BSD-車両死角検出

修正履歴

NO	バージョン	修正内容	修正日
1	Ver1.0	新規作成	2026/06/30

この文書の情報は、文書を改善するため、事前の通知なく変更されることがあります。最新版は弊社ホームページからご参照ください。

株式会社日昇テクノロジーの書面による許可のない複製は、いかなる形態においても厳重に禁じられています。

1. BSD概要

　　BSD（車両死角検出）アルゴリズムでは、通常、複数のカメラを使用して車両の両側および後方の死角をリアルタイムに監視します。高フレームレートと高精度の認識性能が求められ、さまざまな複雑な環境に対応できます。

本BSDアルゴリズム業界特化データセットでの性能は次のとおりです：

BSDアルゴリズム	mAP@0.5
PERSON	0.72

CSUN RV1126B基板での実行効率：

アルゴリズム種別	実行効率
PERSON	24ms

2. クイックスタート

2.1 開発環境の準備

　　本ドキュメントを初めてお読みになる場合は、『入門ガイド/開発コンパイル環境の準備と更新』を参照し、関連する手順に従ってコンパイル環境をデプロイしてください。

PC側のUbuntuシステムで run スクリプトを実行し、Docker開発環境に入ります。手順は次のとおりです。

cd ~/linuxshare/work/rv1126b/jp/embedded/images/develop_environment
./run.sh 2204

図2-1　Docker開発環境の起動

2.2 ソースコードのダウンロード

Docker開発環境で、ソースコードリポジトリを保存する管理ディレクトリを作成します。

cd /opt/linuxshare/work/rv1126b/jp/AI/demo/ai-algorithm

gitツールを使用して、管理ディレクトリ内にリモートリポジトリをクローンします。

git clone https://github.com/csunltd/rv1126b-ai-toolkit.git

※GitHubのWebページからダウンロードする場合でも、リポジトリ全体をダウンロードしてください。本サンプルに対応するディレクトリだけを単独でダウンロードしないでください。

※すでにダウンロードした場合、飛ばしてください。

2.3 モデルデプロイ

アルゴリズムDemoを実行するには、まずBSDアルゴリズムモデルをダウンロードする必要があります。

ダウンロードリンク：

https://dl.dragonwake.com/download/rv1126b/AI/demo/13_bsd.zip

その後、ダウンロードしたBSDアルゴリズムモデルを Release/ ディレクトリへコピーしてください。

図2-2　Releaseディレクトリ内のファイル配置

2.4 サンプルのビルド

サンプルがあるディレクトリに移動してビルドを実行します。具体的なコマンドは次のとおりです。

cd rv1126b-ai-toolkit/Demos/algorithm-bsd/

./build.sh cpres

* 依存ライブラリは開発ボード上に配置されているため、クロスコンパイル中は /mnt のマウントを保持する必要があります。

sudo mount -t nfs -o vers=3,proto=tcp,mountproto=tcp,nolock,retrans=5,timeo=5 192.168.10.85:/ /mnt

* build.sh スクリプトに cpres パラメータを指定すると、Release/ ディレクトリ内のすべてのリソースが開発ボードへコピーされます。

図2-3　サンプルビルド結果

2.5 サンプル実行および結果

コンパイル済みのものを基板にコピーします。

cp Release/\* /mnt/userdata/Demo/algorithm-bsd/

※./build.sh cpresでコンパイルした場合、自動的にコピーされます。

シリアルデバッグまたはSSHデバッグで開発ボードのバックエンドに入り、次のようにサンプルのデプロイ先へ移動します。

cd /userdata/Demo/algorithm-bsd/

図2-4　サンプル実行結果

サンプルを実行するコマンドは次のとおりです。

./test-bsd bsd_person.model test.jpg

図2-5　結果画像のコピーコマンド

Docker開発環境でテスト結果写真を基板からコピーしましょう。

cp /mnt/userdata/Demo/algorithm-bsd/result.jpg .

図2-6　BSD-車両死角検出結果画像

認識結果は下図通りです。

図2-7　BSD検出結果画像

APIの詳細説明およびAPI呼び出し（本サンプルのソースコード）については、以下を参照してください。

3. BSD検出API説明

3.1 参照方法

　　お客様がローカルプロジェクトからEASY EAI APIライブラリを直接呼び出せるように、本プロジェクトでリンクする必必要がありますがあるライブラリおよびヘッダファイルなどを以下に示します。ユーザーはそのまま追加できます。

項目	説明
ヘッダファイルディレクトリ	easyeai-api/algorithm/bsd
ライブラリファイルディレクトリ	easyeai-api/algorithm/bsd
ライブラリリンクパラメータ	-lbsd

3.2 BSD検出初期化関数

bsd検出初期化関数原型次のとおりです。

int bsd_init(rknn_context \*ctx, const char \* path)

関数名： bsd_init()
ヘッダファイル	bsd.h
入力パラメータ	ctx：rknn_contextハンドル
入力パラメータ	path：アルゴリズムモデルのパス
戻り値	成功時の戻り値：0
	失敗時の戻り値：-1
注意事項	なし

