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

Résumé Technique : Estimation de la Distance Monoculaire Basée sur la Typographie (T-MDE)

Énoncé du Problème
L'estimation précise de la distance par rapport à un véhicule de tête est une donnée fondamentale pour les systèmes avancés d'aide à la conduite (ADAS), incluant l'alerte de collision frontale (FCW), le régulateur de vitesse adaptatif (ACC) et le freinage d'urgence automatique. Les systèmes de production s'appuient généralement sur le radar, le LiDAR ou les caméras stéréoscopiques. Bien qu'efficaces, ces capteurs introduisent des contraintes significatives en termes de coût, de consommation d'énergie, de charge thermique et d'encombrement. De plus, le radar manque souvent de résolution latérale, et les caméras stéréoscopiques nécessitent des bases mécaniques rigides dont le calibrage est difficile à maintenir tout au long de la vie du véhicule. Les caméras simples sont peu coûteuses et omniprésentes, mais souffrent d'une faiblesse fondamentale : une image unique manque d'échelle absolue. Sans une hypothèse externe de longueur réelle, une caméra simple ne peut pas distinguer un petit objet proche d'un grand objet éloigné. Les solutions monoculaires existantes qui supposent une largeur de véhicule sont limitées par la grande variabilité des dimensions des véhicules au sein de la flotte, ce qui entraîne des erreurs systématiques importantes.

Méthodologie
L'article propose l'Estimation de la Distance Monoculaire Basée sur la Typographie (T-MDE), une méthode qui récupère la distance métrique à partir d'une caméra unique en exploitant la géométrie réglementée de la plaque d'immatriculation arrière. La méthode repose sur le principe que les plaques d'immatriculation américaines ont une taille extérieure fixe (305 × 152 mm) et des hauteurs de caractères strictement définies par les réglementations étatiques (allant de 63 à 72 mm).

Le système traite les trames vidéo via un pipeline à sept étapes :

1. Détection et Rectification : La plaque est détectée à l'aide d'un ensemble parallèle de techniques de traitement d'image classiques (seuillage adaptatif, détection de contours) pour assurer la robustité face à l'éblouissement et au flou de mouvement. La plaque est ensuite déformée vers une vue frontale via une homographie.
2. Reconnaissance Optique de Caractères (OCR) et Segmentation : Le numéro de série de la plaque est lu à l'aide d'un moteur primaire (EasyOCR) avec un repli (Tesseract). Crucialement, le système segmente explicitement les caractères individuels en utilisant des profils de projection verticale pour mesurer précisément leur hauteur en pixels ($\bar{h}$), plutôt que de se fier uniquement à la chaîne de texte.
3. Identification de l'État : L'État émetteur est identifié via une cascade en trois étapes (correspondance de texte, analyse de la distribution des couleurs et un classificateur léger) pour récupérer la hauteur de caractère légale spécifique ($H_s$) de cet État. Si l'identification échoue, le système utilise par défaut la hauteur moyenne nationale pour éviter des biais systématiques importants.
4. Estimation de la Distance Multicanale : La méthode calcule la distance en utilisant trois mesures typographiques indépendantes dérivées de la même plaque :
   • Hauteur de Caractère : La métrique primaire, dérivée de $D = f_{px} H_s / \bar{h}_{corr}$.
   • Largeur de Trait : Fixée à 1/6 de la hauteur du caractère par la réglementation.
   • Espacement des Caractères : Fixé à environ 1/5 de la hauteur du caractère.
     Ces mesures sont combinées via une pondération par l'inverse de la variance. De plus, le système mesure l'espacement en pixels des deux trous de montage (fixés à 279,6 mm selon les normes AAMVA) comme une quatrième voie de mesure indépendante de la reconnaissance.
5. Correction de Pose : Le système estime la pose à 6 degrés de liberté (6-DoF) de la plaque pour corriger l'inclinaison (pitch), le roulis (roll) et le lacet (yaw) de la plaque. Cela empêche le raccourcissement de perspective d'être interprété à tort comme une augmentation de la distance.
6. Vérification par Réseau de Profondeur : Un réseau de profondeur sur image unique fournit une carte de profondeur relative, qui est mise à l'échelle en mètres à l'aide d'un facteur ancré à la distance géométrique. Cela sert de contrôle de cohérence, mais est pondéré à la baisse s'il est en désaccord avec la mesure géométrique, garantissant que l'échelle physique n'est jamais supplantée par le modèle appris.
7. Filtrage et Logique d'Alerte : Un filtre de Kalman à vitesse constante lisse la distance, la vitesse de rapprochement et le temps avant collision (TTC). Le bruit de mesure du filtre est modélisé pour croître avec la distance, correspondant au budget d'erreur géométrique. La sortie est un état d'alerte (précaution ou menace imminente) aligné sur les réglementations américaines de FCW.

