Automated traffic control system based on recognition of the road scene and its objects



如何引用文章

全文:

详细

Research and development in the field of driver assistance systems (ADAS) is being carried out to reduce the number of road accidents and improve road safety. Nowadays ADAS systems are widely spread, for example lane support assistant, obstacle detection on the lane, road signs, parking assistant, pedestrian identification system, night vision system, adaptive cruise control, blind zone monitoring system, etc. Driver assistance systems, which are developed by many large foreign vehicle manufacturers, have already been introduced serially and are being actively used on public roads. However, in the Russian Federation market there are practically no own developments and solutions, which can be installed in series on automobiles. The installation of foreign ADAS systems on domestic vehicles is difficult due to differing operating conditions, some differences in the types of road infrastructure, and also due to the high cost associated with the unstable economic situation. To implement the functions of ADAS on commercial vehicles, adapted to the conditions of operation in Russia, the team of Nizhny Novgorod State Technical University n.a. R. Alekseev together with the GAZ Group are working on the concept of a driver assistance system with the possibility of adjusting the movement of the automobile through integration into the steering system. The functional and hardware composition of the system is developed. Tests of individual components of the system were carried out in the part of recognizing traffic signs, determining and warning the driver about leaving the lane and about a possible collision with obstacles on the route. Integration of the driver assistance system with steering was carried out by means of data transfer via the CAN-bus of the vehicle. Based on the results of the tests, relevant conclusions were drawn about the efficiency of individual parts of the system and further goals were set for further development and improvement of the driver assistance system that promotes road safety and reduces the number of road accidents.

作者简介

D. Porubov

R.E. Alekseev Nizhny Novgorod State Technical University

Email: dmitry.porubov@nntu.ru

P. Beresnev

R.E. Alekseev Nizhny Novgorod State Technical University

D. Tyugin

R.E. Alekseev Nizhny Novgorod State Technical University

Ph.D.

A. Tumasov

R.E. Alekseev Nizhny Novgorod State Technical University

Ph.D.

V. Belyakov

R.E. Alekseev Nizhny Novgorod State Technical University

Dr.Eng.

D. Zezyulin

R.E. Alekseev Nizhny Novgorod State Technical University

Ph.D.

