Implémentation sur Raspberry Pi d'un système de détection d'obstacles par HOG-SVM et YOLOv8n.

Abstract

تم تطوير هذا النظام بهدف رصد ومحاكاة مختلف أنواع العوائق التي قد توثر على سالمة القيادة، مع التركيز بشكل خاص على نظام المساعدة على ركن السيارات الذاتي. يعتمد كشف وتصنيف العوائق ذات األولوية، مثل السيارات ومخاريط المرور، على دمج تقنيات الرؤية االصطناعية والذكاء االصطناعي. تعتمد المقاربة الكالسيكية األولى على واصف HOG مدم ًجا مع مصنفSVM ، في حين أن الحل الثاني، األكثر تقدًما وفعالية، يعتمد على نموذج التعلم العميق n8YOLOvلضمان تحديد المواقع والتعرف متعدد الكائنات بدقة وفي الوقت الفعلي. فيما يتعلق بتقدير المسافات في سياق ركن السيارات، تم اعتماد نهج يعتمد على دمج البيانات غير المتزامن أحادي وثنائي األبعاد .(D/2D1 (وبذلك يجمع النظام بين التدفق المرئي لكاميرا USB والقياسات التليمترية التكميلية الناتجة عن مستشعر األمواج فوق الصوتية (04SR-HC(ومستشعر ميكرو-ليدار .(Luna-TF (يتيح هذا الدمج بين المستشعرات، والمدمج على منصة مضمنة 4 Pi Raspberryبتصميم برمي متعدد الخيوط(thread-Multi (، إدرا ًكا قويًا ومراقبة مستمرة للبيئة المباشرة للمركبة، مما يوفر دقة أعلى وموثوقية أكبر ضد إنذارات االصطدام. الكلمات المفتاحية :أنظمة مساعدة السائق المتقدمة(ADAS (، الرؤية االصطناعية، SVM-HOG، التعلم العميق، n8YOLOv، دمج البيانات 1D/2D، راسببيري باي ،4 مستشعر األمواج فوق الصوتية(04SR-HC (، ميكرو-ليدار (TF-Luna). Résumé : Le présent système a été développé dans le but de détecter divers types d’obstacles pouvant compromettre la sécurité lors des manœuvres de conduite, en se focalisant spécifiquement sur l'assistance au stationnement autonome. La détection et la classification des obstacles prioritaires, tels que les voitures et les cônes de signalisation, reposent sur l’intégration de techniques de vision artificielle et d’intelligence artificielle. Une première approche classique utilise le descripteur HOG associé à un classifieur SVM, tandis qu'une seconde solution, plus avancée et performante, déploie le modèle de Deep Learning YOLOv8n pour assurer une localisation et une reconnaissance multi-objets précises en temps réel. En ce qui concerne l’estimation des distances en contexte de stationnement, une approche fondée sur la fusion asynchrone de données 1D et 2D a été adoptée. Le système combine ainsi le flux vidéo d'une caméra USB avec les mesures télémétriques complémentaires issues d’un capteur à ultrasons (HC-SR04) et d’un micro-LiDAR (TF-Luna). Intégrée sur une plateforme embarquée Raspberry Pi 4 avec une architecture logicielle multi-thread, cette combinaison de capteurs permet une perception robuste et une surveillance continue de l’environnement immédiat du véhicule, offrant ainsi une précision accrue et une plus grande fiabilité face aux alertes de collision. Mots-clés : Système d'aide à la conduite (ADAS), Vision artificielle, HOG-SVM, Deep Learning, YOLOv8n, Fusion de données 1D/2D, Raspberry Pi 4, Capteur ultrasonique (HCSR04), Micro-LiDAR (TF-Luna). Abstract : The present system has been developed with the aim of detecting various types of obstacles that could compromise driving safety, specifically focusing on autonomous parking assistance. The detection and classification of priority obstacles, such as cars and traffic cones, rely on the integration of computer vision and artificial intelligence techniques. A first classical approach utilizes the HOG descriptor combined with an SVM classifier, while a second, more advanced and efficient solution deploys the YOLOv8n Deep Learning model to ensure accurate multi-object localization and recognition in real-time. Regarding distance estimation in a parking context, an approach based on the asynchronous fusion of 1D and 2D data has been adopted. The system thus combines the video stream from a USB camera with complementary telemetric measurements obtained from an ultrasonic sensor (HC-SR04) and a micro-LiDAR (TF-Luna). Integrated on a Raspberry Pi 4 embedded platform using a multi-threaded software architecture, this sensor combination enables robust perception and continuous monitoring of the vehicle's immediate environment, thereby offering increased accuracy and enhanced reliability against collision alerts. Keywords : Advanced Driver Assistance Systems (ADAS), Computer vision, HOG-SVM, Deep Learning, YOLOv8n, 1D/2D Data fusion, Raspberry Pi 4, Ultrasonic sensor (HC-SR04), Micro-LiDAR (TF-Luna).