Εντοπισμός θέσης και αναγνώριση σήματος φωτεινών σηματοδοτών οδικής κυκλοφορίας
| dc.contributor.advisor | Δερματάς, Ευάγγελος | |
| dc.contributor.author | Αζής, Γεώργιος | |
| dc.contributor.committee | Αντωνακόπουλος, Θεόδωρος | |
| dc.contributor.other | Azis, Georgios | |
| dc.date.accessioned | 2019-02-01T18:11:56Z | |
| dc.date.available | 2019-02-01T18:11:56Z | |
| dc.date.copyright | 2018-10-15 | |
| dc.degree | Διπλωματική Εργασία | el |
| dc.description.abstract | Η χρήση της τεχνολογίας στα οχήματα αυξάνεται με ραγδαίους ρυθ- μούς, με αποτέλεσμα τα οχήματα που παράγονται να είναι ασφα- λέστερα από τους προκατόχους τους. Ως αποτέλεσμα, ο αριθμός των αυ- τοκινητιστικών δυστυχημάτων έχει μειωθεί αισθητά τα τελευταία χρόνια. Παρόλα αυτά το πρόβλημα της οδικής ασφάλειας δεν έχει λυθεί. Τα τε- λευταία χρόνια η υπολογιστική ισχύς των συστημάτων έχει αυξηθεί με ραγδαίους ρυθμούς. Παράλληλα, η κατανάλωση ενέργειας έχει μειωθεί με αποτέλεσμα η βιομηχανία να είναι σε θέση να χρησιμοποιήσει τους πολύ- πλοκους αλγορίθμους μηχανικής όρασης για την υποβοήθηση των οδηγών. Η παρούσα διπλωματική εργασία εστιάζει στην ανάπτυξη ενός συστήμα- τος για την αυτόνομη ανίχνευση φωτεινών σηματοδοτών. Στην παρούσα ερ- γασία χρησιμοποιούνται τεχνικές ανάλυσης της χρωματικής πληροφορίας, αναζήτηση των συμμετριών καθώς και χωροχρονική ανίχνευση των απο- τελεσμάτων. Ο στόχος είναι η δημιουργία ενός συστήματος το οποίο δεν θα επηρεάζεται από καιρικές αλλαγές καθώς και από αλλαγές στην φω- τεινότητα. Για τον παραπάνω λόγο χρησιμοποιήθηκε ο χρωματικός χώρος CIE L*a*b* ο οποίος επηρεάζεται λιγότερο από αλλαγές στον φωτισμό σε σχέση με τους υπόλοιπους. Στην συνέχεια παράγεται μια grayscale εικόνα στην οποία τα κόκκινα pixels εμφανίζονται ως φωτεινά ενώ τα πράσινα pixels ως σκοτεινά. Τα υπόλοιπα χρώματα παίρνουν ενδιάμεσες τιμές. Για να επιτευχθεί αυτό χρησιμοποιήθηκε το κανάλι a, το οποίο περιέχει την κόκκινη-πράσινη χρωματική συνιστώσα. Στην συνέχεια χρησιμοποιείται η πληροφορία του L καναλιού για να ενισχυθούν οι διαφορές μεταξύ των φω- τεινών κόκκινων και πράσινων pixels. Ένα πρόβλημα το οποίο έπρεπε να αντιμετωπισθεί στο σημείο αυτό είναι το Blooming Effect. Το εύρος της κά- μερας δεν είναι σε θέση να αποτυπώσει τις πολύ φωτεινές πηγές της σκη- νής με αποτέλεσμα να υπάρχει κορεσμός των pixels ενδιαφέροντος και να εμφανίζονται ως λευκά. Έπειτα, εκμεταλλευόμενοι την συμμετρία των φω- τεινών σηματοδοτών, χρησιμοποιείται ο FRST μετασχηματισμός με στόχο την δημιουργία τοπικών μεγίστων και ελαχίστων στα κέντρα των φωτεινών και των σκοτεινών κυκλικών κηλίδων αντίστοιχα. Τέλος, ανιχνεύονται τα τοπικά μέγιστα και ελάχιστα και γίνεται ένας έλεγχος εμφάνισης τους σε διαδοχικά frames για την επαλήθευσή τους. Μέσω της διαδικασίας αυτής, προκύπτουν υποψήφιοι οι οποίο επαληθεύονται λανθασμένα. Ο αριθμός αυτών των υποψηφίων θα πρέπει να μένει όσο το δυνατόν χαμηλότερα. Το σύστημα θα πρέπει να έχει την δυνατότητα λειτουργίας σε πραγματικό χρόνο. Για να επιτευχθεί αυτό χρησιμοποιήθηκε το προγραμματιστικό μο- ντέλο της CUDA για την επιτάχυνση των αλγορίθμων μηχανικής όρασης. | el |
