書籍
書籍検索
送料無料

設計技術シリーズ

自動車の画像認識技術―車載カメラからパターン認識まで―

著者: 秋田 時彦(豊田工業大学)
定価: 4,950円(本体4,500円+税)
判型: A5
ページ数: 260 ページ
ISBN: 978-4-910558-13-4
発売日: 2022/6/20
管理No: 107

【目次】

第1章 はじめに

  1. 1.1.車載画像認識の開発及び製品化の歴史
  2. 1.2.車載画像認識の位置付け
  3. 1.3.実現可能な機能
  4. 1.4.車載画像認識の課題
  5. 1.5.課題対策の動向
    1. 1.5.1.認識アルゴリズムの進化
    2. 1.5.2.カメラ・撮像素子の性能向上
    3. 1.5.3.センサフュージョン
  6. 付録
  7. A.1.レーン逸脱警報の規定
  8. A.2.レーンチェンジ支援機能の規定

第2章 車載画像処理の基礎

  1. 2.1.撮像素子
  2. 2.2.カメラモデル
  3. 2.3.カメラレンズ
  4. 2.4.カメラ信号の伝送方式
  5. 2.5.座標系
  6. 2.6.カメラキャリブレーション

第3章 走路の認識

  1. 3.1.処理の流れ
  2. 3.2.エッジ検出
  3. 3.3.線分検出
    1. 3.3.1.ハフ変換
    2. 3.3.2.RANSAC
    3. 3.3.3.最小自乗法
    4. 3.3.4.カーブへの対応
  4. 3.4.知識フィルタ
  5. 3.5.レーン認識必要情報
  6. 3.6.ノイズフィルタ
  7. 3.7.フロントカメラ・周辺監視カメラによる認識比較
    1. 3.7.1.得失比較
    2. 3.7.2.複数カメラによるレーン認識のフュージョン
  8. 3.8.ディープラーニングによるレーン認識
  9. 付録
  10. C.1.車両運動2輪モデル
  11. C.2.ステアリング角からヨーレイトを計算する方法
  12. C.3.クロソイド曲線
  13. C.4.最小自乗法による円のパラメータの算出方法

第4章 移動物体の認識

  1. 4.1.処理の流れ
  2. 4.2.オプティカルフロー
    1. 4.2.1.特徴点
    2. 4.2.2.特徴点の対応付け
  3. 4.3.グルーピング
  4. 4.4.移動物体検出結果
  5. 4.5.到達予測時間の推定
    1. 4.5.1.推定方法
    2. 4.5.2.誤差低減方法
  6. 4.6.実環境における課題および対策
    1. 4.6.1.繰り返しパターン
    2. 4.6.2.自車の旋回
    3. 4.6.3.自車の移動に伴うオプティカルフロー
  7. 4.7.認識信頼度の推定
    1. 4.7.1.信頼度の推定方法
    2. 4.7.2.信頼度の応用例
  8. 付録
  9. D.1.グルーピング条件
  10. D.2.TTC導出過程
  11. D.3.TTCフィルタの導出
  12. D.4.自車の旋回運動補正

第5章 ステレオカメラによる認識

  1. 5.1.ステレオカメラの基礎
    1. 5.1.1.処理の流れ
  2. 5.2.ステレオマッチング方法
    1. 5.2.1.対応点探索領域設定方法
    2. 5.2.2.対応点計算方法
    3. 5.2.3.対応点計算周辺技術
    4. 5.2.4.SGM
  3. 5.3.3次元点復元
    1. 5.3.1.平行ステレオ
    2. 5.3.2.一般式
    3. 5.3.3.移動ステレオにおけるカメラ移動量の計算
    4. 5.3.4.ノイズ除去
  4. 5.4.点群からの物体識別
    1. 5.4.1.人の知識を用いた物体識別
    2. 5.4.2.機械学習による物体識別
  5. 付録
  6. E.1.前後輪車輪速度を用いたカメラ移動量精度向上

