基于CUDA的行車安全預(yù)警方法

趙永濤，陳慶奎，方玉玲，趙德玉，姬麗娜

(1.上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093； 2.上海理工大學(xué) 管理學(xué)院，上海 200093)

(*通信作者電子郵箱zhaoyt_sh@163.com)

基于CUDA的行車安全預(yù)警方法

趙永濤1*，陳慶奎1,2，方玉玲2，趙德玉2，姬麗娜1

(1.上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093； 2.上海理工大學(xué) 管理學(xué)院，上海 200093)

(*通信作者電子郵箱zhaoyt_sh@163.com)

為了提高機(jī)動(dòng)車駕駛時(shí)的安全性，提出了基于計(jì)算機(jī)視覺(jué)的行車安全中車距估計(jì)與超車檢測(cè)方法。首先，使用車輛陰影檢測(cè)方法確定車輛位置，根據(jù)陰影位置和視覺(jué)中心點(diǎn)的距離建立車距估計(jì)函數(shù)；其次，對(duì)超車情況使用背景光流建模的方法建立光流估計(jì)方程，通過(guò)估計(jì)光流將行駛中的正常物體與非正常物體分開，從而辨識(shí)駕駛途中的超車現(xiàn)象。根據(jù)車距和超車情況的檢測(cè)及時(shí)提醒駕駛員注意行車中可能存在的安全隱患。實(shí)驗(yàn)結(jié)果表明該方法可以較為準(zhǔn)確地估計(jì)車距、檢測(cè)超車情況。在統(tǒng)一設(shè)備架構(gòu)(CUDA)下使用圖形處理器(GPU)NVIDIA GeForce GTX680顯卡對(duì)算法進(jìn)行加速，可以達(dá)到48.9ms/幀的處理速率，基本滿足了實(shí)時(shí)處理的要求。

行車安全；車距估計(jì)；超車檢測(cè)；行車監(jiān)控；安全預(yù)警；統(tǒng)一設(shè)備架構(gòu)

0 引言

汽車輔助駕駛系統(tǒng)方面的研究近年來(lái)正在迅速推進(jìn)[1]，基于實(shí)時(shí)監(jiān)控分析的行車安全變得越來(lái)越重要。配備有輔助駕駛系統(tǒng)的車輛正在逐步取代傳統(tǒng)的車輛，輔助駕駛系統(tǒng)也對(duì)減少交通事故做出了很大貢獻(xiàn)。輔助駕駛系統(tǒng)是指行車中以圖像、聲音等形式告知駕駛員車身周圍的障礙物或危險(xiǎn)因素的輔助系統(tǒng)，常見(jiàn)的有：基于傳感技術(shù)的距離預(yù)警系統(tǒng)，其對(duì)車輛間橫向和縱向距離過(guò)近的情況有很好的提示作用；基于圖像識(shí)別的車道保持和前方車輛預(yù)警系統(tǒng)，也能夠在一定程度上提供給駕駛員有用的行車信息；其他還有基于特定情況的輔助駕駛系統(tǒng)。近年來(lái)隨著深度學(xué)習(xí)的發(fā)展，其在行車中行人和物體識(shí)別方面的應(yīng)用也在迅速推進(jìn)。

處于行車監(jiān)控中的車輛通過(guò)檢測(cè)車輛陰影、角點(diǎn)或邊特征來(lái)進(jìn)行檢測(cè)與定位，可以較為準(zhǔn)確地確定車輛相對(duì)于本車輛的位置。通過(guò)速度、車道信息的變化可以獲得感興趣的行車特征。

光流法[2]在運(yùn)動(dòng)目標(biāo)提取、識(shí)別和跟蹤方面有著重要應(yīng)用，其在行車監(jiān)控分析上的應(yīng)用較少，主要因?yàn)楣饬鞣ㄌ幚淼亩嗍庆o態(tài)背景下的動(dòng)態(tài)目標(biāo)，通過(guò)求解光流來(lái)提取運(yùn)動(dòng)目標(biāo)，而車載監(jiān)控畫面的背景時(shí)刻都在變化，背景和移動(dòng)物體都會(huì)產(chǎn)生光流，因此很難將之區(qū)分開來(lái)。另外一個(gè)方面是因?yàn)楣饬鲌?chǎng)的求解一般較為耗時(shí)，特別是精確光流的計(jì)算方法[3]用時(shí)更長(zhǎng)，不適合應(yīng)用于實(shí)時(shí)處理系統(tǒng)。

