Estado de Arte C

download Estado de Arte C

of 16

Transcript of Estado de Arte C

  • 7/23/2019 Estado de Arte C

    1/16

    ESTADO DEL ARTE.

    Este documento pretende introducir a los mtodos propuestos para la deteccin yseguimiento de la lnea del carril identificando las contribuciones mssignificativas.

    Para el anlisis del entorno de la carretera es necesario hacer una rectificacin delplano que permite eliminar la perspectiva de la imagen. Los beneficios de estoconlleva a que las lneas de la carretera tiendan a ser paralelas, que los carrilesaparecan con un ancho uniforme y que puedan estimarse las distancias entre lospuntos sobre el plano de la carretera haciendo ms fcil el anlisis de la curvaturaen la carretera.

    En la !igura "#a$ se muestra la imagen original capturada desde una cmara enuna autopista, en la !igura "#b$ se observa la transformacin proyectiva de laimagen denominada tambin cmo homografa del plano, mapeo de perspectivainversa #%P&$, visin de p'aro #bird(s )eye vie*$ o visin fronto+paralela".

    La tcnica de perspectiva inversa fue usada previamente por ertoi -, el cualutili las caractersticas de la cmara como lo son la apertura y la resolucin.

    dems de esto, tuvo en cuenta la calibracin de la cmara en un ambiente fi'o,controlando la direccin de visualiacin y el punto de vista. /odo esto combinadocon tcnicas bsicas de visin estreo que pueden ser divididas en cuatro pasos0

    1alibracin del sistema de visin.

    Localiacin de una caracterstica en una imagen.

    %dentificacin y localiacin de la misma caracterstica en la otra imagen.

    2econstruccin de la escena en tres dimensiones.

    /an3 concluye que la principal motivacin de ertoi fue la deteccin deobstculos, demostrando adicionalmente que el %P& tambin puede llegar a ser4til para la deteccin de carril. simismo ertoi plantea que el %P& puede demanera realista ser integrado en una aplicacin de ayuda al conductor por

    15%E/6, &arcos7 L628, 9on rrspide7 :L;86, Luis. 2oad environment

    modeling using robust perspective analysis and recursive ayesian segmentation.

    Machine Vision and Applications, --?+>@A.

    2E2/6BB%, &assimo7 26;;%, lberto7 !:1%6L%, lessandra. :tereo inverseperspective mapping0 theory and applications. Image and Vision Computing, ">>C, vol. "=,

    no C, p. ACA+A>

  • 7/23/2019 Estado de Arte C

    2/16

    implementacin en hard*are, mostrando cun rpido puede ser el proceso dereasignacin de puntos para obtener el %P&.

    :in embargo, /an se enfoca en la deteccin de flu'o ptico, partiendo en que el%P& simplifica el problema de la segmentacin de este, siendo muy 4til en

    situaciones prcticas al enfatiar en las medidas cuantitativas del flu'o ptico.!igura ". Proceso de segmentacin de una imagen. #a$ Plano de la carretera. #b$ Plano con a'uste

    de perspectiva.

    !uente0 5%E/6, &arcos7 L628, 9on rrspide7 :L;86, Luis. 2oad environment modelingusing robust perspective analysis and recursive ayesian segmentation. #:egmentation Process$.

    ly@ asume una carretera plana y concuerda con ertoi en el uso de lascaractersticas de la cmara para hallar el %P&. Estas caractersticas las divide enintrnsecas #distancia focal y centro ptico$ y etrnsecas #ngulo pitch, ngulo ya*y altura sobre el suelo$. 8el mismo modo asume que el sistema de coordenadasde la cmara est en el sistema de coordenadas del FmundoG como se muestra enla !igura -. El cual esta desplaado a una altura D, a una rotacin en el ngulopitch #rotacin con respecto al e'e H$ y en el ngulo ya* #rotacin con respecto ale'e I$. El ngulo roll #rotacin con respecto al e'e B$ no se asume, suponiendo que

    la cmara este correctamente instalada, lo que conlleva a que este ngulo seacero.