第6章 パターン認識

  1. 6.1.候補領域抽出
    1. 6.1.1.ラスタスキャン
    2. 6.1.2.対象物の特徴を用いた抽出
  2. 6.2.特徴量
    1. 6.2.1.HOG
    2. 6.2.2.その他の特徴量
  3. 6.3.識別器
    1. 6.3.1.SVM
    2. 6.3.2.AdaBoost
    3. 6.3.3.Real AdaBoost
    4. 6.3.4.Random Forest
    5. 6.3.5.その他の識別手法
  4. 6.4.深層学習
    1. 6.4.1.ニューラルネットワークの原理
    2. 6.4.2.深層学習の構成と学習
    3. 6.4.3.代表的な物体検出・識別手法
    4. 6.4.4.画像領域分割
  5. 6.5.距離推定
    1. 6.5.1.対象物の画像面上の路面境界位置の利用
    2. 6.5.2.対象物の大きさの利用
    3. 6.5.3.カメラの移動距離の利用
    4. 6.5.4.学習による距離推定
  6. 6.6.衝突予測時間の推定
  7. 6.7.追跡とフィルタリング
  8. 付録
  9. F.1.顕著性マップ

【参考文献】

  • 秋田時彦: 第2章 自動運転に求められる周辺環境センシングの要素技術とデバイス設計開発のポイント 第1節 自動運転に求められる各センサの役割・機能・特徴, 自動運転拡大に求められるセンシング技術・情報処理技術, 情報機構, 2019.
  • 自動車技術会: ITSの標準化2019 WG14 走行制御 (Vehicle/Roadway Warning and Control Systems) , ISSN 2189-5643, p.27-30, 2019.
  • Michal Uricar, et. al: SoilingNet: Soiling Detection on Automotive Surround-View Cameras, arXiv:1905.01492v2 [cs.CV], 2019.
  • Alexander Jaus, et. al: Panoramic Panoptic Segmentation: Towards Complete Surrounding Understanding Via Unsupervised Contrastive Learning, 32nd IEEE Intelligent Vehicles Symposium (IV21), Paper MC-VSPS.19, 2021.
  • 中條 博則: 2019 車載カメラ徹底解説 ADAS~Automated Car~AI, 共創企画, 2019.
  • 日経クロステック,画像認識向け撮像センサー、動体を速く低電力に捉える,2016.07.19.
  • ディジタル画像処理,CG-ARTS協会,2015.
  • 山田啓一,他:広ダイナミックレンジ視覚センサ,豊田中央研究所 R&D レビュー,Vol. 30 No. 2, 1995.
  • ディジタル画像処理,8-3 画像の再標本化と補間,CG-ARTS協会,2015.
  • 秋田時彦, 他: 後方カメラを利用したレーンキープアシストシステム,自動車技術会論文集,Vol.40, No.6, pp.1575-1580, 2009.
  • デジタル画像処理 5-3-2 プリーウィットフィルタ,ソーベルフィルタ, CG-ATRS協会, p.107-109, 2015.
  • J. F. Canny: A Computational approach to edge detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.8, No.6, p.679-698, 1986.
  • デジタル画像処理 11-5-1 ハフ変換, CG-ATRS協会, p.238-240, 2015.
  • デジタル画像処理 8-4-3 幾何学的変換の推定, CG-ATRS協会, p.175, 2015.
    (原論文)M. Fischer, et al.: Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography, Communications of the ACM, Vol.24, No.6, 1981.
  • 安部正人: 自動車の運動と制御 第3章車両運動の基礎,山海堂,1992.
  • 道路構造令, 国土交通省ホームページ,
    https://www.mlit.go.jp/road/sign/kouzourei_kaisetsu.html
  • Tokihiko Akita, et. al: Comparison Between Front and Rear Camera for Lane Recognition, Proceedings of the 15th World Congress on ITS, No.10094, 2008.
  • 秋田時彦, 他: 後方カメラを利用したレーンキープアシストシステム,自動車技術会論文集,Vol.40, No.6, p.1575-1580, 2009.
  • Davy Neven et al.: Towards End-to-End Lane Detection: an Instance Segmentation Approach, arXiv:1802.05591v1 [cs.CV] 15 Feb 2018.
  • Bruce D. Lucas and Takeo Kanade: An Iterative Image Registration Technique with an Application to Stereo Vision. International Joint Conference on Artificial Intelligence, pages 674-679, 1981.
  • C. Tomasi and T. Kanade: Detection and Tracking of Point Features, Shape and Motion from Image Streams: a Factorization Method –Part 3, Technical Report CMU-CS91-132, School of Computer Science, Carnegie Mellon University, 1991.
  • C. Tomasi, J. Shi and T. Kanade: Good features to track, 1994 Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, 1994.
  • C. Harris and M. Stephens: A Combined Corner and Edge Detector, Proc. 14th Alvey Vision Conference, pp.147-151, 1988.