本文將行車監(jiān)控的視頻進(jìn)行分析，首先提出視覺(jué)中心點(diǎn)的概念及選取方法，并根據(jù)車輛位置與視覺(jué)中心點(diǎn)的距離來(lái)估計(jì)車距；然后根據(jù)光流是基于視覺(jué)中心點(diǎn)向外發(fā)散的特征，提出一種背景光流估計(jì)方法，可以檢測(cè)并定位出行車途中因超車產(chǎn)生的異常光流。

1 相關(guān)工作

關(guān)于輔助駕駛的研究方興未艾，目前多數(shù)輔助駕駛技術(shù)專注于使用傳感器來(lái)獲取車身周圍狀況信息。近些年來(lái)隨著計(jì)算機(jī)視覺(jué)的進(jìn)一步發(fā)展，基于圖像和視頻的行車分析正在逐步興起。McCall等[4]采用方向可控的邊緣濾波器來(lái)識(shí)別和估計(jì)道路上的交通標(biāo)線；徐翠[5]介紹了一種基于貝葉斯網(wǎng)絡(luò)的駕駛員疲勞狀態(tài)估計(jì)；Zhou等[6]采用激光雷達(dá)和線性支持向量機(jī)(Support Vector Machine, SVM)來(lái)進(jìn)行交通標(biāo)志的識(shí)別；孫曉艷等[7]利用車尾燈的高亮特征使用分割閾值的方法檢測(cè)前方車輛，該方法也可用于預(yù)警前方急剎車等危險(xiǎn)情況；Rezaei等[8]使用Haar-like特征來(lái)檢測(cè)車輛，通過(guò)鳥瞰視圖計(jì)算前方車輛距畫面底部的位置，從而估計(jì)出兩車車距；Han等[9]通過(guò)檢測(cè)得到前方車輛寬度，使用寬度構(gòu)造了一個(gè)距離測(cè)量模型，由于車輛種類的不同，該方法的區(qū)分度尚待提高；Fang等[10]根據(jù)真實(shí)的車輛距離數(shù)據(jù)構(gòu)造了帶參數(shù)的指數(shù)方程來(lái)估計(jì)車距，采用的參數(shù)和Rezaei等[8]所提出的相同；Kim等[11]則結(jié)合了車輛寬度和位置信息來(lái)估計(jì)車距，同樣受車輛寬度影響，并且在道路不平的路況下計(jì)算失準(zhǔn)概率較高，不具有通用性。在超車檢測(cè)方面，Garcia等[12]使用LK(Lucas-Kanade)光流法檢測(cè)與行車方向相反的光流，數(shù)量超過(guò)一定閾值則認(rèn)為存在超車現(xiàn)象，但容易出現(xiàn)一車多框的現(xiàn)象。

最近，NVIDIA公司在CES2014上推出的DRIVE PX車載系統(tǒng)[13]，該系統(tǒng)采用深度學(xué)習(xí)的方法對(duì)道路上的行人、車輛和交通標(biāo)識(shí)等進(jìn)行識(shí)別和預(yù)警。這些研究都為智能輔助駕駛做出了一定貢獻(xiàn)，能夠一定程度上重構(gòu)路況，及時(shí)提醒駕駛員一些道路信息和警示安全信息。

2 算法描述

本文提出了視覺(jué)中心點(diǎn)的概念及選擇方法，根據(jù)視覺(jué)中心點(diǎn)與車輛陰影的距離來(lái)估計(jì)車距；再根據(jù)行車光流方向與中心點(diǎn)發(fā)散方向的差異性區(qū)分出超車事件產(chǎn)生的異常前景光流。

2.1 視覺(jué)中心點(diǎn)的選擇

行車監(jiān)控中得到的視頻流沒(méi)有固定的背景，但在正常行車情況下，其產(chǎn)生的光流并非雜亂無(wú)規(guī)律，而是以監(jiān)控畫面的某一點(diǎn)為中心向四周發(fā)散的，因而認(rèn)為該點(diǎn)為視覺(jué)中心點(diǎn)。

