Gömülü platformlar için kuşbakışı görüntüler üzerinden derin öğrenme temelli gerçek zamanlı şerit tespit sistemi

Abstract

Otonom araçlar son yıllarda büyük önem kazanmaktadır. Şerit takip sistemleri otonom araçların en önemli bileşenleridir. Şerit takip işlemi için şerit işaretlerinin başarılı bir şekilde tespit edilmesi gerekmektedir. Bu çalışmada otonom araçlar için şerit işaretlerinin tespitine yönelik derin öğrenme temelli gerçek zamanlı bir yöntemönerilmektedir. Önerilen yöntemde kameradan alınan görüntüler öncelikle kuş bakışı görüntülerine çevrilmekte ve şerit işaretlerinin bulunması nesne tespit problemi olarak ele alınmaktadır. Nesne tespiti işleminde derin öğrenme kullanan YOLO yönteminden faydalanılmaktadır. YOLO yöntemiyle şerit işaretleri sınırlayıcı kutular içine alınaraktespit edilmektedir. Bu sınırlayıcı kutuların ortasında oluşturulan çizgiler sayesinde ters kuş bakışı dönüşümü sonrası şerit işaretlerinin orijinal görüntüdeki yeri tespit edilmektedir. Son işlem aşamasında tespit edilen şerit işareti konumları filtrelenerek işlenmektedir. Böylece anlık şerit işareti tespit edilmeme durumlarının performansa olası olumsuz etkisi giderilmektedir. Ayrıca önerilen yöntem gömülü platformlarda gerçek zamanlı çalışma yeteneğine sahiptir.

Autonomous vehicles have gained importance in recent years. Lane detection systems are most important components of autonomous vehicles. Lane markings are need to be detected successfully for lane detection systems. In this study, deep learning based real time method is proposed for lane detection for autonomous vehicles. In the proposed method, images that captured from camera is converted to bird's eye view perspective and the presence of lane markings are considered as object detection problem. In object detection process, YOLO method that using deep learning is used.The lane markings area is detected in bounding boxes thanks to YOLO method. With the lines that are center position of bounding boxes, lane markings in the location of original image is detected after reverse bird's eye view image transformation. At the last step of processing, filtering to the detected lane marking locations. Thus, the negative impact of the instances not detected instantly are eliminated. Additionally, the proposed method is capable of working real-time on embedded platforms.