深度系统深度感到成像体例可能经历雾来侦察

| 发布者:admin

  麻省理工学院的研究人员已经开发出一种系统,可以产生被雾笼罩的物体图像,这些物体很厚,以至于人类的视觉无法穿透它。它还可以测量物体的距离。

  无法处理雾状驾驶条件一直是开发使用可见光的自主车辆导航系统的主要障碍之一,这对于其高分辨率和阅读道路标志和跟踪车道标记的能力而言优于基于雷达的系统。因此,麻省理工学院系统可能是迈向自动驾驶汽车的关键一步。

  研究人员使用一小桶水测试系统,并使用浸入其中的加湿器的振动马达。在如此密集的雾中,人类视觉只能穿透36厘米,系统能够分辨物体的图像并在57厘米的范围内测量它们的深度。

  五十七厘米并不是一个很好的距离,但研究产生的雾远比人类驾驶员所需要的更加密集; 在现实世界中,典型的雾可能提供约30至50米的能见度。关键点在于系统的表现优于人类视觉,而大多数成像系统的表现要差得多。导航系统在雾中行驶时甚至与人类驾驶员一样出色也是一个巨大的突破。

  “我决定接受挑战,开发一种可以透过实际雾化的系统,”麻省理工学院媒体实验室的研究生盖伊萨塔特说。“我们正在处理现实的雾,它是密集的,动态的和异质的。它不断移动和变化,有更密集或更低密度的雾。其他方法并非旨在应对这种现实情况。“

  Satat和他的同事用他们将在5月份的计算摄影国际会议上发表的论文描述他们的系统。Satat是论文的第一作者,他的论文顾问,媒体艺术与科学副教授Ramesh Raskar和Matthew Tancik也加入了他的工作,他是电气工程和计算机科学的研究生。

  像许多的的项目 进行中拉斯卡尔的摄像机文化集团,新系统采用时间飞行的相机,它将触发激光的超短脉冲到场景并测量它需要他们的反思,返回的时间。

  在晴朗的日子,灯光的返回时间忠实地指示反射它的物体的距离。但雾会导致光线“散射”,或以随机方式反弹。在大雾天气中,到达相机传感器的大部分光线都会被空气中的水滴反射,而不是自动驾驶车辆需要避开的物体类型。即使是从潜在障碍物中反射出来的光也会在不同的时间到达,在出路和回路的过程中被水滴所偏转。

  麻省理工学院系统通过使用统计数据解决了这个问题。雾反射光产生的图案根据雾的密度而变化:平均而言,光线穿透的浓雾不如光雾透入。但麻省理工学院的研究人员能够证明,无论雾的浓度有多大,反射光的到达时间都会附着在称为伽马分布的统计模式上。

  伽马分布比高斯分布更复杂,高斯分布是产生熟悉的钟形曲线的常见分布:它们可以是不对称的,并且它们可以呈现更多种形状。但就像高斯分布一样,它们完全由两个变量描述。MIT系统在运行中估计这些变量的值,并使用得到的分布来过滤到达飞行时间相机传感器的光信号中的雾反射。

  至关重要的是,系统为传感器中的1,024个像素中的每一个计算不同的伽玛分布。这就是为什么它能够处理阻碍早期系统的雾密度变化的原因:它可以处理每个像素看到不同类型雾的情况。

  相机计算每56皮秒或万亿分之一秒到达它的光粒子或光子的数量。麻省理工学院系统使用这些原始计数产生直方图 - 基本上是条形图,条形的高度表示每个区间的光子计数。然后,它找到最适合条形图形状的伽马分布,并简单地从测量的总数中减去相关的光子计数。剩下的是与物理障碍物相关的距离上的轻微尖峰。

  “这有什么好处,它很简单,”萨塔特说。“如果你看一下计算和方法,就会出乎意料地并不复杂。我们也不需要任何关于雾及其密度的先验知识,这有助于它在各种雾状况下工作。“

  Satat使用一米长的雾室测试系统。在室内,他安装了规则间隔的距离标记,这提供了可见度的粗略测量。他还放置了一系列小物件 - 木制小雕像,木制积木,字母轮廓 - 系统即使在肉眼难以察觉的情况下也能够成像。

  但是,有不同的方法可以测量能见度:不同颜色和纹理的物体可以通过不同距离的雾来看到。因此,为了评估系统的性能,他使用了一种称为光学深度的更严格的度量,它描述了穿透雾的光量。

  光学深度与距离无关,因此系统在具有1米范围内特定光学深度的雾的性能应该是其在30米范围内具有相同光学深度的雾性能的良好预测器。实际上,由于光子的到达时间之间的差异会更大,因此系统甚至可能在更远的距离上更好,这可以产生更准确的直方图。

  “恶劣天气是解决自动驾驶技术的最大障碍之一,”卡内基梅隆大学计算机科学教授Srinivasa Narasimhan说。“Guy和Ramesh的创新工作产生了我在可见或近红外波长下看到的最佳可见度增强,并且有可能很快在汽车上实施。

2 我喜欢