    Empeando por alg4n punto en el plano de la imagen, se obtienen lascoordenadas del frame y se re+escala su proyeccin sobre la carretera, la cual esencontrada aplicando una transformacin homognea del plano original teniendoen cuentas las caractersticas intrnsecas y etrnsecas de la cmara.

    4LI, &ohamed. 2eal time detection of lane marJers in urban streets. Intelligent Vehicles

    Symposium, 2008 IEEE. %EEE, -

  • 7/23/2019 Estado de Arte C

    3/16

    !igura -. E'e de coordenadas del %P&. 1oordenadas del mundo #H*, I*, By$ y coordenadas de lacmara #Hc, Ic, Ic$

    !uente0LI, &ohamed. 2eal time detection of lane marJers in urban streets. #%P& coordinates$.

    Por otro lado 5ietoAen su tesis doctoral plantea distintos casos para hallar el %P&

    teniendo todas, algunas o ninguna de las caractersticas intrnsecas y etrnsecasde la cmara. 1ada caso aumenta su comple'idad a medida que se omitencaractersticas, porque aumentan las incgnitas de la matri de proyeccin. /odoesto, para poder tener una relacin de distancias correctas en el plano rectificado,es decir, poder predecir distancias en la carretera, entre vehculos, carriles etc.

    Para el caso en que se desconoce la matri de calibracin de la cmara, latranslacin y rotacin relativa de la cmara, 5ieto y :algado =plantean que sepuede obtener el plano de homografa fcilmente a partir del punto de fugaubicado en el e'e B #K$, eliminando la distorsin de la perspectiva pero sin teneruna escala real de las distancias en el plano #bsicamente, el paralelismo$,

    aunque teniendo una leve distorsin afn.

    El mtodo requiere del clculo del punto de fuga principal de la carretera K.Luego se seleccionan cuatro puntos de la imagen como se representa en la !igura3. La seleccin de estos puede ser hecha por la unin del punto de fuga con lasesquinas inferiores de la imagen, seleccionando los puntos de interseccin deestas lneas con dos lneas horiontales a diferentes alturas. La homografa luegoes calculada a travs de un algoritmo de transformacin lineal directa #8L/$.

    55%E/6 8651EL, &arcos. Detection and tracking o !anishing points in dynamicen!ironments" Detecci#n y seguimiento de puntos de uga en entornos din$micos . -

  • 7/23/2019 Estado de Arte C

    4/16

    !igura 3. 1alculo de la homografa entre dos imgenes a partir de cuatro puntos. #a$ %magenoriginal #en pieles$. #b$ %magen rectificada #en pieles$.

    !uente0 5%E/6 8651EL, &arcos. Detection and tracking o !anishing points in dynamicen!ironments" Detecci#n y seguimiento de puntos de uga en entornos din$micos. #1omputation of

    the homography bet*een images from the correspondence of four points, *ith a resulting affinedistortion$.

    Los puntos de fuga son elementos muy importantes en el campo de la visinartificial, ya que son la fuente principal de informacin de un ambienteestructurado. n punto de fuga es un punto en el plano de la imagen en la que laimagen de lneas paralelas del escenario parece converger?. unque eistenmuchas estrategias para hallar los puntos de fuga de una imagen, todas estastienen un fundamento com4n que es usar algoritmos que buscan la interseccinde puntos de elementos con una orientacin como lneas, segmentos de lnea,bordes, etc.

    La continua estimacin de los puntos de fuga tambin permite estabiliar lasimgenes rectificadas, debido a la inherente inestabilidad que presentan lasimgenes %P& que puede causar que los clculos de estimacin del carril y sucurvatura sean incorrectos, aun cuando se tenga todas las caractersticasintrnsecas y etrnsecas de la cmara. 9aureguiarCusa el componente verticaldel punto de fuga para determinar la homografa que transforma la imagen naturalen la imagen %P&. La !igura @muestra dos imgenes donde el punto de fuga essignificantemente diferente pero correctamente estimado.

    7 5%E/6 8651EL 6p. 1it. 3.

    85%E/6, &arcos7 :L;86, Luis7 92E;%B2, !ernando. 2obust road modeling

    based on a hierarchical bipartite graph. Intelligent Vehicles Symposium, 2008 IEEE. %EEE,

    -

  • 7/23/2019 Estado de Arte C

    5/16

    !igura @. La imagen #a$ y #b$ son de la misma secuencia pero con diferentes puntos de fuga.

