Estratégia de Detecção de Faixas de Trânsito Baseada em Câmera Monocular para Sistemas Embarcados

Abstract

A detecção de faixas sobre as vias de trânsito vem se destacando como uma das tecnologias fundamentais na implementação de veículos autônomos inteligentes. O objetivo principal deste trabalho é a busca por um método robusto para a detecção de faixas com custo computacional baixo, compatível com aplicações embarcadas. O método proposto é composto por três etapas: segmentação de faixas através da combinação de filtros de limiar, geração de uma região de interesse em perspectiva aérea, e detecção das faixas pelo método Slidding Windows. Para avaliação e validação do sistema proposto, o método foi implementado em um sistema embarcado convencional com processador ARM A57 e imagens reais de um veículo foram utilizadas. Foram analisadas métricas de acuracia e tempo de execução para diferentes cenários de vias, bem como para diferentes resoluções de imagem. Os testes realizados apresentaram bons índices de detecção das faixas de trânsito, entre aproximadamente 89 % e 97 %, conforme a resolução da imagem,além de mostrar que o algoritmo possui custo computacional compatível para ser executado por uma plataforma embarcada tradicional.

Real-Time Ego-Lane Detection in a Low-Cost Embedded Platform using CUDA-Based Implementation

“…The temporal blurring improves the lane markings by making them more robust and obscuring moving objects, reducing possible sources of external noises. One of the expected effects is that lanes with discontinuous straps or worn ones will have a more uniform and continuous appearance (Borkar et al, 2009), providing better detection quality (Silva et al, 2020).…”

“…These are the homography matrix H and the sliding window format. The former is calibrated offline based on the camera's output image (Silva, 2021b), and the region of interest obtained by the IPM transformation uses the matrix H given in equation ( 5):…”

“…In this direction, our work contributes by displaying how heterogeneous computing based on a CUDA implementation can boost the performance of ego-lane detection in a typical low-cost embedded computer. We use an improved version of the algorithm initially approached in Silva et al (2020) and implement it using CUDA, whose performance is compared to an implementation in the same GPU using the OpenCV library and to a CPUbased one.…”