Thomas Hrabe

Chair for Image UnderstandingComputer Science

Technische Universität München

hrabe@in.tum.de

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