi diperkirakan oleh versi paling-squared dari LK diferensial
optik metode estimasi arus [17]. Arus optik diperkirakan dari titik keunggulan
yang signifikan dan titik ujung dipilih berdasarkan pra-ditentukan tepi nilai
ambang T e dijelaskan di bagian terakhir.

Jika • = ( • x, • y) dan • = ( • x, • y) adalah mean dan deviasi standar vektor dari

model Gaussian 2D terbesar,

518
 International Journal of Machine Learning dan Komputasi, Vol. 4, No. 6, Desember 2014

Prosedur deteksi optik-aliran terdiri dari tiga tahap utama: estimasi,
penyaringan, dan clustering.
tahapan estimasi, daerah deteksi tanah dibagi menjadi tiga subareas seperti
ditunjukkan pada Gambar. 7 untuk menghitung tiga tingkat vektor optik-aliran.
Tiga subareas diberi nama HAI 1, HAI 2,
dan HAI 3 dari dekat ke jauh di daerah deteksi tanah dengan batas-batas
keputusan di x = d 1, d 2, dan d 3. Tiga tingkat arus optik diperkirakan untuk
subarea HAI 1, dua tingkat arus optik diperkirakan untuk HAI 2, dan hanya satu
tingkat arus optik diperkirakan untuk HAI 3. arus optik multi-level diperkirakan
Akhirnya, semua tetap arus optik positif dan negatif dikelompokkan ke dalam
Dalam kelompok-kelompok dengan metode pengelompokan sederhana. Hasil kelompok
optik-aliran positif dan negatif ditunjukkan pada Gambar. 8. Dalam gambar, blok
merah adalah kelompok positif dan blok biru adalah kelompok negatif.
Untuk berkonsentrasi deteksi lokal dan berbeda berbeda mengancam
derajat, mekanisme deteksi diusulkan berdasarkan arus optik positif
diekstrak.
Di daerah deteksi, kami mengumpulkan jumlah arus optik positif dalam setiap daerah

oleh kasar-to-baik strategi dan arus optik kasar telah disebarkan ke tingkat deteksi R saya, i = 1, .., 4. Jika R saya memiliki lebih dari m arus optik, kita mengatakan bahwa
yang lebih halus untuk menghitung arus halus optik seperti bahwa jarak jauh ada calon kendaraan di R saya dan kemudian meningkatkan Sebuah saya dengan satu.
arus optik semua bisa diekstrak. Mulanya, Sebuah saya
adalah nol. Seperti waktu yang progresif, foto yang diambil secara berurutan terdeteksi satu per

satu. Jika calon kendaraan muncul di R saya, Sebuah saya meningkat per satu sampai Sebuah saya sama

dengan enam; jika tidak ada kendaraan kandidat di R saya, Sebuah saya menurun per satu sampai Sebuah

saya

sama dengan nol. Pada menit apapun, jika kondisi

• 5 • A• A ii • 1 • 12 . saya
• 1, 2, 3 atau
• (8)
HAI 3
• 3saya• 6 .
• Sebuah • 1,
saya 2, 3, 4
HAI 2
terpenuhi, salah satu mendekat dikatakan terdeteksi berdasarkan pada fitur
motion.
HAI 1

x=0 d1 d2 d3 319
Gambar. 7. Tiga subareas daerah deteksi tanah didefinisikan untuk memperkirakan
arus optik multi-level.

Pada tahap penyaringan, vektor optik-aliran disaring oleh panjang dan arah mereka.
Yang berbeda-jarak mendekati kendaraan memiliki yang berbeda-panjang vektor
optik-aliran bahkan mereka berada di kecepatan yang sama; sehingga arus optik (Sebuah) (B)
dipisahkan menjadi tiga kelas untuk menyaring. Klasifikasi ini sama dengan subareas Gambar 8. Contoh pengelompokan aliran optik:. (A) kelompok optik-aliran positif.

optik-aliran HAI 1, HAI 2, dan HAI 3 ditunjukkan pada Gbr.7. Tiga subareas menggunakan (B) kelompok optik-aliran negatif.