| dc.description.translatedabstract | The use of technology in automobiles is advancing rapidly and the vehicles we manufacture are safer than their predecessors. As a result, the loss of lives from traffic accidents decreased the past few years. However, the problem of road safety has not been solved yet. Since the processing power of modern CPUs has increased drastically and their power consumption has decreased, we are able to use complex computer vision algorithms to assist drivers. This thesis focuses on the design and implementation of a system for automatic detection of traffic lights. I use color image processing techniques along with symmetry detection algorithms and spatiotemporal tracking of my results. My goal is to design a system that is not affected by illumination or weather changes. That is the reason why I use the CIE L*a*b* color space which is robust to illumination changes. I produce a grayscale image in which the red pixels will appear bright and the green pixels dark while the rest of the colors will get values in between. The red-green opponency channel a* does exactly that. However, I use the information of channel L as well to enhance the difference between the bright red and green pixels. A problem that I had to deal with at this stage of the algorithm is the blooming effect. Sometimes, the dynamic range of our camera is unable to capture the very bright lights of the scene, thus the inner areas become saturated. By taking advantage of the radial symmetry of the traffic lights, I use the fast radical symmetry transformation to produce local maxima in the center of bright blobs and local minima in the center of dark blobs. These maxima and minima represent the red and green traffic lights respectively. Last but not least, I track the minima and maxima and use a spatiotemporal persistency check to verify the detected candidates. Through this process, there are also candidates that are falsely verified. Such candidates are named false-positive. The number of those results should be kept as low as possible. The design of a system that detects traffic lights and is running on an automobile, requires real-time performance. Since I aimed for a fast implementation, I chose to work with C++. To further support my goal and achieve real-time performance, I chose to take advantage of the natural parallelism in image processing and the capabilities of the GPGPU. I used parallel programming techniques and the programming model of CUDA in order to accelerate the execution of my program. As expected, the use of CUDA improved the running time and achieved promising results. Although, what I think is missing and should be explored in future research, is the ability of my program to anticipate a traffic light. Then my algorithm would be able to adapt its strictness factor and achieve better performance. | el |
| dc.identifier.uri | http://hdl.handle.net/10889/11881 | |
| dc.language.iso | gr | el |
| dc.rights | 0 | el |
| dc.subject | Επεξεργασία εικόνας | el |
| dc.subject | Παράλληλη επεξεργασία | el |
| dc.subject | Μηχανική όραση | el |
| dc.subject | Φωτεινοί σηματοδότες | el |
| dc.subject.alternative | Image processing | el |
| dc.subject.alternative | CUDA | el |
| dc.subject.alternative | Parallel computation | el |
| dc.subject.alternative | Computer vision | el |
| dc.subject.alternative | Traffic lights | el |
| dc.subject.ddc | 006.37 | el |
| dc.title | Εντοπισμός θέσης και αναγνώριση σήματος φωτεινών σηματοδοτών οδικής κυκλοφορίας | el |
| dc.title.alternative | Localization and recognition of traffic lights | el |
| dc.type | Thesis | el |