Verteidigung Bachelorarbeit

Matthias Jauernig

25.10.06

Einsatz von Algorithmen der Photogrammetrie und Bildverarbeitung zur Einblendung spezifischer Lichtraumprofile

in Videosequenzen

Inhalt

1. Einleitung, Zielsetzung und Aufgabenanalyse

2. Vergleichbare Ansätze

3. Photogrammetrie

4. Algorithmus zur Schienenerkennung Linienerkennung und Schienenextraktion Einzeichnung des Lichtraumprofils

5. Testfälle

6. Schlussbemerkungen und Ausblick

(1) Einleitung

Einleitung

Mehr Rechenleistung erlaubt verstärkten Einsatz von Bildverarbeitungstechniken

Eurailscout: Europaweit agierendes Unternehmen Instandhaltung von Bahnanlagen:

Fahrdrahtgeometrie, Oberleitungen, Auswertung von Messvideos

(1)

Zielsetzung

Entwicklung eines Softwaremoduls und darauf basierendes Test-Applikation

Auswertung von Messvideos Einzeichnung eines maßstäblichen

Lichtraumprofils auf aktueller Fahrspur

(1)

Typische Messvideo-Aufnahme(1)

Typische Messvideo-Aufnahme(1)

Bedingungen an die Software

Möglichst hohe Genauigkeit der Einzeichnung

Keine Echzeitanforderungen Test-Applikation kann Prototyp-Charakter

haben

(1)

Aufgabenanalyse

Erkennung der Fahrspur nötig stellt größte Herausforderung dar Vorhandene Algorithmen nutzbar?

Entfernungsmessungen im Bild nötig

(1)

(2) Vergleichbare Ansätze

Vergleichbare Ansätze

Vor allem bei Fahrspurerkennung im Straßenverkehr

Algorithmen kaum übertragbar: Stützen sich auf weitere Annahmen:

homogener Farbbereich, helle Markierungen Weiteres Vorwissen bekannt: minimale

Kurvenradien, keine Spuränderungen, Spurweite

nur Algorithmen-Teile verwendbar

(2)

Entwicklung eines eigenen Algorithmus

(3) Einsatz von Photogrammetrie

Einsatz von Photogrammetrie

Photogrammetrie: beschäftigt sich mit 3D-Rekonstruktion von Objekten aus perspektivischen Abbildungen

Einsatz hier: Math. Zusammenhang zwischen Welt- und

Bildkoordinaten herstellen Entfernungsmessung im Videobild Maßstäbliche Einzeichnung des

Lichtraumprofils

(3)

(4) Algorithmus zur Schienenerkennung

Algorithmus zur Schienenerkennung

Grundlegende Idee: Unterteile Bildraum in horizontale Bereiche Nimm Schienen in jedem Bereich als linear

an Hough-Transformation für Geraden Vorgehen für jedes Bild:

1. Führe Schienenerkennung für jeden Teilbereich i durch Kandidaten wij

2. Ermittle besten Kandidaten W als stückweise lineare Schiene aus wij jedes Teilbereichs i

3. Passe W in Schienenmodell ein

(4)

Einteilung in horizontale Bereiche

(4)

Algorithmus zur Schienenerkennung

Schienenerkennung für jeden Teilbereich:

1. Bildvorverarbeitung

2. Kantenerkennung

3. Hough-Transformation für Geraden

4. Extraktion der besten Schienenkandidaten

(4)

Kantenerkennung

Grundlegend für Funktionieren der Hough-Transformation

Basierend auf lokalen Grauwertunterschieden

Kritischster Teil, muss zuverlässige Ergebnisse liefern

(4)

Hough-Transformation

Voraussetzung: Kantenbild Erkennung von beliebigen

parametrisierbaren geometrischen Objekten: z.B. Geraden, Kreise, Ellipsen

robust, rauschunempfindlich

(4)

Algorithmus im Detail

Erkenne Linien:

(4)

Beste Kandidaten:

Algorithmus im Detail

Wahl bester Kandidaten: 1-normierte gewichtete Summe über folgende Kriterien:

1. Abweichung von idealem Schienenabstand

2. Wert der beiden Linien im Hough-Akku

3. Abweichung von Voraussagewerten

4. Wert des Schienenkandidaten aus vorhergehendem Teilbereich (für obere Teilbereiche)

(4)

Algorithmus im Detail

Erkenne Linien:

(4)

Beste Kandidaten:

Algorithmus im Detail

Erkenne Linien:

(4)

Beste Kandidaten:

Algorithmus im Detail

Erkenne Linien:

(4)

Beste Kandidaten:

Algorithmus im Detail

Teilstücke zu Gewinner zusammenfügen:

(4)

Schienenmodell

In Schienenmodell einpassen:

(4)

Parabolisches bzw. linear-parabolisches Modell

Lichtraumprofil einzeichnen

Einzeichnungsentfernung abmessen und dadurch Fußpunkt ermitteln

Winkel im Fußpunkt bestimmen und Lichtraumprofil entsprechend drehen

Lichtraumprofil einzeichnen

(4)

(5) Testfälle

Testfälle

Beispiel einer perfekten Erkennung:

(5)

Testfälle

Erkennung in schattierter Situation:

(5)

Testfälle

Erkennung im Tunnel:

(5)

Testfälle

Gute Erkennung in schwieriger Situation:

(5)

Testfälle

Unten Schatten als Schiene erkannt:

(5)

Testfälle

Abweichung im oberen Bereich:

(5)

Testfälle

Fehlerkennung bei Tunnel-Einfahrt:

(5)

Testfälle

Falsche Schiene als Fahrspur erkannt:

(5)

(7) Schlussbemerkungen und Ausblick

Schlussbemerkungen

Erreicht: prototypische Entwicklung eines Algorithmus zur Schienenerkennung, arbeitet in vielen Fällen sehr gut

„Flaschenhals“ Kantendetektion Software gut zur Unterstützung

manueller Messvideo-Auswertung geeignet

„Nebenprodukt“ Bildverarbeitungsbibliothek

(7)

Eigener Beitrag

Bildraumbegrenzung Winkelbegrenzung sowie deren Einsatz

bei der Kantendetektion und der HT Algorithmus zur Schienenerkennung:

Unterteilung in horizontale Teilbereiche Extraktion von Linien und

Schienenkandidaten, 4 Kriterien hierbei Zusammensetzung der stückweise linearen

Schiene, Einpassung in Schienenmodell Einzeichnung des Lichtraumprofils

(7)

Ausblick

Weiteres Testmaterial auswerten Verbesserungen des Algorithmus Ersetzung der parabolischen Modelle Weitere Eingrenzung von Bildraum und

Winkelbereich anhand voriger Erkennungen Effizientere Algorithmen-Implementierungen Einbindung des Algorithmus in weitere

Entwicklungen

(7)

EndeVielen Dank für Ihre Aufmerksamkeit!