    !uente05%E/6, &arcos7 :L;86, Luis7 92E;%B2, !ernando. 2obust road modeling basedon a hierarchical bipartite graph.#/*o images belonging to the same sequence, *ith notably

    different vanishing points that are correctly estimated$.

    Mang>

    usa los puntos de fuga como base inicial del modelado de la carretera.sume que la carretera tiene dos lmites paralelos en el suelo y que el camino esaproimadamente recto. La imagen es divida en cinco secciones horiontalescomo muestra la ,en orden de acomodar el cambio en el punto de fuga debido ala curva de la carretera. Luego crea una lnea intermedia a las dos lneas quehacen referencia al carril de cada seccin y continundola hasta la lnea de fuga,estimando as el punto de fuga al que converge la lnea intermedia de cada una delas secciones. 1abe resaltar que Mang no usa %&P, l toma el punto de fuga comopartida para el modelado de la carretera.

    !igura A. Estimacin de la lnea media. #a$ Proyeccin del punto de fuga. #b$ Estimacin de la lneaintermedia en la carretera.

    !uente0M5;, Iue7 /E6D, Eam Nh*ang7 :DE5, 8inggang. Lane detection and tracJing using +:naJe. #Estimate mid+line of road$.

    9M5;, Iue7 /E6D, Eam Nh*ang7 :DE5, 8inggang. Lane detection and tracJing using

    +:naJe. Image and Vision computing, -

  • 7/23/2019 Estado de Arte C

    6/16

    Por otro lado 8ahnoun"

  • 7/23/2019 Estado de Arte C

    7/16

    rpidamente, 5ieto"@ plantea que usando la estimacin de los puntos de fuga eninstantes previos de tiempo como una prediccin que gua a la seleccin de &::#muestra mnima de un subcon'unto$, que de otra manera sera aleatoria. Esteenfoque puede ser usado para el seguimiento de puntos de fuga a travs de unasecuencia de imgenes. Por otro lado eisten algunas variaciones del algoritmo

    25:1 que son &:1 y &L:1 cuya idea principal es evaluar la calidad delcon'unto de consenso y luego calcular la probabilidad, los cuales pueden llegar atener un me'or rendimiento que el simple 25:1.

    Para optimiar el clculo del punto de fuga, 5ieto agrega un algoritmo de Eesperana+maimiacin$ que parte de los resultados obtenidos por unaestrategia de inicialiacin, que se puede basar en la transformada Dough, o en elalgoritmo 25:1 o algunas de sus variaciones #&:1, &L:1$, permitiendotener estimaciones ms eactas del punto de fuga. Por este propsito es requeridoinicialiar lneas de soporte, que son la que se encuentran en cada punto de fuga./picamente es suficiente usar dos lneas de soporte por punto de fuga. En casode los que el punto de fuga se encuentre dentro de los lmites de la imagen, seusa una estrategia llamada Fimage)plane EMG que incluye informacin sobre laorientacin en el modelo de probabilidad #dado por pieles+gradientes osegmentos de lnea$ y una distribucin adicional de valores atpicos en el modelode mecla. 8ado un segundo caso, en el que el punto de fuga se encuentra fuerade los lmites de la imagen, se usa una estrategia llamada Fproyecti!e)plane EMGque etiende la solucin propuesta en el primer enfoque considerando laestimacin de m4ltiples puntos de fuga en el plano proyectado, esta estrategia esuna etensin de la primera, y la solucin es ms comple'a dependiendo laconfiguracin de los puntos de fuga en el plano.

    La deteccin lneas o segmentos de lneas puede ser de gran ayuda para inferirpropiedades geomtricas, tales como el proceso que convierte los elementos deun mundo 38 en una imagen -8. Los ambientes construidos por el hombrecontienen m4ltiples segmentos de lnea orientados hacia un n4mero dedirecciones comunes, que pertenecen a superficies planas, como el piso, puertas,muros o edificios. Por esta ran, los segmentos de lnea pueden ser utiliadoscomo caractersticas de ba'o nivel para problemas de visin artificial, comodeteccin de puntos de fuga, auto+calibracin, tcnicas de rectificacin del plano,reconstruccin 38 o seguimiento de ob'etos.

