Publikation

Edge-Detection zur Fenstererkennung im Fahrzeug

Outline:

A. Pointner - Edge-Detection zur Fenstererkennung im Fahrzeug - Report, FH OÖ F&E GmbH, Österreich, 2017, pp. 46

Abstract:

In den letzten Jahren bekamen die Begriffe Virtual Reality und Augmented Reality eine zunehmende Bedeutung. Für viele Funktionalitäten ist dabei ein einfaches VR/AR-Gerät ausreichend, dennoch werden für manche Anwendungsbereiche zusätzliche Technologien benötigt. So wird zum Beispiel um Fahrer von Einsatzfahrzeugen zu trainieren, auf derartige Technologien gesetzt. Dabei wird eine genaue Position der Windschutzscheibe benötigt um festzustellen, in welchem Bereich des Sichtfeldes zusätzliche Gefahren eingeblendet werden können. Diese Arbeit hat sich genau diese Problematik als Ziel gesetzt und versucht dabei die Möglichkeiten der Fenstererkennung in Fahrzeugen mittels Kantenerkennung aufzugreifen. Dabei werden vor allem zwei zentrale Fragestellungen in den Mittelpunkt gestellt. Zum einen „Ist es möglich Fenster rein mittels Kantenerkennung zu detektieren?“, zum anderen „Welche verschiedenen Algorithmen zur Kantenerkennung existieren und welche Vor- und Nachteile haben diese hinsichtlich der Erkennung von Fenstern in Fahrzeugen?“ Um diese beiden Fragestellungen beantworten zu können, unterteil sich diese Arbeit in einen Theorieteil, sowie in der Ausarbeitung mehrere Prototypen. Im theoretischen Teil dieser Arbeit wird die grundlegende Funktionsweise verschiedenster Kantenerkennungsalgorithmen beschrieben, sowie überprüft warum und ob sich diese zur Erkennung von Fenstern in Fahrzeugen eignen. Es wurden dabei im wesentlichen folgende Operatoren/Verfahren betrachtet: Roberts, Prewitt, Sobel, Kompass-Gradient, Kirsch, Marr-Hildreth und Canny. Für den praktischen Teil wurden drei Prototypen entwickelt, welche die drei ausgewählten Algorithmen hinsichtlich ihrer Funktionalität vergleichen. Die Auswahl fiel dabei auf Marr-Hildreth und Canny, da diese durch ihre Parametrisierbarkeit für dieses Szenario angepasst werden können. Als Vergleich zu den normalen steht stellvertretend Prewitt. Dabei kann damit ermittelt werden, welcher dieser Prototypen sich für ausgewählte Szenarien besser eignet und welche Einstellungen und Parametrisierungen des Prototypens dafür notwendig waren. Die erzielten Ergebnisse der Prototypen waren sehr durchwachsen. In manchen Szenarien zeigten sie klar, welche Probleme rein mittels Kantenerkennung auftreten, in anderen wiederum erzielten sie sehr gute Ergebnisse. Außerdem zeigten sie die typischen Probleme von Kantenerkennungssysteme, besonders gewisse Störfaktoren wie Rauschen oder Bildunschärfe verursachten Probleme. Der Einsatz von Kantenerkennungsalgorithmen zur Fenstererkennung ist dann möglich, wenn es sich wirklich um perfekte Musterszenarien handelt. Vor allem dann, wenn wenig Störfaktoren in der Umgebung vorhanden sind. Um die Erkennung auch für andere Szenarien zu ermöglichen, müssen die Algorithmen mit weiteren Verfahren wie zum Beispiel Objekterkennung kombiniert werden.

Downloads: