Модель системи виявлення пішоходів та їх трекінгу з використанням рухомого джерела світла



Анотація. На основі розробленого інструментарію для пакету MATLAB/Simulink запропоновано модель, що дозво-ляє виявляти пішоходів та відстежувати їх подальші пересу-вання за допомогою фільтру Калмана. Розпізнавання пішо-ходів здійснюється за допомогою агрегованих функцій кана-лу(ACF). Отримані результати використовуються для побу-дови керуючого впливу на гібридний кроковий двигун, що позиціонує точкове джерело світла, яке освітлює рухомий об’єкт. Дана підсистема є частиною автомобільної системи нічного бачення.

Ключові слова: виявлення пішоходів, фільтр Калмана, відстеження рухомих об’єктів, безпека руху

Хлівненко Михайло

студент

КПІ ім. Ігоря Сікорського

Київ, Україна

Model of pedestrian identification and tracking system using a moving light source

Abstract. Based on the developed toolkit for the MATLAB/Simulink package, a model is proposed pedestrian detection and tracks their subsequent movement with the Kalman filter. Pedestrian identification is performed by using aggregated channel functions (ACF). The obtained results are used to construct a control influence on a hybrid stepper motor, which positions the source of light that illuminates a moving object. This subsystem is part of the automotive night vision system.

Keywords: pedestrian detection, Kalman filter, tracking of moving objects, traffic safety.

Mykhailo Khlivnenko

student

Igor Sikorsky Kyiv Polytechnic Institute

Kyiv, Ukraine

ВСТУП

Автомобільні системи нічного бачення призначені для забезпечення комфортного нічного водіння автомобіля, а також для навігації в умовах поганої видимості, що дозволяє підвищити безпеку водіння в нічний час. З розвитком технологій все більше уваги приділяють безпеці пішоходів. Системи допомоги водіям забезпечують виявлення пішоходів у нічний час та знижують ризик дорожньо-транспортних пригод. Автомобільні системи нічного бачення повинні використовувати швидкі та ефективні алгоритми пошуку пішоходів, а також надійні системи відслідковування подальшого руху знайдених об’єктів.

ОПИС СИСТЕМИ

Запропонована система є частиною автомобільної системи нічного бачення. На рис. 1 зображено основні етапи, які виконує система. Запропонована система показує, як здійснювати автоматичне виявлення та відстеження людей у відео з рухомої камери. Це демонструє гнучкість системи відстеження, адаптовану до рухомої камери, що ідеально підходить для застосування в автомобільній безпеці.

Виявлення рухомих об’єктів відбувається за допомо-гою так званих агрегованих функцій каналу (aggregate channel features) [1]. Даний алгоритм дозволяє точно та швидко виявляти людей на відео. Результатом функції детектування є координати центру, координати та розмір обмежувального прямокутника, а також ваговий коефіці-єнт виявленої особи, що допомагає створювати певну пріоритетну чергу, адже система підсвічування пішоходів може одночасно підсвічувати лише один об’єкт [2]. За рахунок порівняння ваги виявлених об’єктів можливо обирати тих пішоходів, які становлять найбільшу загрозу для руху автомобіля. Для збільшення роздільної здатності використовують-ся спеціальні кроки, що передбачають зміну розміру зо-браження. Приблизна висота пішохода обчислюється на основі даних про висоту ніг.
Після виявлення пішохода необхідно відстежити його пересування. Для цього використовується система сте-ження, що побудована на основі фільтра Калмана. Фільтр Калмана, відомий також як лінійно-квадратичне оціню-вання — це алгоритм, що використовує послідовності вимірювання протягом часу, які містять шум (випадкові відхилення) та інші неточності, та видає оцінки невідомих змінних, що є потенційно точнішими за базовані на самих лише вимірюваннях. Формальніше, фільтр Калмана пра-цює рекурсивно на потоках зашумлених вхідних даних, і видає статистично оптимальну оцінку базового стану системи [3]. Система стеження створює певний масив треків, де ко-жен трек є структурним представленням рухомого об’єкта на відео. Мета структури – це відслідковувати стан об’єкта. В свою чергу, стан об’єкта містить інформацію про час відслідковування, ваговий коефіцієнт об’єкта, а також передбачуване положення об’єкта у наступному кадрі [4]. Система виконує низьку функцій, серед яких: ство-рення нових треків, видалення старих треків, оновлення існуючих треків, а також розрахунок положення рухомого об’єкту у кожному кадрі. На рис. 2 представлено результат обробки кадрів.

Рис. 2. Приклад роботи системи детектування

Наступним кроком є розрахунок кута повороту кроко-вого двигуна, що визначає напрямок променю світла. Знаючи кут огляду камери ми знаходимо ширину кад-ру, що припадає на один градус, а потім, знаючи ширину координати центру прямокутника, що обмежує пішохода, знаходимо кут повороту двигуна. Знайдене значення подається для подальшої обробки в систему керування кроковим двигуном. Використовуєть-ся гібридний кроковий двигун з кутом повороту 1,8°. Ви-користання мікрокрокового режиму роботи дозволяє зни-зити величину куту повороту до 0,9°. Таке значення до-зволяє досягти високої точності у позиціюванні джерела світла. Модель системи позиціювання створена засобами MATLAB/Simulink і використовує модель управління кро-ковим двигуном [5]. Сигнал «step» управляє кроками дви-гуна, ширина імпульсу вказує на час роботи. Сигнал «dip» використовується для зміни напрямку обертання двигуна, значення «1» відповідає прямому напрямку обертання, а «0» - реверсному. На рис. 3 показано модель системи.

Рис. 3. Модель системи у MATLAB/Simulink

На рис. 4 представлено приклад графіку кута поворо-ту крокового двигуна відповідно до розрахованого поло-ження пішохода перед автомобілем. Кроковий двигун відповідає за позиціювання рухомого джерела світла, що являє собою напрямлений світловий потік, що підсвічує пішохода. Такий підхід є зручним та безпечним, адже водієві не потрібно дивитися в монітор для того, щоб побачити виявленого пішохода.

Рис. 4. Зміна кута повороту крокового двигуна у часі

ВИСНОВКИ

Роблячи висновок, можна сказати, що запропонована модель виявлення пішоходів та відстеження їх пересувань з позиціюванням точкового джерела світла є надійною та швидкою. Якість отриманих результатів свідчить про її високу точність. Виявлення пішоходів відбувається з використанням швидкого алгоритму ACF. Завдяки додатковим крокам в алгоритмі відстежування переміщення об’єктів, система забезпечує безперервний та точний трекінг. На основі отриманих даних формується сигнал управління кроко-вим двигуном, що позиціонує рухоме джерело світла.

ЛІТЕРАТУРА

$1.$ N. Dalal and B. Triggs. Histograms of oriented gradients for human detection. In CVPR, 2005.

$2.$ D P. Dollár, R. Appel, S. Belongie, and P. Perona. Fast feature pyramids for object detection. TPAMI, 2014.

$3.$ https://uk.wikipedia.org/wiki/Фільтр\_Калмана (Дата звернення 20.04.2018).

$4.$ https://www.mathworks.com/help/vision/examples/tracking\-pedestrians\-from\-a\-moving\-car.html. (Дата звернення 5.04.2018).

$5.$ https://www.mathworks.com/help/physmod/sps/examples/stepper\-motor\-drive.html (Дата звернення 5.04.2018)

May 17, 2018