圖1為采用箭頭方式表示光流矢量。同幾何中心點(diǎn)不同，監(jiān)控內(nèi)所有的正常光流理論上均以視覺(jué)中心點(diǎn)為中心向外發(fā)散。

圖1 行車光流

1)行值的選擇。該點(diǎn)所在像素行的所有像素的光流一般是水平的，因此本文提出一種基于統(tǒng)計(jì)的方法。首先以行為單位計(jì)算該行所有像素中方向?yàn)樗降墓饬鲾?shù)量，該數(shù)量在行上大致滿足高斯分布。

圖2為水平光流數(shù)量的分布情況，取期望值μ或最大值作為中心點(diǎn)所在的行值。

圖2 水平光流在圖像縱向上的分布

2)列值的選擇。設(shè)行值選擇為R，列值C同樣適用統(tǒng)計(jì)的方法來(lái)確定。假設(shè)圖片是一個(gè)以左下角為原點(diǎn)的二維平面坐標(biāo)系，其行數(shù)和列數(shù)代表了x軸和y軸，每一個(gè)像素點(diǎn)的光流可以看作是經(jīng)過(guò)坐標(biāo)系中該點(diǎn)的一條直線，通過(guò)坐標(biāo)(x,y)可以確定直線方程。以列為單位統(tǒng)計(jì)所有直線中與直線y=R的交點(diǎn)在該列的數(shù)量，該數(shù)量大致滿足高斯分布。

如圖3為各列交點(diǎn)數(shù)量的分布情況，取期望值μ或最大值作為中心點(diǎn)所在列值，行值和列值確定一個(gè)中心點(diǎn)。為了使中心點(diǎn)的選擇具有適應(yīng)環(huán)境變化的能力，而且不會(huì)過(guò)度對(duì)環(huán)境變化敏感，使用高斯模型對(duì)中心點(diǎn)進(jìn)行建模，使其具有抗突變、適應(yīng)環(huán)境的能力。

圖3 交點(diǎn)水平分布

2.2 車距估計(jì)

在車距估計(jì)階段，首先使用文獻(xiàn)[10]中的車輛檢測(cè)算法檢測(cè)車輛尾部陰影以定位車輛，然后分析文獻(xiàn)[10]中的帶參數(shù)指數(shù)估計(jì)函數(shù)并提出新的車距估計(jì)方法。

圖4為使用車輛陰影檢測(cè)算法檢測(cè)出的車輛底部特征，車輛底部可以反映出車輛的位置信息。在文獻(xiàn)[10]中，距離估計(jì)的指數(shù)函數(shù)為：

D=αexp(βd)

其中α,β為可調(diào)整的參數(shù)，不同的監(jiān)控場(chǎng)景下該參數(shù)也不同，d為陰影底部到視頻幀底部的像素?cái)?shù)(如圖5中d1′和d2′)。在監(jiān)控?cái)z像頭角度發(fā)生變化時(shí)，原有的參數(shù)不能夠自動(dòng)調(diào)整，則距離的估計(jì)必然失準(zhǔn)。

圖4 陰影檢測(cè)

從圖6可知，車輛陰影距視覺(jué)中心點(diǎn)的距離d和車輛的實(shí)際位置之間存在如下關(guān)系：

(1)

由式(1)可知D=d1H/d，即車距同d呈冪函數(shù)關(guān)系，在攝像頭高度一定的情況下，D∝1/d。

圖5 陰影距離改進(jìn)

因此可設(shè)實(shí)際車距函數(shù)為：D=α/d，本文在車載攝像頭高度為115 cm、視頻幀分辨率為1 280×720的情況下人工進(jìn)行測(cè)量，得到α的值為2.69×104。因?yàn)棣?d1H，所以使用不同焦距的攝像頭以及安裝高度不同，該值也會(huì)有所變化。由于視覺(jué)中心點(diǎn)會(huì)隨著光流的計(jì)算改變，因此使用本文所提出的中心點(diǎn)到陰影底部的距離具有更好的適應(yīng)能力。

