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

Resumo Técnico: Estimativa de Distância Monocular Baseada em Tipografia (T-MDE)

Definição do Problema
A estimativa precisa de distância para um veículo à frente é uma entrada fundamental para Sistemas Avançados de Assistência ao Condutor (ADAS), incluindo o aviso de colisão frontal (FCW), o controle de cruzeiro adaptativo (ACC) e a frenagem de emergência automática. Os sistemas de produção normalmente dependem de radar, LiDAR ou câmeras estéreo. Embora eficazes, esses sensores introduzem custos significativos, consumo de energia, carga térmica e restrições de acondicionamento. Além disso, o radar frequentemente carece de resolução lateral, e as câmeras estéreo exigem bases mecânicas rígidas que são difíceis de manter a calibração ao longo da vida útil do veículo. Câmeras únicas são baratas e ubíquas, mas sofrem de uma fraqueza fundamental: uma única imagem carece de escala absoluta. Sem uma suposição externa de um comprimento no mundo real, uma câmera única não consegue distinguir entre um objeto pequeno próximo e um objeto grande distante. As soluções monoculares existentes que assumem a largura do veículo são limitadas pela alta variabilidade das dimensões dos veículos em toda a frota, o que leva a erros sistemáticos significentes.

Metodologia
O artigo propõe a Estimativa de Distância Monocular Baseada em Tipografia (T-MDE), um método que recupera a distância métrica de uma única câmera explorando a geometria regulamentada da placa de licença traseira. O método opera sob o princípio de que as placas de licença dos EUA possuem um tamanho externo fixo (305 × 152 mm) e alturas de caracteres estritamente definidas por regulamentações estaduais (variando de 63 a 72 mm).

O sistema processa quadros de vídeo através de um pipeline de sete estágios:

1. Detecção e Retificação: A placa é detectada usando um conjunto paralelo de técnicas clássicas de processamento de imagem (limiarização adaptativa, detecção de bordas) para garantir robustez contra reflexos e desfoque de movimento. A placa é então deformada para uma visão frontal via homografia.
2. Reconhecimento Óptico de Caracteres (OCR) e Segmentação: A série da placa é lida usando um motor primário (EasyOCR) com um fallback (Tesseract). Crucialmente, o sistema segmenta explicitamente os caracteres individuais usando perfis de projeção vertical para medir a altura em pixels ($\bar{h}$) com precisão, em vez de depender apenas da string de texto.
3. Identificação do Estado: O estado emissor é identificado via uma cascata de três estágios (correspondência de texto, análise de distribuição de cores e um classificador leve) para recuperar a altura de caractere específica ($H_s$) para aquele estado. Se a identificação falhar, o sistema utiliza a média nacional como padrão para evitar grandes vieses sistemáticos.
4. Estimativa de Distância Multicanal: O método calcula a distância usando três medições tipográficas independentes derivadas da mesma placa:
   • Altura do Caractere: A métrica primária, derivada de $D = f_{px} H_s / \bar{h}_{corr}$.
   • Largura do Traço: Fixa em 1/6 da altura do caractere por regulamentação.
   • Espaçamento de Caracteres: Fixo em aproximadamente 1/5 da altura do caractere.
     Estes são combinados via ponderação de variância inversa. Adicionalmente, o sistema mede o espaçamento em pixels dos dois furos de montagem (fixos em 279,6 mm pelos padrões AAMVA) como um quarto canal independente de reconhecimento.
5. Correção de Pose: O sistema estima a pose de 6-DoF da placa para corrigir o pitch (arfagem), roll (rolagem) e yaw (guinada) da placa e da câmera. Isso evita que o encurtamento de perspectiva seja interpretado como aumento de distância.
6. Verificação de Rede de Profundidade: Uma rede de profundidade de imagem única fornece um mapa de profundidade relativo, que é escalonado para metros usando um fator ancorado à distância geométrica. Isso atua como uma verificação de consistência, mas é ponderado para baixo se discordar da medição geométrica, garantindo que a escala física nunca seja sobreposta pelo modelo aprendido.
7. Filtragem e Lógica de Alerta: Um filtro de Kalman de velocidade constante suaviza a distância, a velocidade de aproximação e o tempo de colisão (TTC). O ruído de medição do filtro é modelado para crescer com a distância, correspondendo ao orçamento de erro geométrico. O output é um estado de alerta (cautela ou ameaça iminente) alinhado com as regulamentações de FCW dos EUA.

