lane_detect

프로젝트 설명

이 프로젝트의 목적은 자동차에서 가져온 일련의 프레임에서 차선을 감지하고 추적하는 것입니다. 이 목적을 위해 사용되는 방법은 가중치가 부여된 절편 및 각도 점수를 사용하여 비교되는 선을 감지하는 Hough 변환입니다. 칼만 필터(Kalman Filter)는 허프 변환(Hough Transform)을 적용해야 하는 영역을 좁혀 성능을 향상시키는 데 사용됩니다.

이미지 처리

검출 확률을 높이고 계산 노력을 줄이기 위해 Hough 변환을 사용하기 전에 처리된 이미지입니다. 원본 이미지는 처음에 왼쪽 및 오른쪽 차선을 찾을 수 있는 두 개의 관심 영역으로 분할된 다음 적응형 임계값을 적용하기 전에 이러한 이미지의 노이즈를 제거하여 대비를 개선합니다. 적응형 임계값 지정 후 얻은 이미지는 가장자리를 얻기 위해 Canny 변환을 적용하기 전에 다시 노이즈 제거됩니다. 획득된 이미지는 다시 노이즈 제거되어 고역 통과 필터에 의해 증폭된 노이즈를 제거합니다.

차선 감지

그런 다음 처리 후 얻은 이미지에 허프 라인 변환을 적용하고 차선 표시가 가능할 만큼 각도가 가파른 선을 수집합니다. 그런 다음 이 선은 각도의 가중 합과 이미지 하단과의 절편을 기준으로 점수가 매겨집니다. 가장 높은 점수를 받은 라인이 가장 가능성이 높은 레인으로 선택됩니다.

칼만 필터

첫 번째 차선 표시를 감지한 후 Kalman 필터를 사용하여 다음 프레임의 차선 추정치를 예측합니다. 추정치는 추정치를 둘러싸는 좁은 스트립에 대한 후속 허프 변환의 적용 범위를 좁히는 데 사용됩니다. 이 좁은 스트립에서 적합한 차선을 찾을 수 없는 경우에도 전체 관심 영역에 대해 Hough 변환을 적용하여 차선을 찾습니다. 여전히 차선을 찾을 수 없는 경우 차선에 대한 칼만 추정이 차선 표시에 대한 최선의 추정인 것으로 가정됩니다.

결과

이 프로그램은 차선을 감지하고 추적하는 데는 매우 정확하지만 차선의 곡률이 특정 값을 초과하면 결과가 달라지는 경향이 있었습니다. 그러나 일시적인 하향 이후 예측은 다시 실제 측정값과 수렴하기 시작했습니다.