    Dasta la presente se han desarrollado varios algoritmos de deteccin del carril quese basan en la visin, los cuales usan diferentes modelos de lneas #lneas solidas

    o corridas pintadas de blanco$, diferentes modelos de carretera #rectas o curvas,-8 o 38$ y diferentes tcnicas #Dough, combinacin de patrones, redesneuronales, etc$. Mang"A seala dos clases de aproimaciones usadas en la

    14 5%E/6 8651EL 6p. 1it. 3.

    15 M5; 6p. 1it. @.

  • 7/23/2019 Estado de Arte C

    8/16

    deteccin de la lnea0 la tcnica basada en caractersticas y la tcnica basada enel modelo. La primera tcnica localia las lneas en la imagen de la carreteramediante la combinacin de las caractersticas de ba'o nivel, las cuales requierentener las lneas bien pintadas o los bordes de carril fuertes, para que no seproduca un error. Esta tcnica puede llegar a tener desventa'as de oclusin o

    ruido. Por otra parte, la segunda tcnica usa pocos parmetros para representarlos carriles, suponiendo que sean lneas rectas o curvas parablicas, que conllevaal clculo del procesamiento de los parmetros del modelo, siendo ms robustaante el ruido.

    Para la deteccin de lneas Mang sugiere el uso del algoritmo 1anny, que seencarga de etraer los bordes de la imagen mediante el clculo de los cambiosrepresentativos en la intensidad de los pieles. Lo que permite realiar latransformada de Dough, la cual hace las agrupaciones de los puntospertenecientes a los bordes etrados.

    ly"=parte del plano en el dominio de la perspectiva inversa, al cual le aplica unfiltro basado en un Nernel ;aussiano de dos dimensiones como el que se muestraen la !igura =#a$. Este se a'usta especficamente en las lneas verticales brillantessobre un fondo oscuro.

    !igura =. %magen filtrada y umbral. #a$ Nernel usado para el filtro. #b$ %magen despus de filtrar. #c$%magen despus del umbral.

    !uente0 LI, &ohamed. 2eal time detection of lane marJers in urban streets. #%mage filtering andthresholding$.

    1on la mscara dada por el umbral de la imagen filtrada !igura =#c$, ly usa dostcnicas para la deteccin de la lnea0 na versin simplificada de la /ransformadade Dough para contar cuantas lneas hay en la imagen, la cual crea una suma delos valores en cada columna de la imagen filtrada umbraliada que se suavia porun filtro ;aussiano. Los mimos locales son detectados para obtener la posicinde las lneas dando como resultado lo mostrado en la !igura ?.

    16LI 6p. 1it. -.

  • 7/23/2019 Estado de Arte C

    9/16

    !igura ?. grupacin de la lnea. #a$ :uma de los peles para cada columna de la imagen deumbral con mimos locales en ro'o. #b$ Lneas detectadas despus de agrupar.

    !uente0 LI, &ohamed. 2eal time detection of lane marJers in urban streets. #Dough linegrouping$.

    El siguiente paso es obtener un me'or a'uste de las lneas usando 25:1, elcual se centra en una ventana alrededor de las lneas verticales detectadas. Loanterior puede observarse en la !igura C.

    !igura C. 25:1 apropiado. #a$ Lnea detectada #ro'o$ en la ventana #blanco$. #b$ Lneasresultantes.

    !uente0 LI, &ohamed. 2eal time detection of lane marJers in urban streets. #25:1 line fitting$.

    Para la identificacin de las marcas de carril en la carretera, :algado "?concuerdaen que el primer paso es generar una imagen donde las marcas de carrildiscontinuas se conviertan en continuas para realiar una deteccin ms fcil desu anlisis. n e'emplo de esta transformacin se muestra en la !igura >.

    17 :L;86 6p. 1it. 3.

  • 7/23/2019 Estado de Arte C

    10/16

    !igura >. Pasos caractersticos para la etraccin de lneas. #a$ %magen original. #b$ 2esultado de laimagen filtrada. #c$ Pieles del asfalto establecidos en cero. #d$ 1on'unto de puntos resultantes.

    !uente0 5%E/6, &arcos7 :L;86, Luis7 92E;%B2, !ernando7 226:P%8E, 9on. 2obustmultiple lane road modeling based on perspective analysis. #!eature Etraction &odule steps$.

    En esta, los pieles de ba'o gradiente en la parte inferior de la imagenprobablemente pertenecen al asfalto de la carretera. 8e ah el gradiente de laimagen se deriva y modifica el histograma, teniendo en cuenta dichos pieles.Este histograma es de un 4nico modo con valores medios y desviacin estndar,los cuales configuran eactamente el nivel de gris de la carretera en la imagenactual. El contraste entre las marcas de carril y los pieles del asfalto son me'oressi todos estos se establecen en cero. Los resultados de esta etraccin es la

    imagen mostrada en la !igura > #c$. Para cada fila y columna de la imagenanterior, la evolucin del nivel de intensidad es analiada con el fin de localiar lasmarcas del carril en base a las siguientes propiedades0

    Que aparecan rfagas de altos valores de intensidad, y

    Que en su mayora sean rodeados por ceros.

    Por lo tanto son detectados aplicando filtros derivativos, que me'oran la inclinacinde los cambios de intensidad, seguido por una tcnica de umbral adaptativa queclasifica como pertenecientes las marcas de carril solamente a los pieles convalores de intensidad alta y respuesta al filtro. Para cada fila y columna el filtro esaplicado, me'orando cambios abruptos.

    1uanto mayor sea el valor del piel, menor ser el umbral, de manera que lospieles con valores altos #probablemente perteneciente a las marcas del carril$superan fcilmente el umbral, mientras que otros pieles, con valores ms ba'os,se obtendrn umbrales ms altos. 1uando se encuentra el piel central entre lospatrones R+",

  • 7/23/2019 Estado de Arte C

    11/16

    Mang"Cpropone otra manera para la deteccin de la lnea, realiando primero unainterpolacin a la imagen en la cual todos los ob'etos de esta, son movidos haciaatrs, cambiando tamaos y posiciones aunque las lneas o marcas de carril no lohagan notoriamente. 8e ah se llega a la deteccin del punto de fuga por mediodel horionte o la tambin llamada lnea de fuga que se calcula usando los

    parmetros de la cmara. Por lo tanto pasa a la deteccin basada en el gradientede la imagen que resulta de una transicin ntida en la intensidad de esta. /odoslos mapas de gradiente contienen un gran n4mero de puntos caractersticos nodeseados. 8e tal modo que se obtiene el mapa de caractersticas que usa elalgoritmo propuesto, el cual no es ms que una comparacin entre estos. Ladeteccin de carril se lleva a cabo mediante el algoritmo de comparacin deplantillas deformable al cual se le aplica el algoritmo &etropolis para que ayude aoptimiar iterativamente los parmetros y maimice la funcin de probabilidad.

    5ieto">A propone otra manera de obtener los segmentos de lnea a travs delalgoritmo creciente reseham me'orado, con el uso del procedimiento de cambiode media ponderada #*MS& *eighted Mean Shit$ que proporciona a'ustesprecisos y robustos frente al ruido. El ob'etivo de este mtodo es obtener lossegmentos del carril para una amplia variedad de imgenes reales. La etraccinde bordes en los niveles de pieles se hace desde la informacin bsica de laimagen. El detector de bordes :obel se usa normalmente como una aproimacina las derivadas espaciales de primer orden de la imagen en el e'e H y I. na veobtenida la informacin de los bordes en los niveles de pieles puede usarse endiferentes formas para buscar los segmentos de la lnea. Pueden identificarse dostcnicas0

    /ransformada de Dough, se basa en la acumulacin de los espacios

    paramtricos al con'unto de los bordes de los pieles, donde se etraen las

    lneas en busca de los mimos locales en el dominio de la transformada,teniendo en cuenta el estndar D/ #:D/$ que solo se encarga de detectarlneas mas no segmentos de lneas y el muestreo aleatorio aplicado a la D/#2D/$ que no es ms que una acumulacin de puntos de bordesseleccionados al aar, y

    las estrategias de agrupacin de pieles en el plano de la imagen.