nilai ambang batas yang berbeda untuk menyaring arus optik. Aturan keputusan untuk
panjang didefinisikan sebagai C. Statis Fitur Deteksi
Untuk menghindari deteksi palsu kendaraan kecepatan yang sama dari
deteksi gerak-fitur, kami terus menggunakan dua fitur statis: di bawah
2 •dan •jika tetap,
O1 u adalah
u • . 00piksel,
bayang-bayang kendaraan dan jumlah besaran tepi untuk mengekstrak semua
•
u • • O2 u u 1•dan. 00piksel, (5)
calon kendaraan mungkin di daerah deteksi tanah. Berdasarkan nilai ambang
• • O3 u u 0•dan . 25piksel,
• batas yang ditetapkan
T Imin dijelaskan dalam Bagian II-A, piksel yang tingkat abu-abu kurang dari T Imin diklasifikasika
dimana u adalah vektor optik-aliran.
sebagai anggota bayangan di bawah kendaraan. piksel ini kemudian
Arah vektor optik-aliran berguna untuk menilai titik fitur mendekati atau
berkerumun. Jika setiap wilayah deteksi R saya memiliki cluster signifikan piksel
meninggalkan kendaraan tuan rumah. Dalam studi ini, vektor optik-aliran
shadow bawah, kendaraan ini kemudian terdeteksi.
diklasifikasikan ke dalam aliran optik positif dan negatif. Aliran optik positif
adalah vektor gerak mendekati dan aliran optik negatif adalah vektor gerak
Bayangan di bawahnya tidak jelas di jam gelap; di bawah bayangan tidak dapat
meninggalkan relatif terhadap kendaraan tuan rumah. Aturan keputusan
digunakan untuk mendeteksi mendekati kendaraan. Namun, ada kepala terang
untuk arus optik positif dan negatif didefinisikan sebagai
mendekati kendaraan di jam gelap. Dengan demikian, cluster tepi ca digunakan
untuk mendeteksi mendekati kendaraan pada jam-jam gelap. Berdasarkan nilai
ambang batas yang ditetapkan T e dijelaskan dalam Bagian II-A, piksel yang
u adalah aliran optik positif, jika { u • HAI 1 dan -20 o
besaran gradien lebih besar dari T en diklasifikasikan sebagai titik keunggulan yang
< • < 20 Hai} atau
signifikan. Jika setiap wilayah deteksi R saya
{ u • HAI 2 dan -15 o < • < 15 Hai} atau (6)
{ u • HAI 3 dan -10 o < • < 10 Hai}
memiliki sejumlah besar poin tepi, kendaraan ini kemudian terdeteksi.
u adalah aliran optik negatif, jika { u • HAI 1 dan 160 o < • <
200 Hai} atau
D. deteksi Keputusan
{ u • HAI 2 dan 165 o < • < 195 Hai} atau (7)
Untuk mengimbangi efek perspektif, tingkat abu-abu dan besaran tepi
{ u • HAI 3 dan 170 o < • < 190 Hai}
dalam semua kriteria deteksi di atas perlu
dimana • adalah sudut fase u.

.
519
 International Journal of Machine Learning dan Komputasi, Vol. 4, No. 6, Desember 2014

disesuaikan dengan Persamaan. (1). Selain keputusan atas arus optik positif,
arus optik negatif secara langsung digunakan untuk menolak kemungkinan
kendaraan mendekat. Penggunaan fitur motion dan fitur statis untuk deteksi
blind-spot kendaraan diperlakukan istimewa seperti di atas deskripsi dan
ditampilkan di bagian terakhir pada Gambar. 1.
dan situasi yang cerah hari, hari berawan, bayangan pohon pengaruh, kecepatan
tinggi mendekati kendaraan, di dalam terowongan, tanda lalu lintas di tanah, di
malam hari jam, dan hari berat hujan. Sampel kendaraan deteksi dalam delapan
kondisi dan situasi yang menyala pada Gambar. 9.
Kinerja deteksi kuantitatif dievaluasi oleh teori pengujian hipotesis statistik.
Empat hubungan antara hasil deteksi dan situasi aktual: positif benar ( TP),

AKU AKU AKU. E XPERIMENTS negatif yang benar ( TN), positif palsu ( FP), dan negatif palsu ( FN)

