【翻译】Robust Vehicle Detection and Distance Estimation Under Challenging Lighting Conditions

VII. INTER-VEHICLE DISTANCE ESTIMATION

在检测到车辆之后，下一步是通过估计到ROI的距离来标记已识别的ROI。仅使用单眼视觉不可能直接从道路场景获得深度和距离信息。但是，在将摄像机图像重新映射到2D变换域后，我们可以基于新的2D变换图像中均匀分布的像素距离进行距离估计。图19和20说明了我们的距离测量技术

假设路面几乎是平坦的，并且知道了相机的光学参数，相机的高度和相机的角度，那么反向透视图映射（IPM）可以将记录的图像映射到鸟瞰图[63]，近似于正交的俯视图。现场。图19显示了使用四点校准[64]将记录的图像映射到鸟瞰图[64]

在鸟瞰图中测量从目标车辆到自我车辆的像素距离，并将其与相同相机参数和相机安装情况下的地面真实度指标进行比较，可以执行距离估算，如图19所示。 ，b和c。

Tuohy等人的最新工作。 [65]也考虑了类似的距离估计方法；然而，一个重要的弱点被忽略了。我们根据图19 b突出显示了这一弱点。考虑到绿色接线盒的底部作为距离参考，鸟瞰图无法准确分辨出车辆在道路上的位置；特别是对于超过30 m的距离，例如车辆V3（图19，更远的车辆）。

该图表明，所记录的透视图图像中的每个像素都需要映射到鸟瞰图中的多个点。此转换涉及插值。我们的评估表明，插值误差以及4点校准阶段涉及的误差会导致距离估计误差高达“ =±8％。该技术可能适用于基本的驾驶员辅助系统，以防止即将发生的碰撞；但是， ，随着距离的增加，估计误差会成倍增加，我们的目标是改进这项技术，以使我们获得的距离估计比使用鸟瞰图更为准确。

如果自我车辆的减震器在uneven不平的路面上振动，则H值可能会略有变化，并对实际D值和β产生负面影响。这是我们唯一知道的这种方法的缺点。

鸟瞰图的加权平均和基于相机姿态的三角解决方案均被应用，以确保更可靠的距离估计。我们将在实验VIII.A节中提供更多详细信息。

图21显示了到车辆错误的距离（到自我车辆前面的车辆），通过与红线表示的地面真相进行比较来确定。车辆与自我车辆之间的距离为6至50m。我们认为地面真相测量的可信区间为±60cm。与基于鸟瞰的方法相比，基于摄像头的三角法进行距离估计可以显示出更准确的结果。对于基于摄像机姿态的三角法，误差主要在我们的地面真相参考的置信范围内。有趣的是，这两种方法在中等距离（约22至27m的范围）内都显示出非常相似的错误行为。对于远距离鸟瞰技术，错误级别显着增加（高达9％）。

我们确定了两种方法的两个常见错误源，以及鸟瞰方法的第三个错误源：（1）来自车辆分类器（检测器）的车辆定位错误； （2）由于车辆减震器的活动而引起的照相机高度H的变化； （3）第七节中讨论的由于插值和四点校准误差导致的鸟瞰技术误差。图21中的虚线圆圈示出了与邻居明显不同的误差。这些情况发生在自我车辆突然制动或由于减震器的高活动性（即摄像机倾斜角和高度H的变化）时。通过测量这两种技术的标准误差，我们考虑了基于相机姿态三角法的加权平均系数为0.7，而对于鸟瞰技术的加权平均系数为0.3。