Detekce vozovky

Metod jak rozložit obraz na různé oblasti je spousta, problém je najít tu pro náš případ nejúčinější. Nechci se tu rozepisovat o jednotlivých metodách, spíše ukáži co jsem zkoušel a s jakými výsledky.

První volbou je výběr barevného prostoru:

• YUV – barvu reprezentuje dvěma parametry YU, jas udává Y, nativní formát modulu SRV1
• RGB – každá ze složek ovlivňuje barvu a jas, nepříliš vhodné pro výpočty
• HSV – parametr H určuje barvu, na šedé vozovce značně mnění hodnotu, nevhodné

Segmentační metody:

• Visiir – segmentační metoda vyvinutá Jiřím Išou,
• YUVBoxFilter – hodnoty YUV pixelů oblasti před robotem ohraničí boxem a všechny pixely s YUV v tomto boxu považuje za sjízdné, má problémy se stínama, neobsahuje znalost jak vypadá sjízdná cesta,
• YUVSampleHistFilter – spočte pravděpodobnost výskytu hodnoty YUV pixelu oblasti před robotem, kterou pokládá za sjízdnou a všem pixelům obrazu přiřadí pravděpodobnost sjízdnosti na základě YUV, má problémy se stínama, neobsahuje znalost jak vypadá sjízdná cesta,
• YUVHistFilter – všem pixelům přiřadí pravděpodobnost sjízdnosti na základě YUV, pravděpodobnost sjízdnosti konkrétní hodnoty YUV je určena na základě trénovací množiny z MSRC-v2 image database, tato metoda je implementačně nejjednodušší a zárověň dává velmi dobré výsledky, nikdy nebude považovat trávu za sjízdnou, nevýhodou je, že se neadaptuje měnícím se podmínkám reálného světa,
• YUVGraphFilter – pomocí grafového algoritmu rozdělí obraz na oblasti s podobnou hodnotou YUV a dle průměrné hodnoty YUV v této oblasti přiřadí pravděpodobnost sjízdnosti obdobným způsobem jako YUVHistFilter, je výpočetně náročná.

 Porovnání segmentačních metod, poslední řádek ukazuje vyvažení bíle posunuté směrem k žluté barvě, kde poslední dvě metody ztrácí na kvalitě