Los Sistemas Avanzados de Ayuda a la Conducción, conocidos por sus siglas en inglés (ADAS), basados en tecnologías de la información, requieren sistemas capaces de detectar a los diferentes usuarios de la vía. Debido a la particularidad de estas aplicaciones, estas detecciones han de ser fiables y precisas. Esta elevada exigencia hace que esta tarea sea difícilmente completada mediante un único sensor, es por eso que la fusión sensorial se vuelve cada vez más necesaria y común en este tipo de aplicaciones. En el presente trabajo se propone un sistema de fusión sensorial, basado en dos sensores comunes en aplicaciones de sistemas inteligentes de transporte (escáner láser y visión por computador). El sistema, basado en fusión de alto nivel, detecta los peatones utilizando la información de cada sensor por separado en las etapas de bajo nivel y fusiona las detecciones empleando sistemas de seguimiento y estimación de movimiento altamente eficaces. En la primera detección de bajo nivel, basada en escáner láser, se buscará el patrón de peatones en movimiento; posteriormente, empleando el método de las características tipo HOG, se detectarán los peatones mediante visión por computador. Finalmente, se fusionarán ambas detecciones a nivel alto y se estimará su movimiento basado en filtros de estimación: Filtros de Kalman clásico (KF) y Unscentered (UKF).
The Advanced Driver Assistance Systems, known as ADAS, require algorithms able to detect and identify the different users in the road. Due to the demanding requirements of these applications, these algorithms should be reliable and precise. Such tasks are difficult to be accomplished by a single sensor, thus the fusion of different data sources is mandatory in order to fulfill these strong requirements.
The present work proposes a data fusion system, based on two common sensors in intelligent transport systems (scanner laser and computer vision). The system, based on high level data fusion, detects pedestrians using each sensor independently, and information is fused later using highly efficient tracking and estimation algorithms.
The first step, based on laser scanner, detects pedestrians using a pattern matching approach. Later, by means of Histogram of Oriented Gradients (HOG) algorithm, pedestrians are detected based on computer vision. Finally, both detections are fused at high level, and the movement of the pedestrians is estimated according to both Kalman Filter (KF) and Unscentered Kalman Filter (UKF) approaches.
Bertozzi, 2009, Blackman and Popoli, 1999, Blackman, 1986, Broggi et al., 2008, Dalal and Triggs, 2005, Direccion General de Tráfico, 2011, Fan et al., 2013, García et al., 2011, Highway Capacity and Manual, 2000, Hwang et al., 2007, Kohler, 1997, Li et al., 2013, Ludwig et al., 2011, Pérez Grassi et al., 2010, Premebida et al., 2009, Premebida et al., 2010, Premebida et al., 2007, Premebida and Nunes, 2013, Schneider and Gavrila, 2013, Skehill et al., 2005, Spinello and Siegwart, 2008, Still, 2000 and Szarvas and Sakai, 2006.