    El mtodo propuesto ha sido denominado como ::M&: #Slice Sampling+eighted Mean Shit$ que se compone de tres etapas principales0 el clculo de lafuncin de probabilidad, que es el valor de probabilidad de que un piel obtenidode forma automtica de la imagen perteneca a un segmento de lnea. El

    muestreo secuencial, es el que selecciona los pieles de la imagen que sonbuenos candidatos para pertenecer a los segmentos de lnea, de acuerdo con laprobabilidad calculada. I la generacin del segmento de lnea, que usa el

    18 M5; 6p. 1it. @.

    19 5%E/6 8651EL 6p. 1it. 3.

  • 7/23/2019 Estado de Arte C

    12/16

    procedimiento de desplaamiento medio #&:$ para la b4squeda de posicin de unmimo local en la imagen.

    Los mtodos mencionados anteriormente #%P&, deteccin de puntos de fuga,deteccin de lneas$, sern aplicados en el modelado del carril.

    Mang propone partir de un algoritmo llamado 1DEKP #Estimacin de puntos defuga por 1annyTDouhgt$, inicialiar su modelado de carril +:naJe, el cual escapa de describir tanto lneas derechas como parablicas. La deteccin del carriles determinada por un grupo de puntos de control #Q$ como muestra en la Error02eference source not found,luego se usa el flu'o del vector gradiente #;K!$ parareconstruir el carril y se aplica el error mnimo medio cuadrtico #&&:E$ paraencontrar la correspondencia entre el modelo +:naJe y en los bordes de laimagen real, esta fuera eterna dada por el &&:E permite a'ustar los parmetrosdel modelo +:naJe iterativamente, lo que permite hacer el seguimiento del carrilrpida y eficientemente.

    !igura "< so de cuatro puntos de control para la reconstruccin del carril.

    !uente0 M5;, Iue7 /E6D, Eam Nh*ang7 :DE5, 8inggang. Lane detection and tracJing using +:naJe. #+:naJe based lane model$.

    Por otro lado ly-

  • 7/23/2019 Estado de Arte C

    13/16

    !igura "" 1lculo del spline c4bico de ier a partir de cuatro puntos de control.

    !uente0LI, &ohamed. 2eal time detection of lane marJers in urban streets#:pline scorecomputation$.

    1urvas parablicas son usadas para a'ustar los puntos estimados sobre el carril,dando mayor precisin tanto en el dominio del %P& como en la imagen original. :inembargo, para el dominio del %P& los modelos genricos de la circunferenciamuestran un me'or rendimiento en la mayora de las situaciones. :algado-" y9aureguiar--primeramente toman un con'unto de puntos que es agrupado un endos subcon'untos de acuerdo al carril que este ms cercano, luego cadasubcon'unto es a'ustado dentro de una circunferencia independiente, y luego lacurva es estimada por una solucin de mnimos cuadrados a el sistema deecuaciones dado por la ecuacin de la curva cada subcon'unto. El mnimo n4merode puntos de control requeridos es de tres pero para me'orar la precisin delmodelo se usa el algoritmo de 2&:1 que identifica y remueve los valores

    atpicos #outliers$, para luego estimar la curva con un con'unto de inliers #valorestpicos$. Luego de estimar el carril, este es usado para etrapolar los carrilesadyacentes, asumiendo que esos carriles tienen igual ancho y curvatura.!inalmente, cada punto de las curvas detectadas es retro+proyectado dentro de laimagen original interpolando el plano de homografa, entregando la estimacin delas lneas en la imagen original.

    21 :L;86 6p. 1it. 3.

    22 92E;%B2 6p. 1it. @.

  • 7/23/2019 Estado de Arte C

    14/16

    !igura "-. E'emplos de modelo de carretera de varios carriles.

    !uente0 5%E/6, &arcos7 :L;86, Luis7 92E;%B2, !ernando7 226:P%8E, 9on. 2obustmultiple lane road modeling based on perspective analysis. #Eamples of multiple lane road model$.