圖6 車輛位置與圖像成像

2.3 超車預(yù)警

針對(duì)超車情況進(jìn)行分析，提出基于行車監(jiān)控的背景光流模型。該模型是以視覺(jué)中心點(diǎn)為中心，計(jì)算圖像光流場(chǎng)中各個(gè)位置的理想光流方法。某一點(diǎn)的光流可以理解為一個(gè)向量，行車監(jiān)控中無(wú)威脅物體產(chǎn)生的光流向量的方向應(yīng)與中心點(diǎn)到該點(diǎn)的方向一致。

如圖7所示，把光流場(chǎng)看作一個(gè)平面，在平面上建立二維坐標(biāo)系。假設(shè)圖像視覺(jué)中心點(diǎn)O的坐標(biāo)為(x0,y0)，光流場(chǎng)上一點(diǎn)p的坐標(biāo)為(x1,y1)，其光流大小Fp為(dx,dy)。記中心點(diǎn)到點(diǎn)p的向量為P，光流向量為Fp，則點(diǎn)p處的實(shí)際光流與理想光流的角度偏差為：

(2)

因現(xiàn)實(shí)路況的復(fù)雜性和光流算法的誤差，在監(jiān)控中存在一些偽前景光流點(diǎn)集。對(duì)于光流計(jì)算誤差產(chǎn)生的偽前景光流點(diǎn)，本文首先使用若干次腐蝕以去除噪聲，然后再進(jìn)行膨脹恢復(fù)、連接斷裂的前景區(qū)域。對(duì)于道路顛簸造成的偽前景光流，本文采用前后幀間光流緩沖池來(lái)進(jìn)行判斷與消除。具體做法為：為每一個(gè)光流點(diǎn)記錄最近3次的光流判斷值，0代表背景光流點(diǎn)，1為前景光流點(diǎn)；新的光流點(diǎn)首先用自身判斷值更新緩沖池，然后前景光流點(diǎn)根據(jù)緩沖池中值是否全為1判斷自身狀態(tài)；若某連通體中包含判斷為偽前景的點(diǎn)，則該連通體視為偽前景。

圖7 各點(diǎn)理想光流方向

在車輛和其他光流異常的物體標(biāo)定中，使用連通體標(biāo)記算法對(duì)前景光流進(jìn)行標(biāo)記，并去除小的連通體，最后進(jìn)行框定以突出顯示來(lái)提示行車異常事件。在實(shí)際應(yīng)用中，處于監(jiān)控畫面上面部分的光流可以不作考慮，因?yàn)樵搮^(qū)域光流是樹木、路標(biāo)、樓房等造成的，對(duì)行車沒(méi)有影響。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文提出的車距估計(jì)和超車檢測(cè)算法的有效性，選取三段網(wǎng)絡(luò)上真實(shí)路段的監(jiān)控視頻樣本進(jìn)行測(cè)試，測(cè)試樣本涵蓋城市公路和高速公路，城市公路中又有畫面良好和有一定噪聲的監(jiān)控。

采用實(shí)驗(yàn)環(huán)境為：Windows7 64bit，IntelCorei5處理器，8GB內(nèi)存，顯卡采用NVIDIAGeForceGTX680，頻率為1 006MHz。使用Farneb?ck[14]的光流計(jì)算方法的GPU實(shí)現(xiàn)對(duì)光流的計(jì)算進(jìn)行加速，使用CUDA對(duì)陰影檢測(cè)進(jìn)行加速和對(duì)異常光流區(qū)域進(jìn)行二值化和連通體標(biāo)記。圖8為不同路段的監(jiān)控中車距估計(jì)結(jié)果和超車事件的檢測(cè)結(jié)果，并用白色框體進(jìn)行框定。實(shí)驗(yàn)證明該模型能夠較準(zhǔn)確地對(duì)車距進(jìn)行估計(jì)，較好地區(qū)分行車途中的超車現(xiàn)象，并對(duì)車輛進(jìn)行標(biāo)記，提示車距，對(duì)橫向來(lái)車和兩側(cè)超車的情況能夠正確地進(jìn)行預(yù)警。

圖8 實(shí)驗(yàn)結(jié)果

因現(xiàn)實(shí)路況復(fù)雜和受監(jiān)控畫面的畫質(zhì)影響，在監(jiān)控中依然存在一些誤警和漏警的事件。圖8(b)中誤判是因?yàn)檐囕v快速行駛時(shí)左側(cè)護(hù)欄由于高速運(yùn)動(dòng)導(dǎo)致光流計(jì)算不準(zhǔn)確；圖8(e)中出現(xiàn)的漏警情況是由于車內(nèi)物體反光導(dǎo)致監(jiān)控畫面受到影響。