3.3 BSD検出実行関数

BSD検出実行関数bsd_run原型次のとおりです。

int bsd_run(rknn_context ctx, cv::Mat input_image, detect_result_group_t\*detect_result_group)

詳細は次のとおりです。

関数名：bsd_run()
ヘッダファイル	bsd.h
入力パラメータ	ctx：rknn_contextハンドル
入力パラメータ	input_image：画像データ入力(cv::MatはOpenCVの型)
出力パラメータ	output_dets：物体検出ボックス出力
戻り値	成功時の戻り値：0
	失敗時の戻り値：-1
注意事項	なし

3.4 BSD検出解放関数

BSD検出解放関数原型次のとおりです。

int bsd_release(rknn_context ctx)

詳細は次のとおりです。

関数名：bsd_release ()
ヘッダファイル	bsd.h
入力パラメータ	ctx：rknn_contextハンドル
戻り値	成功時の戻り値：0
	失敗時の戻り値：-1
注意事項	なし

4. BSD（車両死角検出）サンプル

サンプルディレクトリとしてDemos/algorithm-bsd/test-bsd.cpp、操作フロー如以下。

図4-1　BSD-車両死角検出アルゴリズム処理フロー

参考サンプルは次のとおりです。

#include <opencv2/opencv.hpp>
#include <stdio.h>
#include <sys/time.h>
#include"bsd.h"

using namespace cv;
using namespace std;

static Scalar colorArray[10]={
    Scalar(255, 0, 0, 255),
    Scalar(0, 255, 0, 255),
    Scalar(0,0,139,255),
    Scalar(0,100,0,255),
    Scalar(139,139,0,255),
    Scalar(209,206,0,255),
    Scalar(0,127,255,255),
    Scalar(139,61,72,255),
    Scalar(0,255,0,255),
    Scalar(255,0,0,255),
};

int plot_one_box(Mat src, int x1, int x2, int y1, int y2, char *label, char colour)
{
    int tl = round(0.002 * (src.rows + src.cols) / 2) + 1;
    rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), colorArray[(unsigned char)colour], 3);

    int tf = max(tl -1, 1);

    int base_line = 0;
    cv::Size t_size = getTextSize(label, FONT_HERSHEY_SIMPLEX, (float)tl/3, tf, &base_line);
    int x3 = x1 + t_size.width;
    int y3 = y1 - t_size.height - 3;

    rectangle(src, cv::Point(x1, y1), cv::Point(x3, y3), colorArray[(unsigned char)colour], -1);
    putText(src, label, cv::Point(x1, y1 - 2), FONT_HERSHEY_SIMPLEX, (float)tl/3, cv::Scalar(255, 255, 255, 255), tf, 8);
    return 0;
}

int main(int argc, char **argv)
{
  if (argc != 3)
    {
        printf("%s <model_path> <image_path>\n", argv[0]);
        return -1;
    }

    const char *model_path = argv[1];
    const char *image_path = argv[2];

  /* パラメータ初期化 */
  detect_result_group_t detect_result_group;

  /* アルゴリズムモデル初期化 */
  rknn_context ctx;
  bsd_init(&ctx, model_path);

  /* アルゴリズム実行 */
  cv::Mat src;
  src = cv::imread(image_path, 1);

  struct timeval start;
  struct timeval end;
  float time_use=0;

  gettimeofday(&start,NULL);

  bsd_run(ctx, src, &detect_result_group);

  gettimeofday(&end,NULL);
  time_use=(end.tv_sec-start.tv_sec)*1000000+(end.tv_usec-start.tv_usec);//マイクロ秒
  printf("time_use is %f\n",time_use/1000);

  /* アルゴリズム結果を画像上に描画して保存します */
  // Draw Objects
  char text[256];
  for (int i = 0; i < detect_result_group.count; i++)
  {

    detect_result_t* det_result = &(detect_result_group.results[i]);
    if( det_result->prop < 0.4)
    {
      continue;
    }

    sprintf(text, "%s %.1f%%", det_result->name, det_result->prop * 100);
    printf("%s @ (%d %d %d %d) %f\n", det_result->name, det_result->box.left, det_result->box.top,
         det_result->box.right, det_result->box.bottom, det_result->prop);
    int x1 = det_result->box.left;
    int y1 = det_result->box.top;
    int x2 = det_result->box.right;
    int y2 = det_result->box.bottom;
    /*
    rectangle(src, cv::Point(x1, y1), cv::Point(x2, y2), cv::Scalar(255, 0, 0, 255), 3);
    putText(src, text, cv::Point(x1, y1 + 12), cv::FONT_HERSHEY_SIMPLEX, 0.5, cv::Scalar(0, 0, 0));
    */
    plot_one_box(src, x1, x2, y1, y2, text, i%10);
  }

  cv::imwrite("result.jpg", src);


  /* アルゴリズムモデルのリソースを解放します */
  bsd_release(ctx);

  return 0;
}