Es existieren bereits zahlreiche Lösungen und Lösungsvorschläge zur Straßenranderkennung in Grauwertbildern, so ist z.B. in [RIC95] ein adaptierendes Modell zur Analyse von Straßenszenen beschrieben. In [LAI93] wird ein autonomes Fahrzeug beschrieben, welches automatisch einer Maschine zum Aufmalen der Markierungen auf die Straße folgt. Allerdings läßt sich dieser Ansatz mit den günstigen Randbedingungen dieses Verfahrens (geringe Geschwindigkeit und guter Kontrast der frisch aufgezeichneten Markierungen) schlecht auf komplexere Problemstellungen erweitern.
In dieser Arbeit soll zur Straßenranderkennung zunächst ein Segmentierungsverfahren eingesetzt werden. Dabei wird insbesondere das in [MES89] beschriebene Verfahren des quasi-parallelen Regionenwachstums, als ein vollständiges Segmentierungs-verfahren, mit einem in [ZAM95] beschriebenen Verfahren, welches nur ausgewählte Objekte segmentiert, verglichen. Zur Verbesserung des zweiten Verfahrens werden dabei 2 Lösungsvorschläge angegeben und untersucht.
Der zweite entscheidende Teil der Arbeit besteht in der Erkennung, der durch die Segmentierung gefundenen Segmente. Als Besonderheit dieser Arbeit wird dabei eine Kombination von Momenten und Fourierdeskriptoren, als Invarianten der segmentierten Objekte, zur Erkennung eingesetzt. Dadurch wird man in die Lage versetzt eine Aussage zu treffen, ob es sich bei den gefundenen Objekten tatsächlich um Fahrbahnmarkierungen (Straßenränder) handelt.
Eine abschließende Gruppierung der ausgewählten Segmente bezüglich ihrer Lage zu einander ermöglicht es dann, die einzelnen Segmente jeweils einer bestimmten Fahrspurmarkierung zu zuordnen. Dafür wurde das in [RIC95] beschriebene Verfahren angewendet und um die Gruppierung in Weltkoordinaten erweitert. Durch eine Transformation der im Bild gefundenen Segmente in das Weltkoordinatensystem kann, man noch zusätzlich in der Welt unrealistische Segmente herausfiltern, welche im Bild sonst schwer zu erkennen sind.
Inhaltsverzeichnis
1. AUFGABENSTELLUNG
2. EINFÜHRUNG
3. GRUNDLAGEN
3.1 SEGMENTIERUNG
3.1.1 sequentielles Regionenwachstumsverfahren
3.1.2 quasi-paralleles Regionenwachstumsverfahren
3.1.3 paralleles Regionenwachstumsverfahren
3.1.4 Kantenrelaxation
3.1.5 Segmentierung nach Kontur / Konturverfolgung
3.2. INVARIANTEN
3.2.1 Momente
3.2.1.1 Konturmerkmale
3.2.1.2 Formmerkmale
3.2.2 Fourierdeskriptoren
3.3 TRANSFORMATION BILDKOORDINATEN IN WELTKOORDINATEN
3.4 FILTERUNG
3.4.1 Laplace-Filterung
3.4.2 Median-Filter
3.5 ENTWICKLUNGSUMGEBUNG
3.5.1 Hardware
3.5.1.1 Kamera
3.5.2 Software
3.5.3 Grundvoraussetzungen
4. VERFAHREN ZUR STRAßENRANDERKENNUNG
4.1 SEGMENTIERUNG NACH FLÄCHENINHALT (REGION GROWING)
4.1.1 Ausgangsregionen erstellen
4.1.2 Regionen vereinigen
4.1.3 Programmablauf (schematisch)
4.1.4 Ergebnis
4.1.5 Kantenrelaxation
4.2 SEGMENTIERUNG NACH KONTUR
4.2.1 Startpunktsuche
4.2.2 Konturverfolgung