3.1 車距估計(jì)準(zhǔn)確性對(duì)比

將本文提出的車距估計(jì)方法同文獻(xiàn)[10]中的帶參數(shù)指數(shù)函數(shù)估計(jì)方法進(jìn)行了比較。

圖9(a)中橫坐標(biāo)為車輛底部距監(jiān)控視頻底部的距離，圖9(b)中橫坐標(biāo)為車輛底部距視覺(jué)中心點(diǎn)的距離，縱坐標(biāo)均為前車距本車的車距。

由圖9可以看出，使用對(duì)數(shù)函數(shù)對(duì)車距曲線并不能很好地?cái)M合，而使用本文指數(shù)函數(shù)的形式能夠較好地?cái)M合車距曲線，從而證明2.2節(jié)中車距D與陰影底部到視覺(jué)中心點(diǎn)的距離d的倒數(shù)是線性相關(guān)的。

3.2 超車檢測(cè)對(duì)比

將本文算法同Garcia等[12]使用的超車檢測(cè)算法進(jìn)行對(duì)比，考察了漏檢率和誤檢率指標(biāo)的差異。

表1中：漏檢率為超車期間連續(xù)視頻幀中檢測(cè)出的有效超車數(shù)目占總超車數(shù)目的百分比；誤檢率為無(wú)效超車數(shù)目占總超車數(shù)目的百分比?？梢钥闯?，使用本文算法檢測(cè)的漏檢率同已有算法差別不大，主要因?yàn)楸疚氖褂昧饲昂髱g光流緩沖池來(lái)判斷超車異常，有一定的滯后性。誤檢率大大低于已有算法，因?yàn)長(zhǎng)K光流法計(jì)算得到的光流含有大量噪聲，容易產(chǎn)生誤警的情況；而本文采用Farneb?ck光流法得到的噪聲較少，便于異常光流的分析。

表1 超車檢測(cè)漏檢率和誤檢率 %

Tab.1Failuredetectionrateandfalsedetectionrateofovertakingdetection%

算法漏檢率1104×622672×378552×311誤檢率1104×622672×378552×311Garcia等算法[12]2．74．52．238．547．024．2本文算法2．14．91．818．329．411．6

3.3 CUDA加速對(duì)比

由于行車安全至關(guān)重要，及時(shí)有效地進(jìn)行預(yù)警是輔助駕駛系統(tǒng)的重中之重。由于車輛陰影檢測(cè)和光流提取，連通體標(biāo)記過(guò)程中算法計(jì)算量較大，使用CPU難以滿足實(shí)時(shí)處理的要求。本文對(duì)陰影檢測(cè)、光流的計(jì)算、中心點(diǎn)的計(jì)算和連通體標(biāo)記均使用了GPU進(jìn)行加速，其中光流計(jì)算使用了OpenCV中的GPU模塊進(jìn)行加速，陰影檢測(cè)、中心點(diǎn)的計(jì)算和連通體標(biāo)記過(guò)程使用CUDA進(jìn)行并行化。本文在GeForceGTX680顯卡上對(duì)算法進(jìn)行測(cè)試并與基于CPU的串行算法作了對(duì)比。

由于光流的計(jì)算時(shí)間較長(zhǎng)，在分辨率較高的圖像中耗時(shí)更為嚴(yán)重，因此串行算法在處理速度上存在嚴(yán)重不足。由表2可知，并行算法在處理速度上較串行算法有5.8～7.4倍的提升。在552×311大小的監(jiān)控視頻處理中基于GPU的算法可以得到48.9ms/幀的處理速度，能夠及時(shí)對(duì)視頻進(jìn)行處理和預(yù)警，滿足實(shí)時(shí)監(jiān)控的需求。

表2 串行與并行算法每幀處理時(shí)間對(duì)比ms

Tab.2Processingtimecomparisonofserialandparallelalgorithmsforeachframems

平臺(tái)視頻尺寸1104×622672×378552×311CPU2318．2386．6283．5GPU310．656．348．9

4 結(jié)語(yǔ)

