Typography-Based Monocular Distance Estimation for Advanced Driver-Assistance Systems

Resumen Técnico: Estimación de Distancia Monocular Basada en Tipografía (T-MDE)

Planteamiento del Problema
La estimación precisa de la distancia a un vehículo que precede es una entrada fundamental para los Sistemas Avanzados de Asistencia al Conductor (ADAS), incluyendo la advertencia de colisión frontal (FCW), el control de crucero adaptativo (ACC) y el frenado de emergencia automático. Los sistemas de producción suelen depender de radares, LiDAR o cámaras estéreo. Aunque son efectivos, estos sensores introduen costos significativos, consumo de energía, carga térmica y restricciones de empaquetado. Además, el radar suele carecer de resolución lateral, y las cámaras estéreo requieren bases mecánicas rígidas que son difíciles de mantener calibradas durante la vida útil del vehículo. Las cámaras individuales son económicas y ubicuas, pero sufren de una debilidad fundamental: una sola imagen carece de escala absoluta. Sin un supuesto externo de una longitud en el mundo real, una sola cámara no puede distinguir entre un objeto pequeño cercano y uno grande distante. Las soluciones monoculares existentes que asumen el ancho del vehículo están limitadas por la alta variabilidad de las dimensiones de los vehículos en toda la flota, lo que genera errores sistemáticos significativos.

Metodología
El artículo propone la Estimación de Distancia Monocular Basada en Tipografía (T-MDE), un método que recupera la distancia métrica desde una sola cámara explotando la geometría regulada de la placa de matrícula trasera. El método opera bajo el principio de que las placas de EE. UU. tienen un tamaño exterior fijo (305 × 152 mm) y alturas de caracteres estrictamente definidas por las regulaciones estatales (que oscilan entre 63 y 72 mm).

El sistema procesa los fotogramas de video a través de un flujo de trabajo de siete etapas:

1. Detección y Rectificación: La placa se detecta utilizando un conjunto paralelo de técnicas clásicas de procesamiento de imágenes (umbralización adaptativa, detección de bordes) para asegurar la robustez contra el deslumbramiento y el desenfoque por movimiento. La placa es luego deformada a una vista frontal mediante homografía.
2. Reconocimiento Óptico de Caracteres (OCR) y Segmentación: La serie de la placa se lee utilizando un motor primario (EasyOCR) con un respaldo (Tesseract). Crucialmente, el sistema segmenta explícitamente los caracteres individuales utilizando perfiles de proyección vertical para medir su altura de píxeles ($\bar{h}$) con precisión, en lugar de depender únicamente de la cadena de texto.
3. Identificación del Estado: El estado emisor se identifica mediante una cascada de tres etapas (coincidencia de texto, análisis de distribución de color y un clasificador ligero) para recuperar la altura de carácter legal específica ($H_s$) para ese estado. Si la identificación falla, el sistema utiliza por defecto la altura media nacional para evitar grandes sesgos sistemáticos.
4. Estimación de Distancia Multicanal: El método calcula la distancia utilizando tres mediciones tipográficas independientes derivadas de la misma placa:
   • Altura del Carácter: La métrica primaria, derivada de $D = f_{px} H_s / \bar{h}_{corr}$.
   • Ancho de Trazo: Fijo en 1/6 de la altura del carácter según la regulación.
   • Espaciado de Caracteres: Fijo en aproximadamente 1/5 de la altura del carácter.
     Estos se combinan mediante ponderación de varianza inversa. Adicionalmente, el sistema mide el espaciado de píxeles de los dos orificios de montaje (fijos en 279.6 mm según los estándares de la AAMVA) como un cuarto canal independiente del reconocimiento.
5. Corrección de Pose: El sistema estima la pose de 6 grados de libertad (6-DoF) de la placa para corregir el cabeceo (pitch), el balanceo (roll) y el guiño (yaw) de la placa. Esto evita que el acortamiento por perspectiva sea malinterpretado como un aumento de la distancia.
6. Verificación de Red de Profundidad: Una red de profundidad de imagen única proporciona un mapa de profundidad relativo, el cual se escala a metros utilizando un factor anclado a la distancia geométrica. Esto actúa como una verificación de consistencia, pero se pondera a la baja si discrepa con la medición geométrica, asegurando que la escala física nunca sea invalidada por el modelo aprendido.
7. Filtrado y Lógica de Advertencia: Un filtro de Kalman de velocidad constante suaviza la distancia, la velocidad de cierre y el tiempo para la colisión (TTC). El ruido de medición del filtro se modela para crecer con la distancia, coincidiendo con el presupuesto de error geométrico. La salida es un estado de advertencia (precaución o amenaza inminente) alineado con las regulaciones de FCW de EE. UU.