    5ieto-3propone usar inicialmente un algoritmo de segmentacin basado en lateora de decisin bayesiana aplicado sobre el plano rectificado de la imagencomo muestra el diagrama de bloques en la !igura "3.

    !igura "3. 8iagrama de bloques propuesto para el modelado de la carretera

    !uente0 5%E/6 8651EL, &arcos. Detection and tracking o !anishing points in dynamicen!ironments" Detecci#n y seguimiento de puntos de uga en entornos din$micos.#locJ diagram

    of the proposed method for multiple+lane road model generation$.

    El algoritmo define un modelo de probabilidad de clase m4ltiple de la carretera,que traba'a sobre el nivel del piel, considerando tres elementos de inters dentrodel plano de la carretera0

    Pavimento0 regiones de color gris claro de la carretera.

    &arcas de lnea0 rayas brillantes pintadas en la carretera.

    6b'etos0 elementos oscuros, como las partes ms ba'as de vehculos, sus

    ruedas, sombras, etc.

    I adems hace uso de una clase adicional UdesconocidoU, que re4ne a los pelesque no coinciden con los modelos definidos para los elementos buscados. Porconsiguiente, cada pel de la imagen es clasificado en la clase donde obtenga lamima probabilidad. 1ada parmetro es calculado para cada imagen de lasecuencia, por lo tanto el sistema se adapta dinmicamente al modelo bayesiano

    23 5%E/6 8651EL 6p. 1it. 3.

  • 7/23/2019 Estado de Arte C

    15/16

    de manera secuencial. El modelo requiere unos parmetros de inicialiacin dadospor la funcin de probabilidad de la caracterstica de intensidad como muestra le!igura "@. :e etraen tres grupos de pieles a partir de una mscara generada dela imagen original !igura "@#b$ que remueve los pieles de ms alto gradiente, yen la !igura "@#c+e$, se muestran los pieles correspondientes al pavimento,

    lneas de carril y ob'etos. n algoritmo de E& #esperana+mima$ para unmodelo de mecla gaussiana es diseado para considerar la inicialiacin deestos componentes garantiando la coherencia del modelo para la deteccin yseguimiento de carril y vehculos, que dan como resultado un sistema robusto,adaptativo y preciso.

    Este modelo es definido sobre el dominio del %P& permitiendo eplotar lacoherencia temporal de la secuencia con el fin de seguir los elementos de intersen la carretera. Es decir, las lneas de carril halladas en este dominio #lneas rectasparalelas$, que son lneas de soporte de un punto de fuga en el infinito, sirvencomo inicialiacin del algoritmo de E& que calcula el punto de fuga garantiandola convergencia del sistema.

    !igura "@ %nicialiacin de los parmetros de la funcin de probabilidad de la caracterstica deintensidad

    !uente05%E/6 8651EL, &arcos. Detection and tracking o !anishing points in dynamicen!ironments" Detecci#n y seguimiento de puntos de uga en entornos din$micos. #%nitialiation of

    the %nitialiation of the parameters of the liJelihood function for the intensity feature$.

    Para el modelamiento del carril usa el mtodo ya mencionado por :algado-@ y9aureguiar-A. 5ieto-=-?logra resultados bastante precisos en la deteccin del carrily seguimiento de carril como se muestra en la fila superior de la !igura "A,eventos de cambio de carril en la siguiente fila de la !igura "A, y en la deteccin

    24:L;86 6p. 1it. 3.

    2592E;%B2 6p. 1it. @.

    265%E/6 8651EL 6p. 1it. 3.

    275%E/6 8651EL 6p. 1it. 3.

  • 7/23/2019 Estado de Arte C

    16/16

    de vehculos en la fila inferior de la !igura "A, en la cual no profundia en esteestado del arte, ya que este no es el ob'eto de estudio.

    !igura "A 2esultados en la deteccin, seguimiento y cambio de carril, y deteccin y seguimiento devehculos.

    !uente0 5%E/6, &arcos7 L628, 9on rrspide7 :L;86, Luis. 2oad environment modelingusing robust perspective analysis and recursive ayesian segmentation.#Eamples sho*ing the

    detected elements of the road$