6, Desember 2014
• 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
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
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 Namun, nilai-nilai ambang batas yang varian dengan kondisi cuaca. Di sini
target di tanah. kita memberikan metode histogram analitik 2D ke adaptif mengekstrak tiga
nilai ambang batas.
Pada jarak yang berbeda untuk kendaraan tuan rumah, kendaraan sisi An (1D) intensitas histogram adalah distribusi jumlah intensitas piksel
memiliki ukuran yang berbeda gambar; ini disebut efek perspektif dalam dalam gambar. histogram 2D yang diusulkan mirip dengan histogram 1D
gambar. Pada jarak jauh, kendaraan sisi muncul kecil dan terdeteksi tidak tradisional tetapi dengan dua variabel independen; satu adalah intensitas dan
stabil. Jika kita melepaskan nilai ambang batas, banyak alarm palsu mungkin yang lainnya adalah besarnya gradien, sebagai salah satu contoh yang
kemudian timbul. Artinya, efek perspektif selalu mempengaruhi tingkat deteksi. ditunjukkan pada Gambar. 4 (b). Asal usul histogram 2D adalah sudut kiri
Untuk meningkatkan kinerja, kita mendefinisikan fungsi pembobotan jarak bawah, sumbu horisontal mewakili intensitas yang berbeda piksel, dan sumbu
untuk mengimbangi efek perspektif. Jika j adalah mengkoordinasikan vertikal vertikal mewakili besaran gradien yang berbeda piksel. Kecerahan titik di
gambar, fungsi pembobotan jarak histogram 2D merupakan jumlah piksel dengan intensitas tertentu dan
517
International Journal of Machine Learning dan Komputasi, Vol. 4, No. 6, Desember 2014
besarnya gradien. masing-masing, maka tiga nilai ambang batas T Imin, T imax, dan T e
Secara umum, hanya empat bahan: aspal permukaan jalan, jalur tanda dan ditentukan sebagai
sinyal lalu lintas, bayangan di bawah kendaraan ( USV), dan badan kendaraan
T Imin = • x - 2 • x .
muncul di area deteksi tanah. Selain itu, piksel setiap acara tingkat abu-abu bahan
yang sama dan kemudian membentuk normal (Gaussian) distribusi di kecerahan. T imax = • x + 2 • x . dan
tanda jalur dan sinyal lalu lintas di tanah lebih terang dari aspal permukaan jalan (4)
dan memiliki tepi tajam. bayangan di bawah kendaraan selalu lebih gelap dari Te= •y+ 2 •y.
permukaan jalan. badan kendaraan dapat lebih terang atau lebih gelap dari
dimana T Imin digunakan terpisah permukaan jalan aspal dan bayangan bawah
permukaan jalan; mereka tidak dapat dipisahkan dengan kecerahan, tetapi mereka
kendaraan ( USV), T imax digunakan untuk memisahkan permukaan jalan aspal dan
memiliki besaran gradien yang berbeda. Berdasarkan fakta di atas, kita ingin
sinyal jalur tanda / lalu lintas, dan T e digunakan untuk mengekstrak piksel tepi
mencari nilai-nilai ambang batas untuk memisahkan empat materi di daerah signifikan yang akan digunakan untuk menghitung arus optik yang berharga.
deteksi tanah. 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)
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
518
International Journal of Machine Learning dan Komputasi, Vol. 4, No. 6, Desember 2014
Prosedur deteksi optik-aliran terdiri dari tiga tahap utama: estimasi, Akhirnya, semua tetap arus optik positif dan negatif dikelompokkan ke dalam
penyaringan, dan clustering. Dalam kelompok-kelompok dengan metode pengelompokan sederhana. Hasil kelompok
tahapan estimasi, daerah deteksi tanah dibagi menjadi tiga subareas seperti optik-aliran positif dan negatif ditunjukkan pada Gambar. 8. Dalam gambar, blok
ditunjukkan pada Gambar. 7 untuk menghitung tiga tingkat vektor optik-aliran. merah adalah kelompok positif dan blok biru adalah kelompok negatif.
Tiga subareas diberi nama HAI 1, HAI 2,
dan HAI 3 dari dekat ke jauh di daerah deteksi tanah dengan batas-batas Untuk berkonsentrasi deteksi lokal dan berbeda berbeda mengancam
keputusan di x = d 1, d 2, dan d 3. Tiga tingkat arus optik diperkirakan untuk derajat, mekanisme deteksi diusulkan berdasarkan arus optik positif
subarea HAI 1, dua tingkat arus optik diperkirakan untuk HAI 2, dan hanya satu diekstrak.
tingkat arus optik diperkirakan untuk HAI 3. arus optik multi-level diperkirakan 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
• 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, dan situasi yang cerah hari, hari berawan, bayangan pohon pengaruh, kecepatan
arus optik negatif secara langsung digunakan untuk menolak kemungkinan tinggi mendekati kendaraan, di dalam terowongan, tanda lalu lintas di tanah, di
kendaraan mendekat. Penggunaan fitur motion dan fitur statis untuk deteksi malam hari jam, dan hari berat hujan. Sampel kendaraan deteksi dalam delapan
blind-spot kendaraan diperlakukan istimewa seperti di atas deskripsi dan kondisi dan situasi yang menyala pada Gambar. 9.
ditampilkan di bagian terakhir pada Gambar. 1.
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
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.
