Ausgewählte Themen zu Bildverstehen und Mustererkennung. Challenges for Driver Assistance Systems Lane Detection. Christoph Bartenhagen.

Transkript

1 Deckblatt Ausgewählte Themen zu Bildverstehen und Mustererkennung Lane Detection Christoph Bartenhagen 1

2 Agenda A Lane Detection B Vehicle Detection 2

3 Agenda Gliederung 1 Einleitung 2 Road Detection 3 Lane Detection 4 Programm Vorführung 5 Diskussion 3

4 Gliederung Einleitung 1 Einleitung 1.1 Ziel der Seminararbeit 1.2 Motivation 1.3 Strategie 4

5 1.1 Ziel der Seminararbeit Ziel der Seminararbeit Entwicklung einer Lane Detection Strategie Erkennung von Fahrbahnbegrenzungen Fahrbahnbegrenzungen Markierung im im Bild Bild Praktikabilität 5

6 1.2 Motivation 1.2 Motivation 6

7 1.2 Motivation - Beobachtungen Beobachtungen: - steigende Rechenleistung und Miniaturisierung eröffnen der Informationstechnologie immer mehr Anwendungsfelder - moderne Fahrassistenzsysteme sorgen für Komfort und Sicherheit im Straßenverkehr - Vision vollkommen autonom fahrender Fahrzeuge - Zehn Jahre dann steuern die Autos ohne uns Übersetzung von Zitat des GM Vize-Chef Larry Burns (Quelle 7

8 1.2 Motivation - Auslöser Motivation Vermeidung von Verkehrsunfällen Vielzahl problemlösender Ansätze Stärkere Rechenleistung

9 1.2 Motivation - Aktueller Stand der Technik Fahrassistenzsysteme nehmen immer stärkere Rolle in modernen Kraftfahrzeugen ein : - Navigationssysteme ermöglichen schnelle Orientierung auf unbekannten Strecken - Nachtsichtsysteme (Night Vision Systems) unterstützen sicheres Fahren auch bei Dunkelheit - Einparkhilfen erleichtern das Einparken eines Fahrzeugs besonders auf engen Raum 9

10 1.3 Einleitung - Strategie 1.3 Strategie - Vordetektion des potentiellen Straßenbereichs mittels Road Detection - eigentliche Lane Detection im eingegrenzten Bildbereich 10

11 Road Detection - Agenda 2 Road Detection 2.1 Ziele 2.2 Strategie 2.3 Ergebnisse 11

12 2.1 Road Detection Ziele 1.1 Ziele Road Detection Extraktion der Straßenzone aus dem Orginalbild einfache und schnelle Umsetzung der Methode 12

13 1.3 Road Detection - Strategie 1.3 Strategie - Ausnutzung des RGB Farbbild zur Detektion des grauen Straßenbereichs - Filtern des potentiellen Straßenbereichs 13

14 2.2 Road Detection - Strategie Bild glätten Grautonfilter Binärbild Grenzen erkennen Partikel filtern Pixel löschen 14

15 2.2 Road Detection - Strategie Bild glätten Grautonfilter Binärbild Grenzen erkennen Partikel filtern Pixel löschen 15

16 2.2 Road Detection - Strategie Bild glätten Grautonfilter Binärbild Grenzen erkennen Partikel filtern Pixel löschen 16

17 2.2 Road Detection - Strategie Bild glätten Grautonfilter Binärbild Grenzen erkennen Partikel filtern Pixel löschen 17

18 2.2 Road Detection - Strategie Bild glätten Grautonfilter Binärbild Grenzen erkennen Partikel filtern Pixel löschen 18

19 2.2 Road Detection - Strategie Bild glätten Grautonfilter Binärbild Grenzen erkennen Partikel filtern Pixel löschen 19

20 2.2 Road Detection - Strategie Bild glätten Grautonfilter Binärbild Grenzen erkennen Partikel filtern Pixel löschen 20

21 2.3 Road Detection - Strategie 2.3 Ergebnisse 21

22 2.3 Road Detection - Ergebnisse Werte im Bereich: Rot , Grün , Blau

23 Agenda - Lane Detection 3 Lane Detection 3.1 Ziele 3.2 Hough-Transformation 3.3 Strategie 3.4 Ergebnisse 23

24 3.2 Lane Detection - Ziele 3.1 Ziele der Lane Detection - fehlerfreie Erkennung der Fahrbahnmarkierung - Visualisierung der erkannten Fahrbahn - Praktikabilität 24

25 3.2 Lane Detection Hough-Transformation 3.2 Hough-Transformation - Methode wurde von Paul Hough ursprünglich als US Patent angemeldet - allgemeiner Ansatz um beliebige, parametrisierbare Formen in Punktverteilungen zu lokalisieren - viele geometrische Formen können mit wenigen Parametern beschrieben werden besondere Eignung für Bildanalyse 25