本文研究了行車安全中車距估計(jì)與超車事件檢測(cè)方法。針對(duì)行車監(jiān)控畫面的特點(diǎn)，提出了視覺(jué)中心點(diǎn)的概念，并在此基礎(chǔ)上分析設(shè)計(jì)了基于指數(shù)函數(shù)的車距估計(jì)函數(shù)，建立了用于檢測(cè)超車現(xiàn)象的背景光流模型。為實(shí)現(xiàn)監(jiān)控視頻的實(shí)時(shí)處理，使用GPU對(duì)算法進(jìn)行加速，基本滿足了實(shí)時(shí)處理要求。實(shí)驗(yàn)表明，本文中車距估計(jì)函數(shù)能夠較準(zhǔn)確地?cái)M合實(shí)際車距，背景光流模型能夠有效預(yù)警超車現(xiàn)象，對(duì)汽車輔助駕駛系統(tǒng)方面的研究有著一定的意義。因行車監(jiān)控場(chǎng)景的復(fù)雜性，該模型也存在一些錯(cuò)誤預(yù)警和遺漏預(yù)警的情況，車輛識(shí)別的精確度有待進(jìn)一步提高，并行算法的處理速度難以滿足幀率較高的監(jiān)控，將會(huì)在未來(lái)的工作中繼續(xù)研究改進(jìn)方法。

)

[1]SIVARAMANS,TRIVEDIMM.Lookingatvehiclesontheroad:asurveyofvision-basedvehicledetection,tracking,andbehavioranalysis[J].IEEETransactionsonIntelligentTransportationSystems, 2013, 14(4): 1773-1795.

[2]BARRONJL,FLEETDJ,BEAUCHEMINSS.Performanceofopticalflowtechniques[J].InternationalJournalofComputerVision, 1994, 12(1): 43-77.

[3]TAOM,BAIJ,KOHLIP,etal.SimpleFlow:anon-iterative,sublinearopticalflowalgorithm[EB/OL].[2016-03-20].http://graphics.berkeley.edu/papers/Tao-SAN-2012-05/Tao-SAN-2012-05.pdf.

[4]MCCALLJC,TRIVEDIMM.Video-basedlaneestimationandtrackingfordriverassistance:survey,system,andevaluation[J].IEEETransactionsonIntelligentTransportationSystems, 2006, 7(1): 20-37.

[5] 徐翠.基于計(jì)算機(jī)視覺(jué)的汽車安全輔助駕駛?cè)舾申P(guān)鍵問(wèn)題研究[D].合肥:中國(guó)科學(xué)技術(shù)大學(xué),2009:59-66.(XUC.Researchonkeyissuesinvehiclesafetydrivingassistanttechniquesoncomputervision[D].Hefei:UniversityofScienceandTechnologyofChina, 2009: 59-66.)

[6]ZHOUL,DENGZ.LIDARandvision-basedreal-timetrafficsigndetectionandrecognitionalgorithmforintelligentvehicle[C]//ProceedingsofIEEE17thInternationalConferenceonIntelligentTransportationSystems.Piscataway,NJ:IEEE, 2014: 578-583.

[7] 孫曉艷,王健,王建強(qiáng),等.基于亮度累加直方圖的夜間車輛檢測(cè)算法[J].計(jì)算機(jī)工程,2013,39(6):239-243.(SUNXY,WANGJ,WANGJQ,etal.Nighttimevehicledetectionalgorithmbasedonbrightnesscumulativehistogram[J].ComputerEngineering, 2013, 39(6): 239-243.)

[8]REZAEIM,TERAUCHIM,KLETTER.Robustvehicledetectionanddistanceestimationunderchallenginglightingconditions[J].IEEETransactionsonIntelligentTransportationSystems, 2015, 16(5): 2723-2743.

[9]HANJ,HEOO,PARKM,etal.Vehicledistanceestimationusingamono-cameraforFCW/AEBsystems[J].InternationalJournalofAutomotiveTechnology, 2016, 17(3): 483-491.

[10] FANG C Y, LIANG J H, LO C S, et al.A real-time visual-based front-mounted vehicle collision warning system [C]// Proceedings of the 2013 IEEE Symposium on Computational Intelligence in Vehicles and Transportation Systems.Piscataway, NJ: IEEE, 2013: 1-8.