  • 金澤 靖, 金谷 健一: 解説コンピュータビジョンのための画像の特徴点の抽出, 電子情報通信学会誌Vol.87, No.12, 2004.
  • D. Lowe: Distinctive image features from scale-invariant keypoints, International Journal of Computer Vision 60(2), pp.91-110, 2004.
  • H. Bay: SURF : Speeded Up Robust Features, ECCV, pp. 404-417, 2006.
  • 藤吉弘亘,安倍満:局所勾配特徴抽出技術 ―SIFT特徴以降のアプローチ―,精密工学会誌 Vol. 77, No. 12, p. 1109-1116, 2011.
  • Edward Rosten, Reid Porter, and Tom Drummond, “Faster and better: a machine learning approach to corner detection” in IEEE Trans. Pattern Analysis and Machine Intelligence 2010, vol 32, pp. 105-119, 2010.
  • Pablo Fernández Alcantarilla, Adrien Bartoli, Andrew J. Davison: KAZE Features, ECCV 2012: Computer Vision – ECCV 2012 pp 214-227, 2012.
  • Pablo F. Alcantarilla, Jesús Nuevo, Adrien Bartoli.: Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces, British Machine Vision Conference (BMVC), p13.1-13.11, 2013.
  • Ethan Rublee, Vincent Rabaud, Kurt Konolige, Gary R. Bradski: ORB: An efficient alternative to SIFT or SURF, ICCV 2011, p. 2564-2571, 2011.
  • Michael Calonder, Vincent Lepetit, Christoph Strecha, Pascal Fua: BRIEF: Binary Robust Independent Elementary Features, 11th European Conference on Computer Vision (ECCV), p.778-792, 2010.
  • 安倍正人: 第3章車両運動の基礎,自動車の運動と制御[第二版],山海堂,p. 49-104,2003.
  • 秋田時彦,他: センサ認識信頼度を考慮した車線変更支援システム,自動車技術会論文集,Vol.40, No.6, p.1581-1586, 2009.
  • 本村陽一: 第4章 ベイジアンネットワーク,学習システムの理論と実現,森北出版, p.75-97, 2005.
  • J. Forbes, et al.: The BATmobile: Towards a Bayesian Automated Taxi, The 14th International Joint Conference on Artificial Intelligence, p.1878-1885, 1995.
  • デジタル画像処理 14-1-3 エピポーラ幾何, CG-ATRS協会, p. 312-314, 2015.
  • デジタル画像処理 14-3-2 平行ステレオ, CG-ATRS協会, p. 319-320, 2015.
  • デジタル画像処理 14-1-2 同次座標を用いた記述, CG-ATRS協会, p. 310-312, 2015.
  • デジタル画像処理 11-1 テンプレートマッチングによるパターンの検出, CG-ATRS協会, p. 218-222, 2015.
  • Raúl Mur-Artal, et al.: ORB-SLAM: A Versatile and Accurate Monocular SLAM System, IEEE Transactions on Robotics, Vol. 31, No. 5, p. 1147-1163, 2015.
  • W. Zhou, et al.: Image Quality Assessment: From Error Visibility to Structural Similarity, IEEE Transactions on Image Processing. Vol. 13, Issue 4, p. 600-612, 2004.
  • Tokihiko Akita, et al.: Stereo Vision by Combination of Machine Learning Techniques for Pedestrian Detection at Intersection Utilizing Surround View Cameras, Journal of Robotics and Mechatronics Vol. 32 No.3, Rb32-3-10551, 2020.
  • T. Trzcinski, et al.: Efficient Discriminative Projections for Compact Binary Descriptors, ECCV2012.
  • Tokihiko Akita, et al.: Parking Space Detection with Motion Stereo Camera applying Viterbi algorithm, Proceedings of the 24th World Congress on ITS, Paper ID # AP-TP0780, 2017.
  • G. David Forney, JR.: The Viterbi Algorithm, Proceedings of the IEEE, Vol. 61, No. 3, pp. 268-278, 1973.
  • VisualSFM URL: http://ccwu.me/vsfm/
  • CMPMVS URL: http://ptak.felk.cvut.cz/sfmservice/
  • 「ぶつからないクルマ」が障害物を見分ける最新技術,日経トレンディネット, 2012年10月3日.
  • Charles R. Qi, et al.: PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation, CVPR2017.
  • Shaoqing Ren: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, NIPS2015 (arXiv:1506.01497 [cs.CV]).
