Road Lane And Traffic Sign Detection And Tracking
Summary:
The field of Intelligent Transport Systems (ITS) is advancing rapidly in the world. The ultimate aim of such systems is to realize fully autonomous vehicles. The researches in the field offer the potential for significant enhancements in safety and operational efficiency. Lane tracking is an important topic in autonomous navigation because the navigable region in a road usually stands between the lanes, especially in urban environments. Several approaches have been proposed, but Hough transform seems to be the dominant one among all. A robust lane tracking method is also required for reducing the effect of the noise and satifying processing time constraints. In this study, we present a new lane tracking method which uses a partitioning technique for obtaining Multi-resolution Hough Transform (MHT) of the acquired vision data. After the detection process, a Hidden Markov Model (HMM) based method is proposed for tracking the detected lanes. Traffic signs are important instruments to indicate the rules on roads. This makes them an essential part of the ITS researches. It is clear that leaving traffic signs out of concern will cause serious consequences. Although the car manufacturers have started to deploy intelligent sign detection systems on their latest models, the road conditions and variations of actual signs on the roads require much more robust and fast detection and tracking methods. Localization of such systems is also necessary because traffic signs differ slightly between countries. This study also presents a fast and robust sign detection and tracking method based on geometric transformation and genetic algorithms (GA). Detection is done by a genetic algorithm (GA) approach supported by a radial symmetry check so that false alerts are considerably reduced. Classification is achieved by a combination of SURF features with NN or SVM classifiers. A heuristic alternative to the SURF usage is also presented. Time and accuracy analysis can be found in relevant sections. This work is a part of the Automatic Driver Evaluation System (ADES) Project in Artificial Intelligence Laboratory of Boğaziçi University.
Özet:
Akıllı Taşıma Sistemleri üzerine araştırmalar hızla ilerlemekte. Bu sistemlerin nihai amacı tamamen otonom araçları gerçek hale getirmek. Bu alandaki araştırmalar, hem güvenlik ve hem de operasyonel verimlilik açılarından önemli potansiyel arz ediyor. Şerit takibi, otonom araç seyrinin (navigasyon) önemli bir parçası olarak öne çıkıyor. Bunun nedeni, seyredilecek yolun, özellikle kentsel yollarda, şeritler arasındaki bölge olması. Bu amaçla birçok bilimsel yaklaşım ileri sürülmekle birlikte, bunların arasında Hough dönüşümü öne çıkmakta. Verideki gürültüyü azaltmak ve sınırlı işlem süresinde sonuca ulaşmak için sağlam bir metod tasarlamak gerekiyor. Bu çalışmamızda resmi bölümlere ayırmak kaydıyla Çok Aşamalı Hough Dönüşümü gerçekleştiren bir şerit takip sistemi sunuyoruz. Şerit tespit aşamasının ardından Saklı Markov Modeli temelli bir şerit takip sistemi öneriliyor. Trafik tabelaları ise yollardaki kuralları belirten önemli enstrümanlardır. Bu sebeple otonom araç çalışamalarının önemli parçasıdırlar. Tabelaların kapsam dışı bırakılması gerçekçi sonuçlar alınmasını imkansız kılacaktır. Otomotiv üretici firmaları yeni modellerinde trafik tabelası tanıyabilen akıllı sistemler sunmaya başladılar. Fakat yollardaki beklenmedik durumlar ve tabelaların önemli farklılıklar göstermesi sebebiyle çok daha güvenli ve hızlı tabela tanıma sistemlerine ihtiyaç duyuluyor. Bu sistemler için yerelleştirme de gerekli çünkü trafik tabelaları ülkeden ülkeye farklılıklar arz edebilmekte. Bu çalışmamızda tabela tespit ve takibi için de bir yöntem sunmaktayız. Radyal simetri tabanlı geometrik dönüşümler ve genetik algoritma kullanarak tabelaları tespit ediyoruz. Tespit edilen tabelalar, SURF niteliklerini Yapay Sinir Ağları veya Destek Vektör Makinelerine besleyerek sınıflandırılıyor. SURF'a alternatif olarak bir sezgisel bir yöntem de deneniyor. Zaman ve doğruluk analizleri ilgili bölümlerde bulunabilir. Bu çalışma Boğaziçi Üniversitesi Yapay Zeka Laboratuvarı'nda yürütülen Otonom Sürüş Değerlendirme Projesi'nin bir parçası olarak ortaya çıkmıştır.