Yapay görü teknikleri ile şerit çizgisi algılama ve sınıflandırma


Thesis Type: Postgraduate

Institution Of The Thesis: Marmara University, Institute for Graduate Studies in Pure and Applied Sciences, Turkey

Approval Date: 2018

Thesis Language: Turkish

Student: HALE YENGİNER

Supervisor: Hayriye Korkmaz

Abstract:

YAPAY GÖRÜ TEKNİKLERİ İLE ŞERİT ÇİZGİSİ ALGILAMA VE SINIFLANDIRMA İleri Sürüş Destek Sistemleri (İSDS), trafikte hareket halindeki araçlarda, çarpışma veya şeritten ayrılma, kırmızı ışık ihlali gibi oluşabilecek tehlikeli durumların önceden tespiti ve önlenmesine yönelik geliştirilmiş, günümüzde üst sınıf araçlarda hali hazırda kullanılan sistemlerdir. Geliştirilen uygulamalar, güvenlik, ekonomik ve konfor olmak üzere 3 temel grupta yoğunlaşmaktadır. Bu tez çalışmasında, güvenlik destek sistemleri altında yer alan şerit çizgilerinin algılanması ve sınıflandırılması uygulaması ele alınmış ve gerçekleştirilmiştir. Sistem, yapay görü teknikleri ile LabVIEW platformunda “Vision and Motion” fonksiyon paleti nesneleri kullanılarak tasarlanmıştır. Sentetik ve gerçek yol görüntülerinin bulunduğu veri setleri üzerinde çalışılmıştır. Farklı görüş açılarından elde edilmiş gerçek yol görüntüleri, aynı zamanda gölge, yansıma, silinmiş yol çizgisi, kötü hava ve farklı gün ışığı gibi olumsuz koşulları da barındırmaktadır. Sistem, ön işlemler, bölütleme, çizgi algılama ve sınıflandırma olmak üzere dört temel adımdan oluşmaktadır. Ön işlemler adımında, Canny kenar belirleme algoritması ile genişletme (dilate) ve aşındırma (erode) operatörlerinin kullanıldığı matematiksel morfolojik işlemlerden faydalanılmıştır. Şerit çizgisinin algılanmasında Hough dönüşümü kullanılmıştır. Çizgi türünün sınıflandırılmasında ise, if – then – else yapısından oluşan basit bir kural tabanı ile düz ve kesik ayrımı yapılmıştır. Çalışmalar süresince, 15 adet sentetik görüntünün yer aldığı Clipartfest veri seti ile 168 adet gerçek yol görüntüsünün yer aldığı Carnegie Mellon Üniversitesi Robotik Enstitüsü Görme ve Otonom Sistemler Merkezi’ nden ve tarafımızdan farklı mobil cihaz kameraları kullanılarak elde edilen veri setlerinden faydalanılmıştır. Deneyler bu veri setlerinden rastgele seçilen 30 görüntü üzerinde gerçekleştirilmiştir. Gerçekleştirilen deneylerde şerit çizgisi algılama ve sınıflandırma başarısı % 77 olarak tespit edilmiştir. ABSTRACT LANE DETECTION AND CLASSIFICATION BY USING MACHINE VISION TECHNIQUES The Advanced Driver Assistance Systems (ADAS) are currently used in upper class vehicles in traffic for collision, lane departure and red light warning, etc. Developed applications are focused on three main topics: safety, economic and comfort. In this thesis, the detection and classification of the lane lines under the safety sub-topic has been dealt and implemented. The system has been developed in LabVIEW platform by using "Vision and Motion" function palette objects based on machine vision techniques. Dataset with synthetic and real road images were studied. Real road images were obtained from different points of view and also include adverse conditions such as shadow, reflection, bad weather, different daylights and deleted lane lines. The system consists of four basic steps: preprocessing, segmentation, lane line detection and classification. In the preprocessing step, the Canny edge detection algorithm and mathematical morphological operations including dilate and erode operators was used respectively. The Hough Transform was used to detect the lane line locations in the image. In classification step, a simple rule base consisting if - then - else structure was used to distinguish between straight and dashed lane lines. During the work, different datasets were used. These are obtained from Clipartfest, different mobile phone camera and Carnegie Mellon University Robotic Institute Vision and Autonomous Systems Center's. There are 15 synthetic images on Clipartfest and 168 real road images on other datasets. Experiments were performed on 30 images selected randomly from these datasets. In the experiments, the lane line detection and classification performance was determined as 77%.