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

技术摘要：基于字体的单目距离估计 (T-MDE)

问题陈述
对前车进行准确的距离估计是高级驾驶辅助系统（ADAS）的基础输入，包括前碰撞预警（FCW）、自适应巡航控制（ACC）和自动紧急制动（AEB）。生产系统通常依赖雷达、激光雷达或立体摄像头。虽然这些传感器效果显著，但它们会引入高昂的成本、功耗、热负荷和封装限制。此外，雷达往往缺乏横向分辨率，而立体摄像头需要难以在车辆整个使用寿命内保持校准的刚性机械基线。单摄像头虽然廉价且普及，但存在一个根本性的弱点：单幅图像缺乏绝对尺度。如果没有关于现实世界长度的外部假设，单摄像头无法区分一个近处的小物体和一个远处的巨大物体。现有的基于车辆宽度的单目解决方案受限于车队中车辆尺寸的高度变异性，从而导致显著的系统误差。

方法论
本文提出了基于字体的单目距离估计（T-MDE），这是一种通过利用后车牌受监管的几何特性，从单摄像头中恢复度量距离的方法。该方法基于这样一个原理：美国车牌具有固定的外形尺寸（305 × 152 mm），且字符高度由各州法规严格定义（范围在 63 至 72 mm 之间）。

该系统通过一个七阶段流水线处理视频帧：

1. 检测与矫正： 使用并行集成式的经典图像处理技术（自适应阈值化、边缘检测）来检测车牌，以确保对眩光和运动模糊的鲁棒性。随后通过单应性变换将车牌变换为正面视图。
2. 光学字符识别 (OCR) 与分割： 使用主引擎（EasyOCR）及备用引擎（Tesseract）读取车牌序列号。至关重要的是，系统通过垂直投影剖面显式分割单个字符，以精确测量其像素高度 ($\bar{h}$)，而非仅仅依赖文本字符串。
3. 州别识别： 通过三阶段级联过程（文本匹配、颜色分布分析和轻量级分类器）识别发牌州，以检索该州特定的法定字符高度 ($H_s$)。如果识别失败，系统将默认使用全国平均高度，以避免产生巨大的系统性偏差。
4. 多通道距离估计： 该方法利用从同一块车牌中导出的三个独立字体测量值来计算距离：
   • 字符高度： 主要指标，由 $D = f_{px} H_s / \bar{h}_{corr}$ 推导得出。
   • 笔画宽度： 根据规定固定为字符高度的 1/6。
   • 字符间距： 固定约为字符高度的 1/5。
     这些指标通过逆方差加权进行组合。此外，系统还测量了两个安装孔之间的像素间距（根据 AAMVA 标准固定为 279.6 mm），作为第四个不依赖识别的通道。
5. 姿态校正： 系统估计车牌的 6 自由度（6-DoF）姿态，以校正摄像头的俯仰角、翻滚角和车牌偏航角。这可以防止因透视缩短而被误判为距离增加。
6. 深度网络检查： 单幅图像深度网络提供相对深度图，并使用以几何距离为锚点的因子将其缩放为米。这作为一致性检查，但如果与几何测量结果不符，其权重会被降低，以确保物理尺度不会被学习模型覆盖。
7. 滤波与警告逻辑： 使用恒定速度卡尔曼滤波器对距离、闭合速度和碰撞时间（TTC）进行平滑处理。滤波器的测量噪声模型随距离增加而增大，符合几何误差预算。输出的警告状态（提示或紧迫威胁）符合美国 FCW 法规。

核心贡献
本文通过五个具体的贡献将本研究与以往的报告及相关文献区分开来：

1. 多通道鲁棒性： 该方法并非采用单一测量，而是融合了三种字体特征（高度、笔画、间距）和两种几何检查（安装孔、深度网络）。各通道根据其测得的方差进行加权，从而允许系统在不丢失距离估计的情况下，自动降低受损数据（例如影响细微笔画的运动模糊）的权重。
2. 逐州校准： 系统动态识别发牌州以选择正确的字符高度，消除了使用统一全国常数可能导致的系统性尺度误差（高达 ~12%）。
3. 全姿态恢复： 该方法恢复车牌的 6 自由度姿态，校正透视缩短效应，并提供对于车道级关联和可靠性标记至关重要的方位角和偏航角。
4. 面向安全的滤波： 输出并非原始的逐帧距离，而是通过带有距离相关噪声的卡尔曼滤波器得到的平滑状态（距离、速度、TTC），旨在驱动驾驶辅助警告而不产生闪烁。
5. 实地评估： 该方法在真实世界数据（涵盖 15 个州、2,265 次测量的 58 个会话）上进行了评估，而非使用合成或实验性输入，并在设计误差模型的基础上报告了内部一致性和检测率。

结果
在跨越 15 个州的低成本汽车摄像头上进行的评估显示：

• 检测： 系统实现了约 99% 的平均车牌检测率。
• 识别： 在 63.4% 的检测中成功读取了置信度高的序列号；然而，即使在序列号无法读取的情况下，依靠安装孔或深度检查，距离估计仍能保持连续。
• 准确性： 在平均距离为 1.24 m 时，系统报告的中值每帧不确定度为 0.128 m（平均值为 0.173 m）。几何距离与融合距离的吻合度在 1.12% 以内。
• 一致性： 实测误差遵循理论模型，即相对距离误差等于相对字符高度误差（变异系数约为 2.3%）。卡尔曼滤波器残差接近于零（均值 -0.033 m），表明不存在系统性滞后。
• 姿态： 系统成功处理了偏航角高达 87.8° 的车牌，并通过校正透视缩短效应防止了距离低估。
• 运行时间： 在消费级 GPU 上，系统维持了约 1.1 帧每秒的速率，大部分计算时间消耗在识别和深度网络上，而非几何计算。

意义与主张
本文声称 T-MDE 为现有的主动传感器（雷达、激光雷达）和立体摄像头提供了一种高性价比、低维护成本的补充方案。其主要意义在于容错性：因为它从印刷标准而非飞行时间、视差或学习先验中获取尺度，因此其失效条件（例如缺失车牌、极端偏航）与雷达或激光雷达不同。这种失效模式的多样性增强了感知层级的安全性。

该方法提供了一个来自被动传感器的“度量锚点”，同时返回距离、方位和车辆身份（通过车牌序列号）。作者强调，虽然该系统实现了高度的内部一致性且设计误差小于 0.13 m，但并未声称在所有条件下都具备经过外部验证的准确性，并指出开展使用实测参考数据的受控测试是实现认证的必要下一步。该方法并非旨在取代主动传感器，而是作为一个可扩展的被动层，用以提升 ADAS 感知系统的鲁棒性。