Detecção de Caminho

A detecção de caminho é uma das questões-chave no desenvolvimento de um veículo inteligente, por isso muita pesquisa vem sendo feita neste enfoque. Na extração de características do caminho com base nas imagens, pode-se utilizar técnicas de visão computacional e processamento digital de imagens, mais especificamente, métodos de segmentação, permitindo assim separar toda a região considerada como caminho do restante da imagem.

---

Detecção de Caminho considerando diferentes padrões no caminho

Utilizando Redes Neurais Convolucionais podemos detectar os diferentes tipos de superfície de estrada, como: asfalto, estradas de terra ou outros tipos de pavimento. Assim como também podemos detectar diferentes padrões no caminho, como: buracos e poças de água.

---

Mais detalhes e informações em: Paper

Passo a passo da abordagem: Towards Data Science

---

Código fonte utilizado: GitHub

---

---

@misc{rateke:2021,
  title = {Road surface detection and differentiation considering surface damages},
  author = {Thiago Rateke and Aldo von Wangenheim},
  journal = {Autonomous Robots},
  year = {2021},
  month = {Jan},
  day = {11},
  issn = {1573-7527},
  doi = {10.1007/s10514-020-09964-3},
  url = {https://doi.org/10.1007/s10514-020-09964-3}
}

---

Classificação de Tipos de Superfície e Qualidade de Estrada

Nosso classificador de tipo e qualidade de estrada foi realizado por meio de uma simples Rede Neural Convolucional com poucas etapas e apresenta resultados promissores em diferentes conjuntos de dados.

---

Mais detalhes e informações em: ResearchGate

Passo a passo da abordagem: Towards Data Science

---

Código fonte utilizado: GitHub

---

* Utilizamos neste exemplo imagens da base de casos CaRINA.

---

@article{rtk:2019,
  author = {Thiago Rateke and Karla Aparecida Justen and Aldo von Wangenheim},
  title = {Road Surface Classification with Images Captured From Low-cost Cameras – Road Traversing Knowledge (RTK) Dataset},
  journal = {Revista de Informática Teórica e Aplicada (RITA)},
  year = {2019},
  doi = {https://doi.org/10.22456/2175-2745.91522},
}

---

Abordagem de Detecção de Caminho com Visão Computacional Clássica

Nosso trabalho utiliza técnicas baseadas em regiões, não dependendo de modelos geométricos da estrada (o que poderia demandar grande custo computacional para comparações) e também não dependendo de marcações na pista (onde muitas vezes, por falta de manutenção, não há marcações). Mais especificamente, abordagem com base em regiões, parte da extração de informações de cor e textura dos pixels na imagem capturada, onde se deve, com base na cor dos pixels, segmentar a imagem em regiões consideradas ou não do caminho. Na fase atual do trabalho são usados métodos de segmentação (Detecção de Bordas Canny, Flood Fill) com base em características dos pixels (como cor) para identificar o caminho.

---

Pode-se separar o processo em três etapas: pré-processamento, segmentação da imagem e localização do caminho

Pré-processamento

• Transformação no espaço de cor da imagem, de RGB para CIE-Lab, que utiliza um canal específico para a luminosidade.
• E em seguida é aplicada uma equalização do histograma.
• Por fim, é realizada uma detecção de bordas, que deve encontrar todas as fronteiras possíveis na imagem.

Segmentação da imagem

Após o pré-processamento da imagem, inicia-se a segmentação, que visa dividir a imagem em áreas homogêneas distintas. É realizado o agrupamento dos pixels ou sub-regiões em regiões maiores levando em consideração alguns pixels de entrada, conhecidos como pontos sementes, e a partir destes pontos é que se agrupam regiões próximas e similares.

Localização do caminho

Por fim, após a imagem segmentada, ocorre a localização do caminho navegável. O objetivo é encontrar qual das áreas anteriormente obtidas é o caminho na imagem. Esta etapa é realizada considerando que o caminho navegável existirá dentro de uma região de interesse na imagem, apresentada por um retângulo vermelho.

Pós-processamento

• Consiste em uma operação morfológica de fechamento (dilatação seguida de erosão).

---

* Utilizamos, nos experimentos, imagens da base de casos fornecida pela KITTI.