基于标准化车牌字体的物理导向单目车辆距离估计

准确的车辆间距离估计是高级车辆辅助系统 (Advanced Driver Assistance Systems, ADAS) 和自动驾驶的基石。虽然激光雷达和雷达提供高精度，但其高成本限制了在大众车辆中的普及。单目摄像头-based 估计提供了低成本方案，但受尺度歧义的制约。最近的深度学习方法在单目深度估计方面取得了显著成果，但需要昂贵的监督训练数据，易受域迁移影响，且其预测结果在安全关键部署方面难以验证。本文提出了一种框架，利用美国车牌的标准化字体作为被动 fiducial 标记器进行计量测距，通过显式几何先验解决尺度歧义，无需任何训练数据或主动照明。首先，一种四方法并的车牌检测器实现了车辆照明条件下鲁棒的车牌读取。其次，一种三阶段状态识别引擎融合了光学字符识别文本匹配、多设计颜色评分和轻量级神经网络分类器，提供了在所有环境条件下的鲁棒识别。最后，结合逆方差加权和在线尺度对齐的混合深度融合，加上一个一维常速卡尔曼滤波，提供平滑后的距离、相对速度和碰撞预警时间。基准验证在受控静态数据集上复现了字符高度测量值为 2.3% 系数变异系数，距离估计方差比以前工作的车牌宽度方法降低了 36%。