Sistema para detecção de faixas em rodovias: aplicação de técnicas a partir da utilização do método Systematic Search Flow
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 - O sistema primeiramente reconhece o tipo de estrada de acordo com a posição do veículo no GPS, informação esta extraída do "OpenStreet Map". Com base nisso, designa diferentes esquemas para a detecção da faixa. As etapas são: Determinação do tipo de Rodovia, Detecção de pista reta, Localização do Veículo em uma pista reta, Calibração dos parâmetros da câmera em tempo real, Detecção de faixa múltipla usando um estilo “Estimativa-detecção”, e por fim, detecção de pista curva. Determinação do tipo de Rodovia: Através do mapa digital OpenStreetMap, é identificado se o veículo encontra-se em uma pista reta ou curva. No OpenStreetMap as rodovias são representadas por uma sequência de pontos. A determinação da posição destes pontos é feita através da análise do comprimento de segmentos da rodovia. Se o segmento adjacente ao analisado sofreu uma mudança abrupta de direção, signfica que a rodovia é curva, caso contrário, reta. Detecção de pista reta: A detecção da faixa central foi feita baseada na transformada de Hough. Divido em duas etapas, através da posição do ponto de fuga da imagem, esta é dividida em duas (direita e esquerda), e a parte da esquerda é então revertida. Assim, nas duas imagens foi possível extrair o parametro p (angulo com a linha reta) e o parametro Y (distância da origem). Após é aplicado o Mapeamento de Perspectiva Inversa (IPM), recuperando as características geométricas das marcações de pista. Localização do Veículo em uma pista Reta: É feita através da distância entre a posição do veículo (um ponto 3m a frente do veiculo, configuração do autor) até a intersecção com a linha esquerda da rodovia. Calibração da camera em tempo real: Desnecessário na pesquisa (Lucas) Detecção de faixa múltipla usando um estilo “Estimativa-detecção”: As linhas adjacentes foram detectadas com base em estimativas feitas apartir da detecção da faixa central. As linhas da faixa central foram projetadas para a esquerda e direita de acordo com a distância entre elas o que resultou em uma boa concordância com as faixas reais da pista. Detecção de pista curva: Semelhante ao de pista reta, porém usando uma curva polinomial de segunda ordem para detectar os candidatos. Conclusões: O sistema pode detectar bem pistas retas e curvas, porém a junção dos dois tipos foi um problema. O sistema deveria aplicar os dois esquemas de detecção e isto acabou não ocorrendo. Mostrado que a transformação de Hough (sozinha, ou seja, sem método hibrido) possuiu uma porcentagem de detecção de 54% devido a mudança de pista do veículo, distância curta até o veículo da frente e pontos insuficientes nas linhas de faixa quando estas eram discretas. 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
|