Adaptive Farbklassifikation von Straßenbelag und Begrenzungslinien
10
Thomas Hrabe Chair for Image Understanding Computer Science Technische Universität München [email protected] Adaptive Farbklassifikation von Straßenbelag und Begrenzungslinien
description
Adaptive Farbklassifikation von Straßenbelag und Begrenzungslinien. Motivation. Adaptive Fahrbahnerkennung Beliebige Wetterlage Zeit Fahrassistenzsysteme Unterstützung bei schwierigen Situationen Erkennen der Fahrtrichtung. Inhalt. Szenarien Arbeitsablauf Farben & Features - PowerPoint PPT Presentation
Transcript of Adaptive Farbklassifikation von Straßenbelag und Begrenzungslinien
Thomas Hrabe
Chair for Image UnderstandingComputer Science
Technische Universität München
Adaptive Farbklassifikation von Straßenbelag und Begrenzungslinien
17.1.2007 2/10Technische Universität MünchenThomas Hrabe
Motivation Adaptive
Fahrbahnerkennung Beliebige
Wetterlage Zeit
Fahrassistenzsysteme Unterstützung bei
schwierigen Situationen Erkennen der
Fahrtrichtung
17.1.2007 3/10Technische Universität MünchenThomas Hrabe
Inhalt
Szenarien Arbeitsablauf Farben & Features Klassifikatoren Ergebnisse
17.1.2007 4/10Technische Universität MünchenThomas Hrabe
Szenarien
17.1.2007 5/10Technische Universität MünchenThomas Hrabe
Arbeitsablauf Step 1 : Bestimme Durchschnitt der Straßenfarbe Step 2 : Berechnen zusätzlicher Information Step 3 : Klassifizieren von jedem Pixel Step 4 : Erkennung der Straßenrichtung
17.1.2007 6/10Technische Universität MünchenThomas Hrabe
Farben & Features Farbräume
RGB, nRGB, HSV
Adaptive Features
Zusätzliche Features X = Rot + Grün Y = Base - Saturation
Featureraum mit 26 Features
17.1.2007 7/10Technische Universität MünchenThomas Hrabe
Klassifikatoren
Minkovski
Distanz
Mahalnobis
Distanz
Entscheidungs
Bäume
Kriterium Mittelwert Kovarianz
matrix
Informations
gehalt
Form
17.1.2007 8/10Technische Universität MünchenThomas Hrabe
Ergebnisse
Statisch
Distanzen
Statisch
Bäume
Adaptiv
Distanzen
Adaptiv
Bäume
77% 82% 86% 93%
Statisch Adaptiv
17.1.2007 9/10Technische Universität MünchenThomas Hrabe
Weiterführung Reine Farbinformationen
92% Genauigkeit möglich Straße, Linie, Hintergrund
Zusätzlich Pixelposition 96% Genauigkeit möglich Erhebliche Hilfe für schwere
Szenarien
Wetterklassifikation Spezielle klassifikation für
Szenario
Selbsteinschätzung Bei schlechtem Ergebnis
Warnung an Fahrer
17.1.2007 10/10Technische Universität MünchenThomas Hrabe
Video
