Алгоритм распознавания дорожной разметки в режиме реального времени для встраиваемых систем

Введение. Системы оповещения о съезде с полосы движения и удержания автомобиля в полосе движения являются одними из основных для систем помощи водителю (ADAS) и систем автономного вождения. На шоссе и в городских условиях полоса движения, как правило, ограничена с обеих сторон линиями дорожной разметки, которые и требуется распознавать для реализации упомянутых систем. Цель исследования - разработка первичного алгоритма распознавания дорожной разметки по видеоизображению, способного в реальном времени выполнять на маломощном компактном вычислителе Jetson TX2 решения с возможностью последующего развития и использования данного алгоритма в отечественных разработках транспортных средств (ТС) и проведения испытаний в российских дорожных условиях. Методология и методы. Постановка задачи подразумевала высокое качество обнаружения, устойчивость к внешним условиям и вычисление в реальном времени на маломощном устройстве. Анализ открытых публикаций поставил ограничение в использовании нейросетевых детекторов со сложной архитектурой. В результате было принято решение разработки алгоритма, представляющего собой совокупность предварительного высокопроизводительного аналитического поиска и последующего уточнения нейросетевым классификатором. Результатом исследования является алгоритм распознавания дорожной разметки по видеоизображению в реальном времени на Jetson TX2 с точностью 0,97 и откликом 0,84 на выборке видеозаписей, отснятых в г. Москве. Научной новизной работы является возможность интегрирования в российские разработки ТС. Практическая значимость. На данном этапе завершена проработка первичного алгоритма на выбранной аппаратной платформе, обучение нейросетевого классификатора и проверка на реальных ТС, разработанных в рамках научно-исследовательской работы. В дальнейшем данный алгоритм может быть улучшен, интегрирован в российские разработки ТС и испытан в тех условиях, в которых он будет применяться.

распознавание дорожной разметки, компьютерное зрение, расширенные системы помощи водителю, беспилотное транспортное средство

1. Canny J. A Computational Approach to Edge Detection / IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1986. - Vol. 8. - No. 6. - Pp. 679-697.

2. Hough P.V.C. Method and mans for recognizing complex patterns. Patent USA, no. US3069654A, 1962.

3. Berriel R.F., De Aguiar E., Vieira V., Oliveira-Santos T. A Particle Filter-based Lane Marker Tracking Approach Using a Cubic Spline Model / 28th SIBGRAPI Conference on Graphics, Patterns and Images. - 2015. -DOI: 10.1109/SIBGRAPI.2015.15.

4. Lin Q., Han Y., Hahn H. Real-time lane detection based on extended edge-linking algorithm / ICCRD, 2010. URL: https://docslide.us/documents/real-time-lane-de-tection-based-on-extended-edge-linking-algorithm.html (дата обращения: 24.12.2018).

5. LeCun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition / Proceedings of the IEEE. - 1998. URL: http://vision.stanford.edu/ cs598_spring07/papers/Lecun98.pdf (дата обращения: 24.12.2018).

6. Huval B., Wang T., Tandon S., Kiske J. An Empirical Evaluation of Deep Learning on Highway Driving, 2015. URL: https://www.researchgate.net/ publication/274730358_An_Empirical_Evaluation_of_ Deep_Learning_on_Highway_Driving (дата обращения: 24.12.2018).

7. Lee S., Kim J., Yoon J.S. VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition, 2017. URL: https://arxiv.org/ abs/1710.06288 (дата обращения: 24.12.2018).

8. Oliveira G.L., Burgard W., Brox T. Efficient Deep Models for Monocular Road Segmentation / IEEE, 2016. URL: https://lmb.informatik.uni-freiburg.de/Publica-tions/2016/OB16b/ (дата обращения: 24.12.2018).

9. Kim J., Park C. End-to-End Ego Lane Estimation based on Sequential Transfer Learning for Self-Driving Cars / IEEE, 2017. - DOI: 10.1109/CVPRW.2017.158.

10. Mallot H., Bülthoff H.H., Little J.J. Inverse Perspective Mapping Simplifies Optical Flow Computation and Obstacle Detection // Biological Cybernetics. -1991. - Vol. 3. - No. 64. - Pp. 177-185.

11. Wu T., Ranganatkan A. Vehicle localization using road markings / Proceedings of the IEEE intelligent vehicles symposium, pp. 1185-1190 (2013).

12. Schreiber M., Poggenkans F. and Stiller C. Detecting symbols on road surface for mapping and localization using OCR / Proceedings of the IEEE 17th International Conference on Intelligent Transportation Systems (ITSC), 2014. - DOI: 10.1109/ITSC.2014.6957755.

13. Grompone von Gioi R., Jakubowicz J., Morel J.M., Randall G. LSD: a Line Segment Detector // Image Processing On Line. - 2012. - No. 2. - Pp. 35-55.