結論與未來工作 與未來工作 與未來工作 與未來工作

6-1

第六章 第六章 第六章 第六章

結論 結論 結論

結論與未來工作 與未來工作 與未來工作 與未來工作

6.1結論結論結論結論

為了減低駕駛者在高速公路上因為種種的行車因素而導致危險事件發 生，故開發出本系統來分析高速公路上鄰近車輛的危險性動向。系統主要分為注 意力圖像分割(attention map segmentation)與注意焦點分類(classification of focus of attention)兩個步驟。

在注意力圖像分割中，本系統對注意力圖像做取樣(sampling)得到樣本點集 合，利用 mean shift 演算法對樣本點集合中的樣本點做分群的動作，求出各注意 焦點之群聚點，再利用注意力圖像之亮點與各注意焦點之群聚點間的亮度分佈情 形將各個 pattern 分割出來，其中每個 pattern 都有一個注意焦點。由於注意焦點 的漸層現象能夠提供鄰近車輛的位置與移動方向的資訊，所以本系統便在各個 pattern 中擷取出類別特徵(也就是偏態值，skewness)做為 ART2 類神經網路分類 的依據。

在注意焦點分類中，將各個 pattern 所擷取出的類別特徵分別輸入各個 ART2 類神經網路來做分類。由於各個 pattern 之注意焦點的行為不盡相同，因此每個 ART2 類神經網路未必會做出相同的分類結果，本系統便利用模糊整合來整合這 些分類結果。

模糊整合中主要包含兩種函數：信心函數與模糊計量函數。信心函數主要處 理時間上的整合結果。當別人與自己的決定相同時，且兩者時間差越小者，則信 心值越高。模糊計量函數則是表示分類結果所對應的危險動向模版(template)與 輸入注意力圖像的差異程度，當兩者越相近則模糊計量函數值越高。

最後系統會依照整合後的分類結果，輸出所偵測到的危險動向，其中包括單 一車輛所產生的危險動向與多部車輛所產生的危險動向。

6-2

6.2未來工作未來工作未來工作未來工作

整體來說，本系統還有許多繼續發展的空間。像是本系統所用之實驗路況中 的複雜狀況都為利用單一狀況所合成的，和實際的路況比起來還是有所不同，未 來希望在實際的路況也能夠有良好的辨識率。另外本系統利用的影像只能是本車 前方的特定視野，所以只能偵測前方鄰近車輛對本車造成的影響，但是在高速公 路上，左右兩側和後方的鄰近車輛對本車的影響也是很重要的，如果能夠增加攝 影機的數量，擴大系統偵測的範圍，相信可以更增加駕駛者行車的安全。