ВВЕДЕНИЕ 5
1 КРАТКИЕ ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ 7
1.1 ОБЩИЕ СВЕДЕНИЯ 7
1.2 ПЕРСПЕКТИВНАЯ ТРАНСФОРМАЦИЯ 8
1.3 ОПЕРАТОР CANNY 13
1.4 ОПЕРАТОР СОБЕЛЯ 18
1.5 АППРОКСИМАЦИЯ ФУНКЦИИ МЕТОДОМ НАИМЕНЬШИХ КВАДРАТОВ 24
2 РАЗРАБОТКА ПРОГРАММНОГО МОДУЛЯ 28
2.1 ОПИСАНИЕ РАЗРАБОТАННОГО АЛГОРИТМА 28
2.2 ОПИСАНИЕ ИСХОДНОГО КОДА 29
2.3 ИНТЕРФЕЙС ПРОГРАММЫ 35
2.4 ТЕСТИРОВАНИЕ ПРОГРАММЫ 36
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 38
ПРИЛОЖЕНИЕ А 40
ПРИЛОЖЕНИЕ Б
В современном мире развитие сферы автопилотируемых транспортных средств идет с огромной скоростью. Разрабатываются целые системы, позволяющие получать информацию из изображений и других источников и работать с ней для автоматизации движения транспортных средств. Ведущие IT компании, такие как Google [1], Yandex [2], Uber [3] и другие, уже имеют рабочие прототипы автомобилей с подключенными автопилотируемыми системами.
В данном вопросе широкое распространение сыскали технологии из области компьютерного зрения и нейросети.
В задачах с использованием компьютерного зрения ход работы можно разделить на несколько частей:
• подготовка материала к последующей обработке;
• обработка материала к виду, подходящему для алгоритмов задачи;
• обработка материала согласно задаче к результирующему виду.
Задача подготовки заключается в представлении данных к виду, подходящему к обработке с наиболее подходящим и точным результатом.
Задача обработки заключается в подходе подбора методов обнаружения и преобразования, калибровке материала c камеры и нахождении конечного результата на вывод.
Целью данной работы является исследование способов отслеживания и идентификации линий дорожной разметки. Данное решение применяется как в полноценных автопилотируемых системах, так и во вспомогательных водителю системах. Вычислительных мощностей становится достаточно, количество камер и качество их результата увеличивается, стоимость становится доступнее. Для этого будет проведено тестирование различных параметров на наборе данных (видеофрагментов), различающиеся контрастом, размерами, погодными условиями, искажением требуемой части данных и другими особенностями. Удовлетворительной производительностью будет считаться такая, которая будет производить анализ и обработку видеофайла на современном ноутбуке или ином подходящем для задачи устройстве с небольшим запозданием. В то же время для достижения той самой производительности и минимизации вероятности ошибки, необходимо подобрать наиболее подходящие математические алгоритмы и методы на каждом из этапов.
Для достижения основной цели можно сформулировать следующие задачи:
• разработать программный модуль идентификации линий дорожной раз¬метки;
• разработать алгоритм определения величины смещения дорожной раз¬метки;
• реализовать графический интерфейс программы;
• протестировать разработанный модуль на примерах.
Для достижения цели идентификации линий дорожной разметки прибегнем к использованию следующих областей: алгоритм Собеля, оператор Канни, перспективная трансформация изображения, аппроксимация распределения точек каждой из двух линий дорожной разметки, преобразование цветовой схемы, приведение гистограммы, наложение нескольких фильтров, калибровка камеры, сингулярное разложение и ряду других действий.
В процессе выполнения квалификационной работы был изучен теоретический материал, изучены различные методы распознавания на изображении линий дорожной разметки, функционал библиотеки OpenCV, разработан программный модуль для идентификации линий дорожной разметки, разработан алгоритм определения вели¬чины смещения автомобиля вдоль линий дорожной разметки. Для программы реализован графический интерфейс, позволяющий загружать видео, ставить на паузу и перематывать на интересующий пользователя фрагмент, выбирать для просмотра один из этапов алгоритма в отдельном поле. Разработанный модуль протестирован на ряде примеров.
Разработанный алгоритм отличается хорошей точностью величины смещения и определения линий, как на прямой, так и в поворотах. Для его работы достаточно одной лишь видеозаписи с видеорегистратора или камеры из салона автомобиля.
Стоит отметить, что производительность программы является неподходящей для работы в режиме реального времени. Следует распараллелить некоторые этапы алгоритма, с которыми хорошо справятся вычислительные мощности GPU процессоров.
Несмотря на это, все поставленные цели данной работы были достигнуты в пол¬ном объеме.