Pendekatan yang diusulkan dilakukan untuk menunjukkan kinerja deteksi direpresentasikan dalam Tabel I. Dari definisi tersebut, keakuratan deteksi diberikan

kendaraan blind-spot. semua eksperimental sebagai

RGB gambar berwarna ditangkap dari kamera digital tahan air; mereka semua
• TN
TP
dalam ukuran 320 • 240 piksel. Kamera digital dipasang di bawah sayap ketepatan • 100
(%) . (9)
• • TN TP• FN
FP
cermin sisi kanan. Metode yang diusulkan dilaksanakan oleh bahasa C
dengan standar perpustakaan ANSI C pada PC umum, Intel • Core 2 Duo • P8700
Hasil eksperimen diringkas dalam Tabel II. Akurasi keseluruhan 95,67%.
2,53 GHz CPU dengan Microsoft • Windows 7 sistem operasi. Kode sumber
Akurasi dari hari-hari cerah dan hari berawan lebih tinggi dari yang di malam
juga memenuhi untuk mengeksekusi pada sistem embedded TI DaVanci
hari berat hujan. Hari-hari cerah dan hari berawan memiliki akurasi tertinggi
DM6737 untuk mengevaluasi kinerja eksekusi.
dalam empat kondisi cuaca: Sunny day, hari berawan, pada malam hari jam,
dan hari berat hujan. Permukaan jalan adalah gelap dan tidak jelas di malam
hari dan berat hujan hari; semua fitur: aliran optik, tepi, dan bayangan di
bawahnya, tidak stabil untuk dideteksi. Dengan demikian akurasi tidak begitu
baik.

Dari hasil percobaan, kita dapat menemukan bahwa semua empat situasi
lingkungan: bayangan pohon, kecepatan tinggi mendekati kendaraan, di dalam
terowongan, dan rambu lalu lintas di tanah, tidak mempengaruhi tingkat deteksi deteksi
blind-spot kami.
Sistem yang diusulkan dieksekusi pada komputer pribadi yang disebutkan.
(Sebuah) (B) Kami punya waktu eksekusi rata-rata untuk satu frame adalah sekitar 28
milidetik. Jumlah poin fitur (tepi poin) di hari-hari cerah dan berawan lebih
besar dari yang di malam hari dan hari berat hujan; sehingga waktu eksekusi
di hari-hari cerah dan berawan sedikit lebih besar daripada di malam hari dan
hari berat hujan.

TABEL I: F KAMI R elations ANTARA D ETECTION R ESULTS DAN

(C) (D) SEBUAH CTUAL S ITUATION

deteksi Aksi kendaraan ada Tidak ada kendaraan

positif palsu ( FP)

kendaraan mendeteksi Benar positif ( TP)
(Tipe I error)

Tidak mendeteksi negatif palsu ( FN)

Benar negatif ( TN)
kendaraan (Tipe II kesalahan)

TABEL II: T DIA S TATISTIC R ESULTS IN E ACH W eather C ONDITIONS

(E) (F) Cuaca Total Kendaraan # Kendaraan Tipe I / Type

terdeteksi
kondisi frame jumlah II error # Ketepatan

Cerah 717 546 542 12/4 97,77%

Berawan 274 162 157 8/5 95.26%

pohon shadow 350 220 218 4/2 98,29%

kendaraan cepat 209 57 55 3/2 97,61%

di terowongan 694 317 307 21/10 95,53%

Rambu lalu lintas 476 321 317 10/4 97.06%

(G) (H)

Gambar. 9. Contoh mendekati deteksi kendaraan dalam kondisi cuaca yang berbeda dan situasi malam jam 874 432 409 39/23 92,91%

lingkungan. (hari yang cerah. (B) hari berawan. (C) Pohon bayangan pengaruh. (D) kecepatan tinggi berat hujan 674 537 512 13/25 94,36%
mendekati kendaraan. (E) Dalam terowongan. (F) tanda lalu lintas di tanah. (G) Pada malam jam. (H)
hari Berat hujan.