Contribuciones Clave
El artículo distingue este trabajo de informes previos y literatura relacionada a través de cinco contribuciones específicas:

1. Robustez Multicanal: En lugar de una sola medición, el método fusiona tres características tipográficas (altura, trazo, espaciado) y dos verificaciones geométricas (orificios de montaje, red de profundidad). Los canales se ponderan por su varianza medida, lo que permite al sistema reducir automáticamente el peso de los datos corruptos (por ejemplo, desenfoque de movimiento que afecta a los trazos delgados) sin perder la estimación de distancia.
2. Calibración por Estado: El sistema identifica dinámicamente el estado emisor para seleccionar la altura de carácter correcta, eliminando el error de escala sistemático (hasta un ~12%) que resultaría de usar una constante nacional única.
3. Recuperación de Pose Completa: El método recupera la pose de 6-DoF de la placa, corrigiendo el acortamiento por perspectiva y proporcionando los ángulos de rumbo (bearing) y guiño (yaw) esenciales para la asociación a nivel de carril y la señalización de fiabilidad.
4. Filtrado Orientado a la Seguridad: La salida no es una distancia bruta fotograma a fotograma, sino un estado suavizado (distancia, velocidad, TTC) derivado de un filtro de Kalman con ruido dependiente de la distancia, diseñado específicamente para activar advertencias de asistencia al conductor sin parpadeos.
5. Evaluación de Campo: El método se evalúa con datos del mundo real (58 sesiones, 2,265 mediciones en 15 estados), en lugar de entradas sintéticas o preparadas, reportando la consistencia interna y las tasas de detección junto con el modelo de error de diseño.

Resultados
Evaluado en una cámara automotriz de bajo costo en 15 estados:

• Detección: El sistema logró una tasa media de detección de placas de aproximadamente el 99%.
• Reconocimiento: Se leyó una serie de caracteres con confianza en el 63.4% de las detecciones; sin embargo, la estimación de la distancia se mantuvo continua incluso cuando la serie era ilegible, apoyándose en los orificios de montaje o en la verificación de profundidad.
• Precisión: El sistema reportó una incertidumbre mediana por fotograma de 0.128 m (media de 0.173 m) a una distancia media de 1.24 m. Las distancias geométricas y fusionadas coincidieron dentro de un 1.12%.
• Consistencia: El error medido siguió el modelo teórico donde el error de distancia relativa es igual al error de altura de carácter relativa (coeficiente de variación ~2.3%). El residuo del filtro de Kalman fue cercano a cero (media de -0.033 m), lo que indica que no hay un retraso sistemático.
• Pose: El sistema manejó con éxito placas con ángulos de guiño (yaw) de hasta 87.8°, corrigiendo el acortamiento para evitar la subestimación de la distancia.
• Tiempo de Ejecución: En una GPU de consumo, el sistema mantuvo aproximadamente 1.1 fotogramas por segundo, consumiendo la mayor parte del tiempo de cómputo en el reconocimiento y las redes de profundidad, no en los cálculos geométricos.

Significancia y Reivindicaciones
El artículo afirma que T-MDE ofrece un complemento rentable y de bajo mantenimiento para los sensores activos existentes (radar, LiDAR) y las cámaras estéreo. Su principal significancia radica en la tolerancia a fallos: debido a que deriva la escala de un estándar impreso en lugar de tiempo de vuelo, paralaje o supuestos aprendidos, falla bajo condiciones diferentes (por ejemplo, placas faltantes, guiño extremo) que el radar o el LiDAR. Esta diversidad de modos de falla mejora la robustez del stack de percepción.

El método proporciona un "ancla métrica" desde un sensor pasivo, devolviendo simultáneamente una distancia, un rumbo y la identidad del vehículo (vía la serie de la placa). Los autores enfatizan que, si bien el sistema logra una alta consistencia interna y un error de diseño de menos de 0.13 m, no pretende una precisión verificada externamente para todas las condiciones, señalando que una campaña controlada con referencias topográficas es el siguiente paso necesario para la certificación. El método se presenta no como un reemplazo para los sensores activos, sino como una capa pasiva escalable que mejora la robustez de los stacks de percepción de ADAS.