| Summary: | Les aides à la conduite sont des systèmes qui aident le conducteur à mieux appréhender la tâche de conduite en situation difficile. Parmi les différents capteurs qu'utilisent ces ADAS, des caméras sont embarquées et délivrent des images de la scène routière qui sont traitées et analysées de manière à informer le conducteur des dangers éventuels ou enclencher des systèmes d'urgence. Les caméras issues de ces ADAS capturent l'environnement routier d'une manière qui est loin d'être représentative de la perception qu'aurait un conducteur. Une des conséquences éventuelles est que ces ADAS soient contre-productives en déclenchant inopinément des systèmes d'alerte et d'action à l'encontre du conducteur. De manière à remplir complétement la vocation de ces ADAS, il est primordial de disposer d'une carte de la perception de l'environnement routier du point de vue du conducteur de manière à ajuster l'aide dont il pourrait avoir besoin. Nous proposons d'estimer par traitement d'image, la visibilité routière du point de vue du conducteur en utilisant un algorithme bio-inspiré simulant la sensibilité au contraste de l'œil humain. Dans un premier temps, nous étendons un modèle de CSF (Contrast Sensitivity Function) de manière à prendre en compte des taux de détection cohérents avec la sécurité routière, l'orientation, la couleur et l'âge du conducteur. Dans un second temps, nous modélisons notre modèle de CSF par un filtrage spatial et en calculons la visibilité en chaque pixel de l'image. Nous appliquons cette carte de visibilité sur une carte de contours issue de notre détecteur de contour bio-inspiré. Ainsi, nous considérons les contours des objets routiers présents dans l'image plutôt que leurs caractéristiques de manière à éviter toute hypothèse. Ces contours sont associés à un niveau de visibilité indiquant s'ils sont visibles ou pas par l'observateur. Nous validons le procédé en le comparant à des performances visuelles d'observateurs, en condition de laboratoire, pour une détection de cible et en situation de conduite simulée en conduite de nuit. Dans un deuxième temps, nous associons ces niveaux de visibilité en deux unités facilement compréhensibles pour des ADAS: un temps de réaction et une distance perçue. En premier lieu, nous proposons un modèle d'estimation du temps de perception du conducteur en fonction de la visibilité en nous inspirant de la loi de Piéron sur des données expérimentales de détection de cibles sur des images routières de synthèse pour une certaine densité de brouillard de jour. Les études ont montré que les conducteurs auraient tendance à se rapprocher du véhicule devant eux de manière à ne pas les perdre de vue. Ce constat nous renseigne sur le fait que le conducteur ne dispose pas suffisamment de visibilité à ses yeux dans cette configuration de conduite. Nous montrons l'intérêt des méthodes de restauration d'images en termes de gain de temps de réaction et de performance visuelle comme le taux de détection du véhicule devant lui. Dans un second temps, nous estimons une distance par rapport au véhicule précédent du point de vue du conducteur en nous inspirant de la détection des feux arrière du véhicule situé devant le conducteur. Les résultats ont montré que les conducteurs estimaient mal les distances sur obstacles lointains en comparaison des aides à la conduite basées sur des imageurs optique, radar ou lidar pour une conduite de nuit. D'après ce constat, les ADAS jouent un rôle fondamental pour prévenir le conducteur de sa conduite inadaptée. Enfin, nous délimitons les limites de nos modèles de CSF et de visibilité et proposons plusieurs perspectives. Pour des applications routières, une des perspectives qui a été concrétisée partiellement est l'évaluation objective des systèmes d'éclairage par notre modèle de visibilité et sa cohérence avec une expertise subjective === The driver assistance systems are systems that help the driver to better understand the plight driving task. Among the various sensors used by these ADAS, cameras are shipped and deliver images of the road scene which are processed and analyzed to inform the driver of potential hazards or switch of emergency systems. The cameras capture from these ADAS is far from representative of perception would have a driver. One of the possible consequences is that these ADAS can be counter productive in triggering warning and action against the driver. In order to completely fulfill the objectives of such ADAS, it is essential to have a map of the perception of the road environment from the perspective of the driver to adjust the help they might need. We propose to estimate by image processing, road visibility from the driver's perspective using a bio-inspired algorithm simulating the contrast sensitivity of the human eye. First, we extend a model of CSF (Contrast Sensitivity Function) to consider coherent detection rate with road safety, orientation, color and age of the driver. In a second step, we model our CSF spatial filtering and calculate the visibility for each pixel of the image. We apply this visibility map on a map of contours of our bio-inspired edge detector. Thus, we consider the contours of the road objects in the image rather than the characteristics in order to avoid assumptions. These contours are associated with a level of visibility as to whether or not they are visible by the observer. We validate the method by comparing it with the visual performance of observers in laboratory conditions for target detection and simulated driving situation in night driving. Secondly, we combine these two levels of visibility in easily understandable units for ADAS: a reaction time and a target distance. First, we propose a model to estimate the driver's reaction time depending on the visibility (inspired by Piéron's law of target detection) with experimental data on road synthetic images for some daylight fog density. Studies have shown that drivers would tend toget closer to the vehicle in front of them in order not to lose sight of them. This observation tells us that the driver does not have enough visibility in that configuration. We show the interest of the image restoration methods in terms of reaction time and gain in visual performance as well as vehicle detection rate. In a second step, we estimate a distance from the point of view of the driver taking inspiration from the detection of the rear lights of the vehicle in front of the driver. The results showed that drivers were bad about the distance evaluation of distant obstacles compared to driving aids based on optical imaging, radar or lidar for night driving. Based on this observation, the ADAS may play a fundamental role in preventing the driver from his inappropriate behavior. Finally, we outline the limits of our models CSF and visibility and offer several perspectives for road applications, one of which was the objective evaluation of lighting systems by our model of visibility and consistency with a subjective expertise
|
|---|