Ada benar-benar 4268 gambar dalam delapan kondisi cuaca atau IV. C ONCLUSION
lingkungan situasi untuk pemeriksaan. kondisi ini
Sebuah sistem deteksi blind-spot diusulkan dalam penelitian ini.

520
 International Journal of Machine Learning dan Komputasi, Vol. 4, No. 6, Desember 2014
sistem deteksi blind-spot yang diusulkan terdiri dari empat tahap: estimasi
nilai ambang cuaca-adaptif, multi-resolusi optik
deteksi aliran, fitur statis
deteksi, dan keputusan deteksi.
Pendekatan yang diusulkan memiliki sifat sebagai berikut: (i) pendekatan
adaptif terhadap berbagai kondisi cuaca. (Ii) deteksi tersebut tidak dipengaruhi
oleh membangun bayangan dan sinyal lalu lintas di tanah. (Iii) deteksi tersebut
tidak dipengaruhi oleh latar belakang rumit karena daerah deteksi yang telah
ditentukan. (Iv) aliran optik Multi-resolusi digunakan untuk mendeteksi kendaraan
dalam jarak jauh atau dekat. (V) aliran optik Multi-resolusi mampu mendeteksi
berbagai kecepatan mendekati kendaraan. (Vi) fitur statis dan gerak yang
diusulkan untuk mendeteksi kendaraan sehingga kendaraan sisi kecepatan yang
sama juga dapat dideteksi. (Vii) Fitur statis dan gerak yang berurutan
diperlakukan untuk meningkatkan tingkat deteksi dan mengurangi alarm palsu.
R EFERENCES
[1] R. Sosa dan G. Velazquez, “Kendala deteksi dan sistem menghindari tabrakan dikembangkan
dengan model virtual,” di Proc. IEEE Int. Conf. pada Vehicular Elektronik dan Keamanan, Beijing,
Cina, 13-15 Desember,
2007, hlm. 1-8.
[2] T. Mondal, R. Ghatak, dan BPRS Chaudhuri, “Desain dan analisis dari 5.88GHz microstrip
bertahap array antena untuk sistem transportasi cerdas,” di Proc. Int. Symp. pada Antena
dan Propagasi, Toronto, Ontario, Kanada, 11-17 Juli, 2010, hlm. 1-4. [3] J. Teizer, BS
Allread, dan U. Mantripragada, “Mengotomasi pengukuran blind spot peralatan
konstruksi,” Otomatisasi dalam Konstruksi, vol. 19, hlm. 491-501, 2010. [4] O. Achler dan
MM Trivedi, "roda Kendaraan detektor menggunakan filter bank 2D," di Proc. IEEE
Intelijen Kendaraan Symp., Parma, Italia, Jun.14-17 2004, hlm. 25-30. [5] N. Blanc, B.
Steux, dan T. Hinz, "LaRASideCam - sistem deteksi blindspot berdasarkan visi-cepat
dan kuat," di Proc. IEEE Cerdas Kendaraan Symp., Istanbul, Turki, 13-15 Juni 2007, hlm.
480-485. [6] EY Chung, HC Jung, E. Chang, dan IS Lee, "Visi berdasarkan perubahan
jalur sistem bantuan keputusan," di Proc. 1 Int. Forum Teknologi Strategis, Ulsan, Korea,
18-20 Oktober 2006, pp. 10-13. [7] M. Krips, J. Velten, A. Kummert, dan A. Teuner,
"pelacakan AdTM untuk orang buta menghindari tempat tabrakan," di Proc. IEEE Cerdas
Kendaraan Symp., Parma, Italia, 14-17 Juni 2004, hlm. 544-548. [8] B.-F. Wu, W.-H.
Chen, C.-W. Chang, C.-J. Chen, dan M.-W. Chung, "A deteksi kendaraan baru dengan
estimasi jarak untuk sistem perubahan jalur peringatan," di Proc. IEEE Cerdas
Kendaraan Symp., Istanbul, Turki, 13-15 Juni 2007, hlm. 698-703. [9] J. Zhou, D. Gao,
dan D. Zhang, "Pindah deteksi kendaraan untuk memonitor lalu lintas otomatis," IEEE
Trans. pada Vehicular Technology,