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 Proc. 10 Int. Conf. Visi di Kendaraan, Granada, Spanyol, 07-10 September,
2003, pp.1-6.
nilai ambang cuaca-adaptif, multi-resolusi optik
[12] N. Ohta dan K. Niijima, “Deteksi mendekati mobil melalui visi serangga buatan,” Elektronika
deteksi aliran, fitur statis dan Komunikasi di Jepang, vol. 88, no.10, pp. 57-65, 2005. [13] JD Alonso, ER Vidal, A.
deteksi, dan keputusan deteksi. Rotter, dan M. Muhlenberg, "sistem bantuan Lane-perubahan keputusan berdasarkan
gerak-driven pelacakan kendaraan," IEEE Trans. pada Vehicular Technology, vol. 57,
Pendekatan yang diusulkan memiliki sifat sebagai berikut: (i) pendekatan
tidak ada. 5, pp. 2736-2746, 2008. [14] J. Wang, G. Bebis, dan R. Miller, "Menyalip
adaptif terhadap berbagai kondisi cuaca. (Ii) deteksi tersebut tidak dipengaruhi deteksi kendaraan menggunakan pemodelan latar belakang dinamis dan quasi-static,"
oleh membangun bayangan dan sinyal lalu lintas di tanah. (Iii) deteksi tersebut 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.
tidak dipengaruhi oleh latar belakang rumit karena daerah deteksi yang telah
Marron, S. Alvarez, dan M. Gavilan, "Vision berbasis deteksi blind spot menggunakan
ditentukan. (Iv) aliran optik Multi-resolusi digunakan untuk mendeteksi kendaraan
aliran optik," di Proc. 11 Int. Conf. pada Computer Aided Teori Sistem, Las Palmas,
dalam jarak jauh atau dekat. (V) aliran optik Multi-resolusi mampu mendeteksi Spanyol, 12-16 Februari 2007, pp. 1113-1118. [16] M.-H. Yang dan N. Ahuja, “model
berbagai kecepatan mendekati kendaraan. (Vi) fitur statis dan gerak yang 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
diusulkan untuk mendeteksi kendaraan sehingga kendaraan sisi kecepatan yang
dan Video Database VII, San Jose, CA, 23 Januari 1999, pp. 458-466. [17] JY Bouguet, Pelaksanaan
sama juga dapat dideteksi. (Vii) Fitur statis dan gerak yang berurutan piramidal dari Lucas Kanade
diperlakukan untuk meningkatkan tingkat deteksi dan mengurangi alarm palsu.
Fitur Tracker Deskripsi dari algoritma, Intel Mikroprosesor Labs Research. 2007.
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, Din-Chang Tseng menerima gelar Ph.D. gelar di bidang teknik
2007, hlm. 1-8. informasi dari National Chiao Tung University, Hsinchu, Taiwan,
[2] T. Mondal, R. Ghatak, dan BPRS Chaudhuri, “Desain dan analisis dari 5.88GHz microstrip pada bulan Juni 1988. Dia telah menjadi profesor di
bertahap array antena untuk sistem transportasi cerdas,” di Proc. Int. Symp. pada Antena Departemen Ilmu Komputer dan Teknik Informatika di
dan Propagasi, Toronto, Ontario, Kanada, 11-17 Juli, 2010, hlm. 1-4. [3] J. Teizer, BS Universitas Pusat Nasional, Jhongli, Taiwan sejak tahun 1996.
Allread, dan U. Mantripragada, “Mengotomasi pengukuran blind spot peralatan Dia adalah anggota dari IEEE . kepentingan penelitian saat ini
konstruksi,” Otomatisasi dalam Konstruksi, vol. 19, hlm. 491-501, 2010. [4] O. Achler dan meliputi visi komputer, pengolahan gambar, dan virtual reality;
MM Trivedi, "roda Kendaraan detektor menggunakan filter bank 2D," di Proc. IEEE terutama dalam topik: visi komputer
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 Sistem untuk kendaraan keamanan canggih, teknik visi komputer untuk komputer manusia
dan kuat," di Proc. IEEE Cerdas Kendaraan Symp., Istanbul, Turki, 13-15 Juni 2007, hlm. interaksi, dan pemodelan medan multi-resolusi tampilan tergantung.
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,
Chang-Tao Hsu menerima gelar BS dan MS derajat di
"pelacakan AdTM untuk orang buta menghindari tempat tabrakan," di Proc. IEEE Cerdas
Departemen Teknik Biomedis dari Universitas Kristen Chung
Kendaraan Symp., Parma, Italia, 14-17 Juni 2004, hlm. 544-548. [8] B.-F. Wu, W.-H.
Yuan, Taiwan, pada tahun 1996 dan 1998, masing-masing. Dia
Chen, C.-W. Chang, C.-J. Chen, dan M.-W. Chung, "A deteksi kendaraan baru dengan
saat ini bekerja untuk gelar Ph.D. gelar di Departemen Ilmu
estimasi jarak untuk sistem perubahan jalur peringatan," di Proc. IEEE Cerdas
Komputer dan Teknik Informatika di Universitas Pusat Nasional,
Kendaraan Symp., Istanbul, Turki, 13-15 Juni 2007, hlm. 698-703. [9] J. Zhou, D. Gao,
Jhongli, Taiwan. bunga penelitiannya adalah real-time image
dan D. Zhang, "Pindah deteksi kendaraan untuk memonitor lalu lintas otomatis," IEEE
processing dalam sistem transportasi cerdas.
Trans. pada Vehicular Technology,
521