Contributions Clés
L'article distingue ce travail des rapports antérieurs et de la littérature connexe par cinq contributions spécifiques :

1. Robustesse Multicanale : Au lieu d'une mesure unique, la méthode fusionne trois caractéristiques typographiques (hauteur, trait, espacement) et deux vérifications géométriques (trous de montage, réseau de profondeur). Les canaux sont pondérés par leur variance mesurée, permettant au système de réduire automatiquement les données corrompues (ex: flou de mouvement affectant les traits fins) sans perdre l'estimation de la distance.
2. Calibrage par État : Le système identifie dynamiquement l'État émetteur pour sélectionner la hauteur de caractère correcte, éliminant l'erreur d'échelle systématique (jusqu'à ~12 %) qui résulterait de l'utilisation d'une constante nationale unique.
3. Récupération Complète de la Pose : La méthode récupère la pose à 6-DoF de la plaque, corrigeant le raccourcissement de perspective et fournissant les angles de gisement (bearing) et de lacet (yaw) essentiels pour l'association au niveau de la voie et le marquage de fiabilité.
4. Filtrage Orienté Sécurité : La sortie n'est pas une distance brute image par image, mais un état lissé (distance, vitesse, TTC) dérivé d'un filtre de Kalman avec un bruit dépendant de la distance, conçu spécifiquement pour piloter les alertes d'assistance au conducteur sans scintillement.
5. Évaluation sur le Terrain : La méthode est évaluée sur des données réelles (58 sessions, 2 265 mesures à travers 15 États) plutôt que sur des entrées synthétiques ou scénarisées, rapportant la cohérence interne et les taux de détection aux côtés de son modèle d'erreur de conception.

Résultats
Évalué sur une caméra automobile à bas coût dans 15 États :

• Détection : Le système a atteint un taux de détection moyen de plaque d'environ 99 %.
• Reconnaissance : Un numéro de série confiant a été lu dans 63,4 % des détections ; cependant, l'estimation de la distance est restée continue même lorsque le numéro de série était illisible, en s'appuyant sur les trous de montage ou la vérification de profondeur.
• Précision : Le système a rapporté une incertitude médiane par trame de 0,128 m (moyenne de 0,173 m) à une distance moyenne de 1,24 m. Les distances géométriques et fusionnées concordaient à 1,12 %.
• Cohérence : L'erreur mesurée suivait le modèle théorique où l'erreur de distance relative est égale à l'erreur de hauteur de caractère relative (coefficient de variation ~2,3 %). Le résidu du filtre de Kalman était proche de zéro (moyenne -0,033 m), indiquant l'absence de retard systématique.
• Pose : Le système a géré avec succès des plaques avec des angles de lacet allant jusqu'à 87,8°, corrigeant le raccourcissement pour éviter une sous-estimation de la distance.
• Temps d'exécution : Sur un GPU grand public, le système a maintenu environ 1,1 image par seconde, la majeure partie du temps de calcul étant consommée par les réseaux de reconnaissance et de profondeur, et non par les calculs géométriques.

Signification et Revendications
L'article affirme que le T-MDE offre un complément rentable et à faible maintenance aux capteurs actifs existants (radar, LiDAR) et aux caméras stéréoscopiques. Sa principale signification réside dans sa tolérance aux pannes : parce qu'il dérive l'échelle d'un standard imprimé plutôt que du temps de vol, de la parallaxe ou de priors appris, il échoue dans des conditions différentes (ex: plaques manquantes, lacet extrême) de celles du radar ou du LiDAR. Cette diversité des modes de défaillance renforce la robustesse de la pile de perception.

La méthode fournit une « ancre métrique » à partir d'un capteur passif, restituant simultanément une distance, un gisement et l'identité du véhicule (via le numéro de série de la plaque). Les auteurs soulignent que bien que le système atteigne une haute cohérence interne et une erreur de conception inférieure à 0,13 m, il ne revendique pas une précision vérifiée de manière externe pour toutes les conditions, notant qu'une campagne contrôlée avec des références de levé est la prochaine étape nécessaire pour la certification. La méthode est présentée non pas comme un remplacement des capteurs actifs, mais comme une couche passive évolutive qui améliore la robustesse des piles de perception ADAS.