Verteidigung Bachelorarbeit Matthias Jauernig 25 10 06 Einsatz

Verteidigung Bachelorarbeit Matthias Jauernig 25. 10. 06 Einsatz von Algorithmen der Photogrammetrie und Bildverarbeitung zur Einblendung spezifischer Lichtraumprofile in Videosequenzen

Inhalt 1. 2. 3. 4. Einleitung, Zielsetzung und Aufgabenanalyse Vergleichbare Ansätze Photogrammetrie Algorithmus zur Schienenerkennung n n 5. 6. Linienerkennung und Schienenextraktion Einzeichnung des Lichtraumprofils Testfälle Schlussbemerkungen und Ausblick

(1) Einleitung

(1) Einleitung Mehr Rechenleistung erlaubt verstärkten Einsatz von Bildverarbeitungstechniken n Eurailscout: n Europaweit agierendes Unternehmen n Instandhaltung von Bahnanlagen: Fahrdrahtgeometrie, Oberleitungen, Auswertung von Messvideos n

(1) Zielsetzung Entwicklung eines Softwaremoduls und darauf basierendes Test-Applikation n Auswertung von Messvideos n Einzeichnung eines maßstäblichen Lichtraumprofils auf aktueller Fahrspur n

(1) Typische Messvideo-Aufnahme

(1) Bedingungen an die Software Möglichst hohe Genauigkeit der Einzeichnung n Keine Echzeitanforderungen n Test-Applikation kann Prototyp-Charakter haben n

(1) Aufgabenanalyse n Erkennung der Fahrspur nötig stellt größte Herausforderung dar n Vorhandene Algorithmen nutzbar? n n Entfernungsmessungen im Bild nötig

(2) Vergleichbare Ansätze

(2) Vergleichbare Ansätze n n Vor allem bei Fahrspurerkennung im Straßenverkehr Algorithmen kaum übertragbar: n n n Stützen sich auf weitere Annahmen: homogener Farbbereich, helle Markierungen Weiteres Vorwissen bekannt: minimale Kurvenradien, keine Spuränderungen, Spurweite nur Algorithmen-Teile verwendbar Entwicklung eines eigenen Algorithmus

(3) Einsatz von Photogrammetrie

(3) Einsatz von Photogrammetrie n n Photogrammetrie: beschäftigt sich mit 3 D -Rekonstruktion von Objekten aus perspektivischen Abbildungen Einsatz hier: n n n Math. Zusammenhang zwischen Welt- und Bildkoordinaten herstellen Entfernungsmessung im Videobild Maßstäbliche Einzeichnung des Lichtraumprofils

(4) Algorithmus zur Schienenerkennung

(4) Algorithmus zur Schienenerkennung n Grundlegende Idee: n n n Unterteile Bildraum in horizontale Bereiche Nimm Schienen in jedem Bereich als linear an Hough-Transformation für Geraden Vorgehen für jedes Bild: 1. 2. Führe Schienenerkennung für jeden Teilbereich i durch Kandidaten wij Ermittle besten Kandidaten W als stückweise lineare Schiene aus wij jedes Teilbereichs i

(4) Einteilung in horizontale Bereiche

(4) Algorithmus zur Schienenerkennung n Schienenerkennung für jeden Teilbereich: 1. 2. 3. 4. Bildvorverarbeitung Kantenerkennung Hough-Transformation für Geraden Extraktion der besten Schienenkandidaten

(4) Kantenerkennung n n n Grundlegend für Funktionieren der Hough -Transformation Basierend auf lokalen Grauwertunterschieden Kritischster Teil, muss zuverlässige Ergebnisse liefern

(4) Hough-Transformation n Voraussetzung: Kantenbild Erkennung von beliebigen parametrisierbaren geometrischen Objekten: z. B. Geraden, Kreise, Ellipsen robust, rauschunempfindlich

(4) Algorithmus im Detail n Erkenne Linien: n Beste Kandidaten:

(4) Algorithmus im Detail n Wahl bester Kandidaten: 1 -normierte gewichtete Summe über folgende Kriterien: 1. 2. 3. 4. Abweichung von idealem Schienenabstand Wert der beiden Linien im Hough-Akku Abweichung von Voraussagewerten Wert des Schienenkandidaten aus vorhergehendem Teilbereich (für obere Teilbereiche)

(4) Algorithmus im Detail n Erkenne Linien: n Beste Kandidaten:

(4) Algorithmus im Detail n Teilstücke zu Gewinner zusammenfügen:

(4) Schienenmodell n In Schienenmodell einpassen: n Parabolisches bzw. linearparabolisches Modell

(4) Lichtraumprofil einzeichnen n Einzeichnungsentfernung abmessen und dadurch Fußpunkt ermitteln Winkel im Fußpunkt bestimmen und Lichtraumprofil entsprechend drehen Lichtraumprofil einzeichnen

(5) Testfälle

(5) Testfälle n Beispiel einer perfekten Erkennung:

(5) Testfälle n Erkennung in schattierter Situation:

(5) Testfälle n Erkennung im Tunnel:

(5) Testfälle n Gute Erkennung in schwieriger Situation:

(5) Testfälle n Unten Schatten als Schiene erkannt:

(5) Testfälle n Abweichung im oberen Bereich:

(5) Testfälle n Fehlerkennung bei Tunnel-Einfahrt:

(5) Testfälle n Falsche Schiene als Fahrspur erkannt:

(7) Schlussbemerkungen und Ausblick

(7) Schlussbemerkungen n n 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 n n n Bildraumbegrenzung Winkelbegrenzung sowie deren Einsatz bei der Kantendetektion und der HT Algorithmus zur Schienenerkennung: n n 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 n n n 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

Ende Vielen Dank für Ihre Aufmerksamkeit!