Vision-based lane departure warning framework
Kollisionen aufgrund von Abweichen von der Fahrspur haben zu Verkehrsunfällen beigetragen, die jährlich weltweit Millionen von Verletzten und Zehntausende von Todesopfern fordern. Viele einschlägige Studien haben gezeigt, dass Unfälle, bei denen ein einzelnes Fahrzeug von der Fahrbahn abkommt, einen großen Anteil an den Todesfällen im Straßenverkehr haben, die durch das Abweichen von der Fahrbahn verursacht werden. Daher ist die Sicherheit im Straßenverkehr für die Verkehrsteilnehmer zu einem wichtigen Thema geworden, da die meisten Verkehrsunfälle auf die falsche Einschätzung der Fahrspur durch den Fahrer zurückzuführen sind. In diesem Beitrag wird ein bildverarbeitungsbasiertes Spurhaltewarnsystem zur Erkennung von Spurabweichungen bei Tag und Nacht vorgestellt. Der Verkehrsfluss und die Fahrbahnbeschaffenheit auf städtischen Straßen und Autobahnen in der Stadt Malakka werden im Hinblick auf die Spurerkennungsrate und die Fehlalarmrate analysiert. Das vorgeschlagene bildverarbeitungsgestützte System zur Warnung vor dem Verlassen der Fahrspur umfasst eine Fahrspurerkennung, gefolgt von einer Berechnung des seitlichen Versatzverhältnisses. Die Fahrspurerkennung besteht aus zwei Stufen: Vorverarbeitung und Erkennung. In der Vorverarbeitung werden eine Farbraumkonvertierung, die Extraktion von Interessensgebieten und die Segmentierung von Fahrbahnmarkierungen durchgeführt. In der anschließenden Erkennungsphase wird die Hough-Transformation zur Erkennung von Fahrspuren verwendet. Schließlich wird das seitliche Versatzverhältnis berechnet, um eine Warnung vor dem Verlassen der Fahrspur auf der Grundlage der erkannten X-Koordinaten der unteren Endpunkte jeder Fahrspurbegrenzung in der Bildebene zu erhalten. Für die Leistungsbewertung der Fahrspurerkennung und der Erkennung des Verlassens der Fahrspur werden reale Datensätze sowohl für Stadtstraßen als auch für Autobahnen bei Tag und bei Nacht, bei unterschiedlichen Verkehrsströmen und Fahrbahnbeschaffenheiten berücksichtigt. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Rahmen zufriedenstellende Ergebnisse liefert. Im Durchschnitt wurden Erkennungsraten von 94,71% für die Fahrspurerkennung und 81,18% für die Erkennung von Fahrspurabweichungen mit dem vorgeschlagenen Rahmenwerk erreicht. Darüber hinaus wurden Benchmark-Segmentierungsmethoden für Fahrspurmarkierungen und der Caltech-Spurendatensatz für eine vergleichende Bewertung der Fahrspurerkennung herangezogen. Herausforderungen bei der Fahrspurerkennung und der Erkennung von Fahrspurabweichungen wie abgenutzte Fahrspurmarkierungen, geringe Beleuchtung, Pfeilschilder und verdeckte Fahrspurmarkierungen werden als Faktoren hervorgehoben, die zu den Falsch-Positiv-Raten beitragen.
Leave a Reply