Principais Contribuições
O artigo distingue este trabalho de relatórios anteriores e literatura relacionada através de cinco contribuições específicas:

1. Robustez Multicanal: Em vez de uma única medição, o método funde três características tipográficas (altura, traço, espaçamento) e duas verificações geométricas (furos de montagem, rede de profundidade). Os canais são ponderados por sua variância medida, permitindo que o sistema reduza automaticamente o peso de dados corrompidos (ex: desfoque de movimento afetando traços finos) sem perder a estimativa de distância.
2. Calibração por Estado: O sistema identifica dinamicamente o estado emissor para selecionar a altura de caractere correta, eliminando o erro de escala sistemático (até ~12%) que resultaria do uso de uma constante nacional única.
3. Recuperação de Pose Completa: O método recupera a pose de 6-DoF da placa, corrigindo o encurtamento de perspectiva e fornecendo ângulos de bearing (azimute) e yaw essenciais para associação ao nível da faixa e sinalização de confiabilidade.
4. Filtragem Orientada à Segurança: O output não é uma distância bruta quadro a quadro, mas um estado suavizado (distância, velocidade, TTC) derivado de um filtro de Kalman com ruído dependente da distância, projetado especificamente para acionar avisos de assistência ao condutor sem oscilações.
5. Avaliação de Campo: O método é avaliado em dados do mundo real (58 sessões, 2.265 medições em 15 estados), em vez de entradas sintéticas ou controladas, reportando consistência interna e taxas de detecção junto com o modelo de erro de design.

Resultos
Avaliado em uma câmera automotiva de baixo custo em 15 estados:

• Detecção: O sistema alcançou uma taxa média de detecção de placa de aproximadamente 99%.
• Reconhecimento: Uma série confiável foi lida em 63,4% das detecções; no entanto, a estimativa de distância permaneceu contínua mesmo quando a série era ilegível, dependendo dos furos de montagem ou da verificação de profundidade.
• Precisão: O sistema reportou uma incerteza mediana por quadro de 0,128 m (média de 0,173 m) a uma distância média de 1,24 m. As distâncias geométrica e fundida concordaram dentro de 1,12%.
• Consistência: O erro medido seguiu o modelo teórico onde o erro de distância relativa é igual ao erro de altura de caractere relativa (coeficiente de variação ~2,3%). O resíduo do filtro de Kalman foi próximo de zero (média de -0,033 m), indicando ausência de atraso sistemático.
• Pose: O sistema lidou com sucesso com placas com ângulos de yaw de até 87,8°, corrigindo o encurtamento de perspectiva para evitar a subestimativa da distância.
• Tempo de Execução: Em uma GPU de consumo, o sistema sustentou aproximadamente 1,1 quadros por segundo, com a maior parte do tempo de computação consumido pelas redes de reconhecimento e profundidade, não pelos cálculos geométricos.

Significância e Alegações
O artigo afirma que o T-MDE oferece um complemento de baixo custo e baixa manutenção para os sensores ativos existentes (radar, LiDAR) e câmeras estéreo. Sua principal significância reside na tolerância a falhas: como deriva a escala de um padrão impresso em vez de tempo de voo, paralaxe ou priors aprendidos, ele falha sob condições diferentes (ex: placas ausentes, yaw extremo) do que o radar ou LiDAR. Essa diversidade de modos de falha aumenta a segurança do stack de percepção.

O método fornece uma "âncora métrica" a partir de um sensor passivo, retornando simultaneamente distância, bearing e identidade do veículo (via série da placa). Os autores enfatizam que, embora o sistema atinja alta consistência interna e um erro de design inferior a 0,13 m, não alega precisão verificada externamente para todas as condições, observando que uma campanha controlada com referências levantadas é o próximo passo necessário para a certificação. O método é apresentado não como um substituto para sensores ativos, mas como uma camada passiva escalável que melhora a robustez dos stacks de percepção de ADAS.