  • Joseph Redmon: You Only Look Once: Unified, Real-Time Object Detection, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (arXiv:1506.02640 [cs.CV])
  • 藤吉 弘亘: Gradientベースの特徴抽出 -SIFTとHOG-, 情報処理学会研究報告コンピュータビジョンとイメージメディア (CVIM) , 2007, 87, p.211-224, 2007.
  • Viola and Jones: Rapid object detection using a boosted cascade of simple features, IEEE Computer Vision and Pattern Recognition, 2001.
  • T. Ojala, et al.: A comparative study of texture measures with classification based on featured distributions”, Pattern Recognition, Vol. 29, Issue 1, p. 51-59, 1996.
  • 渡辺友樹,他: 画像認識による歩行者検出のための特徴量抽出技術の開発,映像情報メディア学会誌,Vol. 71, No.1, p. J28-J34, 2017.
  • 尾崎貴洋,他: Joint HOG 特徴を用いた2段階 AdaBoost による車両検出, 動的画像処理実利用化ワークショップ(DIA2008), 2008.
  • P. Felzenszwalb, et al.: A discriminatively trained, multiscale, deformable part model, IEEE Computer Vision and Pattern Recognition, 2008.
    [9] L. Itti, C. Koch, et al.: A Model of Saliency-Based Visual Attention for Rapid Scene Analysis,IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol.20, No.11, p.1254-1259, 1998.
  • C.M.ビショップ: パターン認識と機械学習(下), シュプリンガージャパン, 第7章 7.1 最大マージン分類器, 2007.
  • 津田 宏治: ポートベクターマシンとは何か, 電子情報通信学会誌 00083(00006), p. 460-466, 2000.
  • C.M.ビショップ: パターン認識と機械学習(下), シュプリンガージャパン,第14章14. 3 ブースティング, 2007.
  • フロインド ヨアブ, 他: ブースティング入門 (<特集>計算学習理論の進展と応用可能性), 人工知能学会誌14(5), p. 771-780, 1999.
  • 波部 斉: ランダムフォレストの基礎と最近の動向, 映像情報メディア学会誌 70 (9), p. 788-791, 2016.
  • C.M.ビショップ: パターン認識と機械学習, シュプリンガージャパン, (上)第5章ニューラルネットワーク, 2007.
  • 岡谷貴之: 深層学習(機械学習プロフェッショナルシリーズ), 講談社, 2015.
  • Tokihiko Akita, et al.: Image Recognition of Vehicle Applying Fusion of Structured Heuristic Knowledge and Machine Learning, International Journal of Automotive Engineering, Vol.5, No. 2, 2014.
  • ディジタル画像処理,12 パターン認識,CG-ATRS協会,2015.
  • Alexey Dosovitskiy,et al.: An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale, arXiv:2010.11929 [cs.CV], 2020.
  • Yann LeCun, et al.: Backpropagation Applied to Handwritten Zip Code Recognition, Neural Computation 1 (4), p. 541–551, 1989.
  • Ross Girshick, et al.: Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation, (arXiv:1311.2524 [cs.CV]), 2013.
  • Wei Liu, et al.: SSD: Single Shot MultiBox Detector, European Conference on Computer Vision (ECCV 2016), p. 21-37, 2016.
  • Vijay Badrinarayanan, et al.: SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 39, Issue 12, 2017. (arXiv:1511.00561 [cs.CV])
  • Felix Nobis, et al.: Exploring the Capabilities and Limits of 3D Monocular Object Detection - A Study on Simulation and Real World Data, IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC), 2020.
  • Igor Vasiljevic, et al.: Neural Ray Surfaces for Self-Supervised Learning of Depth and Ego-motion, 2020 International Conference on 3D Vision (3DV), (arXiv:2008.06630v1 [cs.CV]), 2020.
  • 足立修一, 他: カルマンフィルタの基礎, 東京電機大学出版局, 2012.
  • Tokihiko Akita, et al.: Research of Stop Assistance Considering Visibility of Intersection, International Journal of Automotive Engineering, Vol.5, No. 2, 2014.

【口コミ】

  • ※口コミはありません。
ページトップへ戻る