Gömülü bir platform üzerinde gerçek zamanlı şeritten ayrılma uyarı sistemi

Bu çalışmada gömülü bir platform üzerinde gerçek zamanlı çalışan şeritten ayrılma uyarı sistemi önerilmiştir. Önerilen sistemde sürücülerin sürüş sırasında dikkatsizlik, uykuya dalmaları vb. nedenler ile aracın kontrolünü kaybederek istemsiz bir şekilde şerit değiştirdikleri görüntü işleme yaklaşımları ile tespit edilerek sürücüye uyarı verilmektedir. Bu çalışmada önerilen sistemde öncelikle uygulanan bir filtre ile şerit işareti öne çıkarılarak, şerit işareti tespit işleminin olası bozucu etkilere karşı gürbüz bir şekilde çalışması sağlanmaktadır. Sonraki adımda filtrelenmiş giriş görüntüsü ile 1-D Gaussian fonksiyonunun korelasyon işlemi sonucu şerit çizgisi aday noktaları belirlenmektedir. Belirlenen bu aday noktalarından olası bozucular RANSAC (RANdom SAmple Consensus) yöntemi kullanılarak elenmektedir ve şerit çizgileri elde edilmektedir. Ayrıca tespit edilen şerit çizgilerinin konumlarının zamansal ilişkisi Kalman filtresi ile incelenmektedir. Elde edilen şerit çizgisi konumları ve önceden belirlenen araç konumu yorumlanarak aracın şeritten ayrılma durumu tespit edilmektedir. Geliştirilen sistem 752×480 uzamsal boyutuna sahip giriş görüntüleri için 1 GHz frekansında ARM A8 işlemci üzerinde 16 fps’de çalışmaktadır.

Anahtar Kelimeler:

Şeritten ayrılma uyarı sistemi, şerit tespiti

PDF

___

1. COWI, Cost-benefit assessment and prioritization of vehicle safety technologies (TREN-ECON2-002), Avrupa Komisyonu Enerji ve Taşımacılık Genel Müdürlüğü, Brüksel-Belçika, 2006.
2. Kaya H., Çavuşoğlu A., Çakmak H., Şen B., Delen D., Supporting the diagnosis process and processes after treatment by using image segmentation and image simulation techniques: Keratoconus example, Journal of the Faculty of Engineering and Architecture of Gazi University, 31 (3), 737-747, 2016.
3. Avcı E., Tuncer T., Avcı D., A new data hiding algorithm based on minesweeper game for binary images, Journal of the Faculty of Engineering and Architecture of Gazi University, 3(4), 951-959, 2016.
4. Selvi E., Selver M., Kavur A., Güzeliş C., Dicle O., Segmentation of abdominal organs from MR images using multi-level hierarchical classification, Journal of the Faculty of Engineering and Architecture of Gazi University, 30 (3), 533-546, 2015.
5. Gaikwad V., Lokhande S., Lane departure identification for advanced driver assistance, IEEE Transactions on Intelligent Transportation Systems, 16 (2), 910-918, 2015.
6. Duda R.O., Hart P.E., Use of the Hough transformation to detect lines and curves in pictures, Communications of the ACM, 15 (1), 11–15, 1972.
7. Borkar A., Hayes M., Smith, M.T., A novel lane detection system with efficient ground truth generation, IEEE Transactions on Intelligent Transportation Systems, 13 (1), 365–374, 2012.
8. Bertozzi M., Broggi A., GOLD: A parallel real-time stereo vision system for generic obstacle and lane detection, IEEE Transactions on Image Processing, 7 (1), 62-81, 1998.
9. Fischler M.A., Bolles R.C., Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography, Communications of the ACM, 24 (6), 381–395, 1981.
10. Kalman R.E., A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82 (1), 35-45, 1960.
11. Tapia-Espinoza R., Torres-Torriti M., Robust lane sensing and departure warning under shadows and occlusions, Sensors, 3 (1), 3270-3298, 2013.
12. Torr P.H.S., Zisserman A., MLESAC: A new robust estimator with application to estimating image geometry, Computer and Vision Image Understanding, 78 (1), 138–156, 2000.
13. Yoo H., Yang U., Sohn K., Gradient-enhancing conversion for illumination-robust lane detection, IEEE Transactions on Intelligent Transportation Systems, 14 (3), 1083-1094, 2013.
14. You F., Zhang R., Zhong L., Wang H., Xu J., Lane detection algorithm for night-time digital image based on distribution feature of boundary pixels, Journal of the Optical Society of Korea, 17 (2), 188-199, 2013.
15. Otsu N., A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man and Cybernetics, 9 (1), 62-66, 1979.
16. Mammeri A., Boukerche A., Tang Z., A real-time lane marking localization, tracking and communication system, Computer Communications, 73, 132-143, 2016.
17. Matas J., Chum O., Urban M., Pajdla T., Robust wide baseline stereo from maximally stable extremal regions, Image and Vision Computing, 22 (10), 761-767, 2004.
18. Stephens R.S., Probabilistic approach to the Hough transform, Image and Vision Computing, 9 (1), 66-71, 1991.
19. Küçükyıldız G., Ocak H., Development and optimization of a DSP-based real-time lane detection algorithm on a mobile platform, Turkish Journal of Electrical Engineering and Computer Sciences, 22 (6), 1484-1500, 2012.
20. Shin B., Tao J., Klette R., A superparticle filter for lane detection, Pattern Recognition, 48 (11), 3333-3345, 2015. 21. Nieto M., Laborda J.A., Salgado L., Road environment modeling using robust perspective analysis and recursive Bayesian segmentation, Machine Vision and Applications, 22 (6), 927-945, 2011.
22. Aly M., Real time detection of lane markers in urban streets, IEEE Intelligent Vehicle Symposium, Hollanda, 7-12, 2008.
23. Funk N., A study of the Kalman filter applied to visual tracking, Teknik Rapor, University of Alberta, 2003.
24. Bar-Shalom Y., Birmiwal K., Variable dimension filter for maneuvering target tracking, IEEE Transactions on Aerospace and Electronic Systems, 18 (5), 621-629, 1982.