26 3.2.1 Lane Detection Hough-Transformation - Hough-Transformation zur Detektion von Geraden in binären Kantenbildern - eine Gerade in 2 D kann bekanntlich mit zwei reelwertigen Parametern beschrieben werden klassische Form y = kx+d für bestimmte k und d - Gerade mit zwei gegebenen Punkte p1 = (x1,y1) und p2=(x2,y2) muss folgende Gleichungen erfüllen: y1 = k*x1+d und y2 = k*x2+d für bestimmte k und d 26

27 3.2.1 Lane Detection Hough-Transformation Quelle: Detektion von Kurven Wie kann man aber feststellen wie viele Punkte auf einer bestimmten Gerade liegen? 27

28 3.2.1 Lane Detection Hough-Transformation Wie kann man aber feststellen wie viele Punkte auf einer bestimmten Gerade liegen? Alle möglichen Geraden in das Bild zeichnen und Bildpunkte zählen? 28

29 3.2.1 Lane Detection Hough-Transformation Wie kann man aber feststellen wie viele Punkte auf einer bestimmten Gerade liegen? Alle möglichen Geraden in das Bild zeichnen und Bildpunkte zählen?! Möglich, aber wegen großer Zahl ausgesprochen ineffizent 29

30 3.2.1 Lane Detection Hough-Transformation - Hough-Tranformation greift dieses Problem auf umgekehrtem Wege an: Ermittlung aller möglichen Geraden, die durch einen einzelnen Bildpunkt laufen - jede Gerade Lj, die durch einen Punkt p0=(x0,y0) läuft, muss die folgende Gleichung erfüllen: Lj: yo = kj *x0 + dj 30

31 3.2.1 Lane Detection Hough-Transformation - Menge der Lösungen für kj und dj entspricht einem Bündel unendlicher Geraden, die alle durch den gegebenen Punkt po laufen - es ergibt sich die zugehörige Lösung für dj: dj = -x0*kj+y0 Bildraum (x,y) Punkt pi=(xi,yi) Gerade Lj: y = kj*x+dj Parameterraum (k,d) Mi: d= -xi*k+yi Gerade qj = (kj,dj) Punkt 31

32 3.2.1 Lane Detection Hough-Transformation Quelle: Detektion von Kurven 32

33 Agenda 3.3 Strategie Anwendung Hough-Transformation Linienerkennung 33

34 3.3 Lane Detection - Strategie 34

35 3.3 Strategie Hough-Transformation Anwendung Hough-Transformation Orginalbild Parameterraum 35

36 3.3.3 Strategie - Begrenzungsstreifen Linienerkennung - mit Hilfe der Maxima erhalten wir die potentiellen Linien - an Hand von Kriterien wie Steigung und Länge werden Linien aussortiert - Einordnung der Fahrbahnlinien in linke und rechte Begrenzungen 36

37 3.3 Lane Detection - Ergebnisse 3.4 Ergebnisse 37

38 Orginalbild 38

39 Slicing 39

40 3.4 Lane Detection - Ergebnisse Ergebnisbild 40

41 4 Vorführung des Programms 4 Vorführung des Programms 41

42 5 Diskussion 5 Diskussion 5.1 Road Detection 5.2 Hough-Transformation 42

43 5.1 Diskussion Road Detection - Road Detection hängt sehr stark vom speziellen Bild ab - Grauwerte decken breites Spektrum in der RGB-Farbtabelle ab - Grauwerte werden durch viele Faktoren wie Tagezeit, Schattenwurf, Reflextion beeinflusst - viele andere Farbe liegen im ähnlichen Spektrum wie die Grauwerte - gut erkennbar an den produzierten Binärbildern 43

44 5.1 Diskussion Road Detection - Komplexe Form des ausgeschnittenen Bildbereichs führt zu Problemen bei der Weiterverarbeitung Schwierigkeiten eine passende geotrische Form auszuschneiden die einfacher zu bearbeiten wäre - großer Rechenaufwand bei Beibehaltung des Ausschnitts - Clustering wäre möglicherweise sinnvoll 44

45 5.2 Diskussion - Lane Detection 5.2 Lane Detection - Hough-Transformation bietet Robustheit bei der Lane Detection - Zuverlässige Erkennung von Linien - Erkennung von Kurven stellt Herausforderung dar prinzipiell aber auch im Parameterraum darstellbar 45

46 5 Diskussion - Effizienz der Detection erreicht noch keine Echtzeit - Strategien zur Steigerung der Effizienz - geringere Bildauflösung - Verwendung von Verfahren zur stärkeren Bildbereichseingrenzung 46

47 Fragen und Diskussion Danke für die Aufmerksamkeit Tel. (0251)