Mudanças entre as edições de "Sistema para detecção de faixas em rodovias: aplicação de técnicas a partir da utilização do método Systematic Search Flow"
| Linha 66: | Linha 66: | ||
:{{collapse top | Trabalhos em Análise }} | :{{collapse top | Trabalhos em Análise }} | ||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
| − | |||
'''[https://ieeexplore.ieee.org/document/4677194/ Embedded Weather Adaptive Lane and Vehicle Detection System]''' | '''[https://ieeexplore.ieee.org/document/4677194/ Embedded Weather Adaptive Lane and Vehicle Detection System]''' | ||
| Linha 95: | Linha 89: | ||
'''[https://ieeexplore.ieee.org/document/8257814/ Lane detection using hybrid colour segmentation and perpendicular traversal linear search algorithm ]''' | '''[https://ieeexplore.ieee.org/document/8257814/ Lane detection using hybrid colour segmentation and perpendicular traversal linear search algorithm ]''' | ||
| − | - | + | - O foco principal da pesquisa é analisar e notificar o motorista sobre os movimentos atuais e desvios repentinos do veículo considerando a pista atual. |
| + | |||
| + | As etapas são, caputra por vídeo, pré-processamento (limiarização, filtragem de ruídos, divisão de quadros), segmentação por cor (híbrida HSV+ YCrCb), detecção da faixa, rastreamento de partida de pista. | ||
| + | |||
| + | Etapa de Pré-processamento: | ||
| + | A região de interesse é coletada dividindo horizontalmente os frames. Considerando que a câmera está posicionada sempre no mesmo local, foi feita a divisão exatamente na metade, sendo nomeadas de vista próxima e vista adicional. A vista próxima é utilizada para detecção das linhas da estrada. A vista adicional é descartada pois não traz nenhuma informação relevante para o estudo. | ||
| + | |||
| + | Etapa de Segmentação por cor: | ||
| + | É utilizado um algoritmo híbrido (HSV e YCrCb). Assim aborda a detecção por cor em condições climáticas variadas (chuva, neblina e sombra). Como as linhas das rodovias são feitas em branco, a cor é branca é uma região candidata para a detecção. | ||
| + | Primeiramente as imagens são convertidas de RGB para HSV, pois permite avaliar os valores de COR e INTENSIDADE separadamente. A cor das linhas são examinadas usando o fator de MATIZ, e são reconhecidos através de limiares aplicados a cada pixel da imagem. | ||
| + | O YCrCb é aplicado no quadro já pré-processado para aumentar o nível de precisão do processo de segmentação por cor. Posteriormente, os dois vetores são misturados. | ||
| + | |||
| + | Detecção de faixa baseada em modelo geométrico: | ||
| + | Objetivo de identificar potenciais faixas de rodovia. A entrada é o vetor já segmentado (após segmentação por cor). | ||
| + | A detecção de borda astuta (Canny edge detection) é aplicada para reconhecer as bordas da imagem então, ele destacará as regiões com bordas de alto contraste. Após isto, é aplicada a transformada probabilística Hough, para extrair as linhas retas da imagem. Perpendicular Traversal Linear Search (PTLS) para identificar as potenciais faixas de rodovia. A imagem é dividida verticalmente e é procurado 3 pixels brancos consecutivos em uma certa angulação, quando isso é encontrado, linhas são desenhadas na imagem para identificar a faixa. Como só a vista próxima foi utilizada, este mesmo algoritmo funciona para curvas. | ||
| + | |||
| + | Acompanhamento da faixa: | ||
| + | Utilizada para detectar se o veículo está saindo da faixa atual. | ||
| + | |||
| + | Resultados: | ||
| + | Testado com 200 conjuntos de imagens com diferentes condições climáticas e de iluminação. Com 400 imagens com vários obstáculos e veículos na estrada, o nível de precisão total foi de 90%. Para faixas retas, o nível de precisão foi de 92%, com curvas foi de 83%. O acompanhamento da faixa atingiu um nível de precisão de 96%. Todas as imagens utilizadas foram capturadas apenas durante o dia!!! | ||
'''[https://ieeexplore.ieee.org/document/5596304/ Illumination Invariant Lane Color Recognition by using Road Color Reference & Neural Networks]''' | '''[https://ieeexplore.ieee.org/document/5596304/ Illumination Invariant Lane Color Recognition by using Road Color Reference & Neural Networks]''' | ||
Edição das 16h59min de 6 de agosto de 2018
Idéia do Projeto
As estradas brasileiras dificilmente tem refletores para indicar o trajeto (olho-de-gato). Por isso, acidentes de trânsito acontecem devido à perda do trajeto por parte do motorista (GO-330 - curva da morte). Este trabalho visa o desenvolvimento de um sistema que detecta a rodovia, e imprime uma linha indicando o seu trajeto.
