Computer vision based estimation algorithms for a motorbike adaptive headlamp in night time scenarios

Several advanced driver-assistance systems (ADAS) have been developed lately especially for four wheeled vehicles, but the automation level in motorbikes is lower. Adaptive headlamp control system is part of ADAS, since it allows to achieve a major safety condition for drivers, reducing the glare, improving the visibility and increasing the automation level. The aim of this thesis is to develop a computer vision based approach for an automatic motorbike headlamp dimming, making use of lane, vehicle and external illumination detection algorithms. The hardware used consists in a traditional RGB camera mounted in the front part of the motorbike. The proposed novel approach combines these algorithms creating an interaction that makes the system capable of sensing the surrounding environment. Lane detection is important to identify the road itself, furthermore, it allows to select the image region in which vehicles can be found, limiting their research in a restricted zone. An algorithm based on machine learning has been developed to distinguish between continuous and discontinuous lines and to select the correct lane lines. Finding vehicles is important to understand when it is necessary to adapt lights, avoiding glare to other drivers. This method consists in detecting both, vehicles having a couple of beams (using pairing), and even those vehicles having a single light (as motorbikes). A tracking algorithm is proposed, combining a heuristic tracking and a novel polar perspective Kalman model. Additionally, the proposed algorithm can recognize the external illuminating conditions, so that exploiting the interaction with vehicle and lane detection, a command is provided to switch between high beams and low beams. Finally, the system has been tested using recorded videos carried out in diverse illuminating and traffic conditions. The tests have confirmed the effectiveness of such algorithm to correctly detect lines, vehicles and the external illuminating conditions to control the headlamp.

Negli ultimi tempi, svariati sistemi avanzati per l’assistenza del conducente (ADAS) sono stati sviluppati, sopratutto per i veicoli a quattro ruote, mentre per quanto concerne i motocicli, essi sono tipicamente dotati di un grado di automazione inferiore. Il controllo automatico dei proiettori anteriori fa parte degli ADAS, in quanto permette il raggiungimento di un maggior livello di sicurezza, riducendo le possibilità di disturbare i conducenti degli altri veicoli, migliorando la visibilità e aumentando il livello di automazione del veicolo. Lo scopo di questa tesi è di sviluppare un sistema che permetta la regolazione automatica dei fari anteriori di una moto, sfruttando algoritmi di visione artificiale: identificazione della corsia, riconoscimento dei veicoli e delle condizioni di illuminazione stradale. Lo strumento utilizzato a questo scopo è una tipica telecamera RGB montata sulla parte anteriore della moto. È stato creato un approccio innovativo che prevede l’interazione dei sopraccitati algoritmi, permettendo di percepire l’ambiente circostante. Il riconoscimento della corsia è importante, innanzi tutto per la caratterizzazione della strada stessa, inoltre permette di concentrare la ricerca dei veicoli nelle sole zone dell’immagine in cui potrebbero verosimilmente essere presenti. È stato pensato un algoritmo di machine learning per distinguere se una linea è continua o tratteggiata, e un altro per valutare la correttezza delle linee della corsia. Il riconoscimento dei veicoli permette al sistema di capire quando si presenta la necessità di adeguare il fascio luminoso, evitando di abbagliare gli altri conducenti. Questo metodo consente di identificare sia i veicoli dotati di una coppia di fari, sia quei veicoli (come le moto) che sono dotati di un singolo proiettore. Successivamente i suddetti veicoli vengono inseguiti (sfruttando la continuità delle informazioni temporali), usando l’interazone tra un algoritmo di "tracking" basato sull’euristica, e uno basato sul filtro di Kalman. In quest’ultimo viene proposto un nuovo modello in coordinate polari, che sfrutta il moto prospettico del veicolo nell’immagine. In aggiunta, il sistema è in grado di riconoscere il livello di illuminazione dell’ambiente circosante. La coniugazione di tutti gli algoritmi proposti, consente la consecutiva decisione su come adeguare il faro. In conclusione, il sistema è stato testato utilizzando dei video acquisiti durante delle prove su strada in diverse condizioni di illuminazione e di traffico. Questi test hanno confermato l’efficacia dell’intero sistema: esso è in grado di identificare le line in modo robusto, riconoscere i veicoli e capire il grado di illuminazione esterna, fornendo supporto al controllo del faro.