4.2.3 Bildverbesserung durch Grauwertmanipulation
4.2.4 adaptive Bestimmung der Schwellwerte
4.2.5 Programmablauf (schematisch)
4.2.6 Ergebnis
4.3 AUSWERTUNG UND VERGLEICH DER BEIDEN SEGMENTIERUNGS-VERFAHREN
4.4 SEGMENTERKENNUNG
4.4.1 Flächenkriterium
4.4.2 Formkriterium
4.4.3 Fourierdeskriptoren
4.4.4 Konturglättung
4.4.5 Auswertung
4.4.6 Ergebnis der Segmenterkennung
4.5 GRUPPENBILDUNG
4.5.1 Gruppierung im Bildkoordinatensystem
4.5.2 Gruppierung im Weltkoordinatensystem
4.5.3 Auswertung und Ergebnis der Gruppierung
5. ERGEBNIS
6. ZUSAMMENFASSUNG UND AUSBLICK
6.1 ZUSAMMENFASSUNG
6.2 AUSBLICK
Zielsetzung und Themen
Die vorliegende Diplomarbeit befasst sich mit der Entwicklung eines Systems zur automatischen Spurerkennung in Straßenszenen. Das primäre Ziel ist die zuverlässige Identifikation von Fahrbahnmarkierungen in Grauwertbildern durch eine Kombination aus Segmentierungsverfahren, geometrischen Invarianten (Momenten und Fourierdeskriptoren) und einer nachgelagerten Gruppierung der gefundenen Segmente im Weltkoordinatensystem.
- Vergleich und Optimierung von Segmentierungsverfahren (Region Growing vs. Konturverfolgung)
- Einsatz von Momenten und Fourierdeskriptoren zur objektbasierten Segmenterkennung
- Transformation von Bildkoordinaten in ein Weltkoordinatensystem zur besseren Filterung
- Gruppierung einzelner Segmente zu zusammenhängenden Fahrspurmarkierungen
Auszug aus dem Buch
3.1.2 quasi-paralleles Regionenwachstumsverfahren
Für dieses in [MES89] beschriebene Verfahren wird zur Beurteilung der Ähnlichkeit zweier Regionen ein sog. Likelihood Ratio Test oder Hypothesentest herangezogen: Dabei bestehen zwei benachbarte Regionen RA und RB aus NA bzw. NB Bildpunkten. Die einzelnen Merkmalswerte (Grauwerte) der Regionen werden zu einem Datenvektor yA bzw. yB mit NA bzw. NB Komponenten zusammengefaßt. Die Merkmalswerte der beiden Regionen werden dabei als Zufallsprozesse betrachtet, deren Verteilungsdichtefunktion p(yA) bzw. p(yB) ist.
Hierfür werden die folgenden beiden Hypothesen aufgestellt und verglichen:
• Nullhypothese H0: beide Regionen entstammen ein und dem selben Prozeß
• Gegenhypothese H1: beide Regionen entstammen unterschiedlichen Prozessen
Um eine Entscheidung für eine der beiden Hypothesen treffen zu können, ist es, wie in der Entscheidungstheorie üblich, erforderlich folgende Entscheidungsregel aufzustellen:
λ := p(z|H1) / p(z|H0) { > C falls H1 erfüllt ; < C falls H0 erfüllt }
Somit wird bei Überschreiten bzw. Unterschreiten der Schwelle C entweder die eine oder die andere Hypothese angenommen. Durch C wird ebenfalls festgelegt, wie hoch der mögliche Fehler bei der Entscheidung für die jeweilige Hypothese werden kann.
Zusammenfassung der Kapitel
1. AUFGABENSTELLUNG: Definiert das Ziel der Arbeit, die Anpassung des quasi-parallelen Wachstumsverfahrens an die Spurerkennung und die Nutzung geometrischer Invarianten.