O trabalho será desenvolvido inicialmente em Matlab, com o reconhecimento da faixa usando imagens estáticas. Havendo resultados satisfatórios, testes práticos poderão ser realizados.
No futuro, com informações como a velocidade do automóvel permitirá gerar alertas de cores (verde para velocidade OK; vermelho para alta velocidade, etc) e/ou sonoros. O sistema poderá ainda utilizar um projetor holográfico de laser para projetar o trajeto no parabrisas, como um HUD. Uma integração com sistemas de GPS poderá ser feita de forma a indicar também o trajeto desejado para determinado destino.
Monografia 2018/2
- Aluno: Lucas Gomes de Farias.
- Orientador: Diego da Silva de Medeiros
- Co Orientadora: Renata Coelho Borges
Cronograma
Baseado no tempo disponível, propusemos o seguinte cronograma. Ele pode ser ajustado.
É necessário verificar ainda sobre as exigências do TCC1. Elas podem mudar o cronograma.
| Atividade | Agosto | Setembro | Outubro | Novembro | Dezembro |
|---|---|---|---|---|---|
| Levantamento bibliográfico, definição das técnicas, busca da base de dados | x | ||||
| Implementação | x | x | |||
| Testes | x | x | |||
| Análise dos resultados | x | ||||
| Escrita da monografia | x | x |
Revisão bibliográfica
| Trabalhos em Análise |
|---|
|
Embedded Weather Adaptive Lane and Vehicle Detection System - Comentários - Comentários Detection of Geometric Shape for Traffic Lane and Mark - Comentários A Method For Lane Detection Based on Color Clustering - Comentários Self-Calibrated Multiple-Lane Detection System - Comentários Lane detection using hybrid colour segmentation and perpendicular traversal linear search algorithm - O foco principal da pesquisa é analisar e notificar o motorista sobre os movimentos atuais e desvios repentinos do veículo considerando a pista atual. As etapas são, caputra por vídeo, pré-processamento (limiarização, filtragem de ruídos, divisão de quadros), segmentação por cor (híbrida HSV+ YCrCb), detecção da faixa, rastreamento de partida de pista. Etapa de Pré-processamento: A região de interesse é coletada dividindo horizontalmente os frames. Considerando que a câmera está posicionada sempre no mesmo local, foi feita a divisão exatamente na metade, sendo nomeadas de vista próxima e vista adicional. A vista próxima é utilizada para detecção das linhas da estrada. A vista adicional é descartada pois não traz nenhuma informação relevante para o estudo. Etapa de Segmentação por cor: É utilizado um algoritmo híbrido (HSV e YCrCb). Assim aborda a detecção por cor em condições climáticas variadas (chuva, neblina e sombra). Como as linhas das rodovias são feitas em branco, a cor é branca é uma região candidata para a detecção. Primeiramente as imagens são convertidas de RGB para HSV, pois permite avaliar os valores de COR e INTENSIDADE separadamente. A cor das linhas são examinadas usando o fator de MATIZ, e são reconhecidos através de limiares aplicados a cada pixel da imagem. O YCrCb é aplicado no quadro já pré-processado para aumentar o nível de precisão do processo de segmentação por cor. Posteriormente, os dois vetores são misturados. Detecção de faixa baseada em modelo geométrico: Objetivo de identificar potenciais faixas de rodovia. A entrada é o vetor já segmentado (após segmentação por cor). A detecção de borda astuta (Canny edge detection) é aplicada para reconhecer as bordas da imagem então, ele destacará as regiões com bordas de alto contraste. Após isto, é aplicada a transformada probabilística Hough, para extrair as linhas retas da imagem. Perpendicular Traversal Linear Search (PTLS) para identificar as potenciais faixas de rodovia. A imagem é dividida verticalmente e é procurado 3 pixels brancos consecutivos em uma certa angulação, quando isso é encontrado, linhas são desenhadas na imagem para identificar a faixa. Como só a vista próxima foi utilizada, este mesmo algoritmo funciona para curvas. Acompanhamento da faixa: Utilizada para detectar se o veículo está saindo da faixa atual. Resultados: Testado com 200 conjuntos de imagens com diferentes condições climáticas e de iluminação. Com 400 imagens com vários obstáculos e veículos na estrada, o nível de precisão total foi de 90%. Para faixas retas, o nível de precisão foi de 92%, com curvas foi de 83%. O acompanhamento da faixa atingiu um nível de precisão de 96%. Todas as imagens utilizadas foram capturadas apenas durante o dia!!! Illumination Invariant Lane Color Recognition by using Road Color Reference & Neural Networks - Comentários
|