参考

  1. On-road Automated Vehicle Standards Committee, 2014. SAE J3016: Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems. SAE International.
  2. Журнал The journal modern electronics. Режим доступа: https://www.soel.ru/rubrikator/rynok/ (Дата обращения 10.01.2018).
  3. Hoang, T., Hong, H., Vokhidov, H., Park, K. Road lane detection by discriminating dashed and solid road lanes using a visible light camera sensor // Sensors, 2016, 16, 1313.
  4. Shanti B., Ganorkar S. Real-time lane detection for driving system using image // Processing. International Research Journal of Engineering and Technology (IRJET), 2015, Volume: 02 Issue.
  5. Janda F., Pangerl S., Schindler A. A Road Edge Detection Approach for Marked and Unmarked Lanes Based on Video and Radar. // 16th International Conference on Information Fusion, 2013, July 9-12.
  6. Shojania H. Real time traffic sign detection // Report Project on Fall, 2003.
  7. de la Escalera, A., Moreno, L., Salichs, M., Armingol, J. M. Road traffic sign detection and classification. Industrial Electronics // IEEE Transactions. 1997. V.6. pp 848 - 859.
  8. Pydipogu P., Fahim M., Shafique M. Robust lane detection and object tracking in relation to the intelligence transport system // Master’s Thesis Electrical Engineering Signal Processing, 2013.
  9. Shah V., Maru S., Jhaveri R. An obstacle detection scheme for vehicles in an intelligent transportation system // Int. J. Comput. Netw. Inf. Secur., 2016, vol. 8, no. 10, pp. 23-28.
  10. Dyczkowski K., Gadecki P., Kułakowski A. Traffic signs recognition system // Proceedings of the World Conference on Soft Computing, San Francisco State University, USA, 2011.
  11. Sumi K., Arun Kumar M. Detection and recognition of road traffic signs // A Survey. International Journal of Computer Applications, 2017, Volume 160 - No.3.
  12. Fifik M., Turán J., Ovseník L., Fazekas K. Experiments with a transform based traffic sign recognition system // Proc. of 17th International Conference on Systems Signals and Image Processing IWSSI P2010, 2010, June 17-19. pp. 227-230.
  13. Xu H., Wang X., Huang H., Wu K., Fang Q. A fast and stable lane detection method based on b-spline curve // Proceedings of the IEEE 10th International Conference on Computer-Aided Industrial Design & Conceptual Design,Wenzhou, China, 2009, 26-29; pp. 1036-1040.
  14. Li W., Gong X., Wang Y., Liu P.A. Lane marking detection and tracking algorithm based on sub-regions // Proceedings of the International Conference on Informative and Cybernetics for Computational Social Systems, Qingdao, China, 2014, 9-10; pp. 68-73.
  15. Wang Y., Teoh E., Shen D. Lane detection and tracking using b-snake // Image Vis. Comput., 22, 2004, pp. 269-280.
  16. Deng J., Kim J., Sin H., Han Y. Fast lane detection based on the B-spline fitting // Int. J. Res. Eng. Tech., 2013, V.2, pp.134-137.
  17. Tan H., Zhou Y., Zhu Y., Yao D., Li K. A novel curve lane detection based on improved river flow and RANSA // Proceedings of the International Conference on Intelligent Transportation Systems, Qingdao, China, 2014, 8-11; pp. 133-138.
  18. Zhou S., Jiang Y., Xi J., Gong J., Xiong G., Chen H. A novel lane detection based on geometrical model and Gabor filter. // Proceedings of the IEEE Intelligent Vehicles Symposium, San Diego, CA, USA, 2010, 21-24; pp. 59-64.
  19. Litkouhi B., Lee A., Craig D. Estimator and controller design for Lanetrak, a vision-based automatic vehicle steering system // Proceedings of the 32nd Conference on Decision and Control, San Antonio, TX, USA, 1993, 15-17; pp. 1868-1873.
  20. Yoo H., Yang U., Sohn K. Gradient-enhancing conversion for illumination-robust lane detection // IEEE Trans. Intell. Transp. Syst., 2013, 14, 1083-1094.
  21. Chiu K., Lin S. Lane detection using color-based segmentation // Proceeding of the Intelligent Vehicles Symposium, Las Vegas, NV, USA, 2005, 6-8; pp. 706-711.
  22. Shin J., Lee E., Kwon K., Lee S. Lane detection algorithm based on top-view image using random sample consensus algorithm and curve road model // Proceedings of the 6th International Conference on Ubiquitous and Future Networks, Shanghai, China, 2014, 8-11; pp. 1-2.
  23. Lu W., Rodriguez F., Seignez E., Reynaud R. Monocular multi-kernel based lane marking detection // Proceedings of the 4th Annual International Conference on Cyber Technology in Automation, Control, and Intelligent Systems, Hong Kong, China, 2014, 4-7; pp. 123-128.
  24. Aly M. Real time detection of lane markers in urban streets // Proceedings of the IEEE Intelligent Vehicles Symposium, Eindhoven, 2008, The Netherlands, 4-6; pp. 7-12.
  25. Li H., Feng M., Wang X. Inverse perspective mapping based urban road markings detection. In Proceedings of the International Conference on Cloud Computing and Intelligent Systems, 2013, Hangzhou, China, 30; pp. 1178-1182.
  26. Li Z., Cai Z.-X., Xie J., Ren X.-P. Road markings extraction based on threshold segmentation. In Proceedings of the International Conference on Fuzzy Systems and Knowledge Discovery, 2012, Chongqing, China, 29-31; pp. 1924-1928.
  27. Mu C., Ma X. Lane detection based on object segmentation and piecewise fitting. TELKOMNIKA Indones. J. Electr. Eng., 2014, 12, 3491-3500.
  28. Máthé K.; Buşoniu L. Vision and control for uavs: a survey of general methods and of inexpensive platforms for infrastructure inspection. Sensors, 2015, 15, 14887-14916.
  29. Библиотека OpenCV. Режим доступа: https://opencv.org/ (Дата обращения 10.01.2018).
  30. ГОСТ Р 52290-2004. Технические средства организации дорожного движения. Знаки дорожные. Общие технические требования. Введ. 2006-01-01. М.: Изд-во стандартов, 2004. 118 с.
  31. Ding, Y., Xu, Z., Zhang, Y., Sun, K. Fast lane detection based on bird’s eye view and improved random sample consensus algorithm // Multimedia Tools and Applications. 2016. 10.1007/s11042-016-4184-6.
  32. Официальный сайт Группы ГАЗ. Режим доступа: http://gazgroup.ru (Дата обращения 10.01.2018).

补充文件

附件文件
动作
1. JATS XML
下载

版权所有 © Porubov D.M., Beresnev P.O., Tyugin D.Y., Tumasov A.V., Belyakov V.V., Zezyulin D.V., 2018

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».