2. EINFÜHRUNG: Gibt einen Überblick über bestehende Ansätze zur Straßenranderkennung und den gewählten Lösungsweg in dieser Arbeit.
3. GRUNDLAGEN: Erläutert die theoretischen Basisverfahren zur Bildsegmentierung, Invariantenberechnung (Momente, Fourierdeskriptoren) und Koordinatentransformation.
4. VERFAHREN ZUR STRAßENRANDERKENNUNG: Beschreibt detailliert die zwei implementierten Segmentierungsansätze, deren Ergebnisbewertung und die anschließende Gruppierung der Segmente.
5. ERGEBNIS: Präsentiert die Resultate der entwickelten Verfahren unter verschiedenen Bedingungen und bewertet deren Leistungsfähigkeit.
6. ZUSAMMENFASSUNG UND AUSBLICK: Fasst die wesentlichen wissenschaftlichen Neuerungen zusammen und gibt einen Ausblick auf mögliche Optimierungen für Echtzeitanwendungen.
Schlüsselwörter
Straßenranderkennung, Spurerkennung, Bildsegmentierung, Region Growing, Konturverfolgung, Fourierdeskriptoren, Momente, Invarianten, Weltkoordinaten, Fuzzy-Logik, Kantenrelaxation, Bildverarbeitung, Grauwertmanipulation, Fahrspurmarkierung.
Häufig gestellte Fragen
Worum geht es in dieser Diplomarbeit grundlegend?
Die Arbeit entwickelt ein System, um Fahrbahnmarkierungen in von einer Fahrzeugkamera aufgenommenen Grauwertbildern automatisch zu erkennen und zu gruppieren.
Welche zentralen Themenfelder werden bearbeitet?
Die Schwerpunkte liegen auf der Bildsegmentierung, der Merkmalsextraktion mittels geometrischer Invarianten und der anschließenden räumlichen Zuordnung der gefundenen Objekte.
Was ist das primäre Ziel der Forschungsarbeit?
Ziel ist es, ein zuverlässiges System zu schaffen, das Fahrbahnränder trotz unterschiedlicher Beleuchtungsverhältnisse oder Fahrbahnbeläge sicher segmentieren und zu Spuren zusammenfassen kann.
Welche wissenschaftliche Methode wird primär verwendet?
Es kommen unter anderem quasi-paralleles Regionenwachstum, Konturverfolgung, die Berechnung von Momenten und Fourierdeskriptoren sowie eine Transformation in Weltkoordinaten zum Einsatz.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen der Bildverarbeitung und die praktische Umsetzung zweier verschiedener Segmentierungsverfahren, deren Evaluierung sowie der Gruppierung zur Spurerkennung.
Welche Schlüsselbegriffe charakterisieren die Arbeit?
Wichtige Begriffe sind Fourierdeskriptoren, Region Growing, Konturverfolgung, Weltkoordinaten und Invariantenbildung.
Warum wurde die HDRC-Kamera für die Testfahrten genutzt?
Die Kamera bietet einen sehr großen Dynamikbereich von 120dB, was einen hohen Informationsgehalt der Bilder ermöglicht und Weißsättigung verhindert.
Welchen Vorteil bietet die Konturglättung mittels Fourierdeskriptoren?
Durch die Beschränkung auf die ersten 32 Fourierdeskriptoren werden hochfrequente Anteile, die als unerwünschte Zerklüftungen im Bild erscheinen, automatisch herausgefiltert.
Warum ist die Transformation in Weltkoordinaten so wichtig?
Sie ermöglicht eine Filterung, die in der 2D-Bildebene unrealistisch wäre, da sie es erlaubt, die Geometrie der erkannten Linien mit realen räumlichen Bedingungen abzugleichen.
- Quote paper
- Alexander Lamm (Author), 2003, Parametrische Segmentbeschreibung und Tracking zur Spurerkennung in Straßenszenen, Munich, GRIN Verlag, https://www.grin.com/document/18988