vol. 56, tidak ada. 1, pp. 51-59, 2007. [10] S. Mota, E. Ros, EM Ortigosa, dan FJ Pelayo,
"deteksi gerak Bio-terinspirasi untuk blind spot menyalip memantau," Int. Jurnal Robotika
dan Otomasi, vol. 19, tidak ada. 4, pp. 190-196, 2004. [11] S. Mota, E. Ros, J. Díaz, G.
Botella, F. Vargas-Martin, dan A. Prieto, "Gerak didorong rencana segmentasi untuk urutan
mobil menyalip," di
521
Proc. 10 Int. Conf. Visi di Kendaraan, Granada, Spanyol, 07-10 September,
2003, pp.1-6.
[12] N. Ohta dan K. Niijima, “Deteksi mendekati mobil melalui visi serangga buatan,” Elektronika
dan Komunikasi di Jepang, vol. 88, no.10, pp. 57-65, 2005. [13] JD Alonso, ER Vidal, A.
Rotter, dan M. Muhlenberg, "sistem bantuan Lane-perubahan keputusan berdasarkan
gerak-driven pelacakan kendaraan," IEEE Trans. pada Vehicular Technology, vol. 57,
tidak ada. 5, pp. 2736-2746, 2008. [14] J. Wang, G. Bebis, dan R. Miller, "Menyalip
deteksi kendaraan menggunakan pemodelan latar belakang dinamis dan quasi-static,"
di Proc. IEEE Conf. pada Computer Vision dan Pengenalan Pola, Reno, Nevada, 20-26
Juni 2005, pp. 64-71. [15] MA Sotelo, J. Barriga, D. Fernández, I. Parra, JE Naranjo, M.
Marron, S. Alvarez, dan M. Gavilan, "Vision berbasis deteksi blind spot menggunakan
aliran optik," di Proc. 11 Int. Conf. pada Computer Aided Teori Sistem, Las Palmas,
Spanyol, 12-16 Februari 2007, pp. 1113-1118. [16] M.-H. Yang dan N. Ahuja, “model
campuran Gaussian untuk warna kulit manusia dan aplikasi dalam database gambar
dan video,” di Proc. IS & T / SPIE Conf. pada Penyimpanan dan Retrieval untuk Gambar
dan Video Database VII, San Jose, CA, 23 Januari 1999, pp. 458-466. [17] JY Bouguet, Pelaksanaan
piramidal dari Lucas Kanade
Fitur Tracker Deskripsi dari algoritma, Intel Mikroprosesor Labs Research. 2007.
Din-Chang Tseng menerima gelar Ph.D. gelar di bidang teknik
informasi dari National Chiao Tung University, Hsinchu, Taiwan,
pada bulan Juni 1988. Dia telah menjadi profesor di
Departemen Ilmu Komputer dan Teknik Informatika di
Universitas Pusat Nasional, Jhongli, Taiwan sejak tahun 1996.
Dia adalah anggota dari IEEE . kepentingan penelitian saat ini
meliputi visi komputer, pengolahan gambar, dan virtual reality;
terutama dalam topik: visi komputer
Sistem untuk kendaraan keamanan canggih, teknik visi komputer untuk komputer manusia
interaksi, dan pemodelan medan multi-resolusi tampilan tergantung.
Chang-Tao Hsu menerima gelar BS dan MS derajat di
Departemen Teknik Biomedis dari Universitas Kristen Chung
Yuan, Taiwan, pada tahun 1996 dan 1998, masing-masing. Dia
saat ini bekerja untuk gelar Ph.D. gelar di Departemen Ilmu
Komputer dan Teknik Informatika di Universitas Pusat Nasional,
Jhongli, Taiwan. bunga penelitiannya adalah real-time image
processing dalam sistem transportasi cerdas.
Wei-Shen Chen menerima gelar BS di Departemen Ilmu
Komputer dan Teknik Informasi dari Yuan Ze University,
Jhonhli, Taiwan, pada tahun 2010, dan gelar MS di Institut
Ilmu Komputer dan Teknik Informasi dari National Central
University, Jhongli, Taiwan, di
2012. Dia sekarang bekerja di Teknologi VIA, Co. sebagai insinyur
perangkat lunak.