[11] KIM G, CHO J S.Vision-based vehicle detection and inter-vehicle distance estimation [C]// Proceedings of the 12th International Conference on Control, Automation and Systems.Piscataway, NJ: IEEE, 2012: 625-629.

[12] GARCIA F, CERRI P, BROGGI A, et al.Data fusion for overtaking vehicle detection based on radar and optical flow [C]// Proceedings of the 2012 IEEE Intelligent Vehicles Symposium.Piscataway, NJ: IEEE, 2012: 494-499.

[13] NVIDIA.“NVIDIA DRIVE PX” 2015.[EB/OL].(2015-01-13) [2015-09-25].http://images.nvidia.com/content/tegra/automotive/images/2016/solutions/pdf/end-to-end-dl-using-px.pdf.

This work is partially supported by the National Natural Science Foundation of China (61572325, 60970012), Shanghai Key Science and Technology Project (14511107902), Shanghai Engineering Research Center Project (GCZX14014), Shanghai Leading Academic Discipline Project (XTKX2012).

ZHAO Yongtao, born in 1991, M.S.Candidate.His research interests include pattern recognition, computer vision, parallel computing.

CHEN Qingkui, born in 1966, Ph.D., professor.His research interests include network computing, parallel computing, Internet of things.

FANG Yuling, born in 1990, Ph.D.candidate.Her research interests include parallel computing, low overhead optimization.

ZHAO Deyu, born in 1978, Ph.D.candidate.His research interests include large scale crowd motion analysis, video privacy protection.

JI Lina, born in 1990, M.S.candidate.Her research interests include pattern recognition, parallel computing.

Early warning method for driving safety based on CUDA

ZHAO Yongtao1*, CHEN Qingkui1,2, FANG Yuling2, ZHAO Deyu2, JI Lina1

(1.SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China;2.BusinessSchool,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)

To improve the safety of vehicles while driving, a computer vision-based inter-vehicle distance estimation and warning method was proposed in this paper.First, shadow detection method was applied to detect shadow of cars ahead, and inter-vehicle distance estimation function was built based on the distance between shadow and vision center of a frame.Then, estimation equations for non-threatened background optical flow was built, and by judging optical flow with the estimation equations, the abnormal objects could be separated from others, thus the overtaking event could be recognized.Based on the inter-vehicle distance and detection of overtaking event, the driver could be timely warned of the potential safety hazard.The experimental results prove that the proposed method can estimate inter-vehicle distance and detect overtaking event accurately.Finally, NVIDIA GeForce GTX680 GPU (Graphic Processing Unit) was used to accelerate the algorithm on Compute Unified Device Architecture (CUDA) platform and achieve the processing speed of 48.9 ms per frame which basically meets the real-time processing demand.

driving safety; inter-vehicle distance estimation; overtaking detection; vehicle surveillance; safety warning; Compute Unified Device Architecture (CUDA)

2016-08-11;

2016-08-23。 基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(61572325,60970012)；上海重點(diǎn)科技攻關(guān)項(xiàng)目(14511107902);上海市工程中心建設(shè)項(xiàng)目(GCZX14014);上海市一流學(xué)科建設(shè)項(xiàng)目(XTKX2012)。

趙永濤(1991—)，男，河北邯鄲人，碩士研究生，主要研究方向：模式識(shí)別、計(jì)算機(jī)視覺(jué)、并行計(jì)算； 陳慶奎(1966—)，男，上海人，教授，博士生導(dǎo)師，博士，主要研究方向：網(wǎng)絡(luò)計(jì)算、并行計(jì)算、物聯(lián)網(wǎng)； 方玉玲(1990—)，女，河南信陽(yáng)人，博士研究生，主要研究方向：并行計(jì)算、低能耗優(yōu)化；趙德玉(1978—)，男，山東臨沂人，博士研究生，主要研究方向：大規(guī)模人群行為分析、視頻隱私保護(hù)； 姬麗娜(1990—)，女，河南信陽(yáng)人，碩士研究生，主要研究方向：模式識(shí)別、并行計(jì)算。

1001-9081(2017)01-0134-04

10.11772/j.issn.1001-9081.2017.01.0134

TP751.1

A