deteção e segmentação de alvos em ambiente de estrada usando lidar

Deteção e Segmentação de Alvos em Ambiente de Estrada usando LIDAR

Departamento de Engenharia Mecânica

Daniel Torres Couto Coimbra e Silva

Julho 2013Dissertação de Mestrado

Orientador: Prof. Dr. Vítor SantosColaborador: Mestre Jorge Almeida


Estrutura

LIDAR

Visão geral do Projeto

Processo de Segmentação

Conclusões e Trabalho Futuro

Enquadramento

Avaliação do Desempenho

Resultados Obtidos

Estrutura

2Julho 2013


Enquadramento

• Seguimento de objetos móveis (Multiple Target Tracking):

• Aquisição.• Segmentação.• Associação.• Previsão do movimento.• Classificação automática de objetos.

3Julho 2013

• Segmentação.


Enquadramento

Motivação

• Robótica móvel.• Sistemas de apoio à condução.• Planeamento de trajetórias.

• Aplicações de segurança.• Controlo de acessos.• Fluxos de movimentos (aeroportos, centros

comerciais).

4Julho 2013

Enquadramento

Objetivos


• Avaliação comparativa, exaustiva e qualitativa de diferentes algoritmos de segmentação.

• Variação valor dos parâmetros.• Diferentes situações de estrada.

• Utilização de um Laser 2D.

5Julho 2013


LIDAR

Princípios de funcionamento

• Obtenção direta distancias aos obtáculos.

• Construção mapa 2D.

6Julho 2013


LIDAR

• Sick LMS111• 50 m alcance máximo.• 0.50° resolução angular.• 270° de ângulo de varrimento.

7Julho 2013

LIDAR

Problemas relacionados

• Zonas de oclusão.• Situações de proximidade.• Mudanças de forma.• Ruído do laser.• Refletividade.• Condições atmosféricas.• Grandes ângulos de incidência.• Vegetação.

Daniel Torres Couto Coimbra e Silva 8Julho 2013


Visão geral do Projeto

9Julho 2013


Descrição do processo


• Transformar um conjunto de pontos/medições retornados pelo Laser em Segmentos.

• Má segmentação:• Sobre-segmentação.• Sub-segmentação.

10Julho 2013



Algoritmos implementadosSegmentação Simples

Parâmetro variável: Distância de separação Dthd

11Julho 2013



Dietmayer SegmentationAlgoritmos implementados

Dthd = C0+C1min{ri-1,ri}C1 = 2(1−𝑐𝑜𝑠Δ ) ∝

Parâmetro variável: Constante redução de ruído C0

12Julho 2013



Santos ApproachAlgoritmos implementados

Parâmetros variáveis: Constante redução de rudido C0

Ângulo β

13Julho 2013



Adaptive Breakpoint DetectorAlgoritmos implementados

𝐷 h𝑡 𝑑=𝑟 𝑖𝑠𝑖𝑛∆∝

sin( λ−∆∝)+𝜎𝑟

Parâmetro variável: Ângulo λ

14Julho 2013



Adaptive Breakpoint DetectorAlgoritmos implementados

15Julho 2013


Spatial Nearest NeighbourAlgoritmos implementados

if ponto ainda não associado a um segmentoCalcula-se Deu a todos os pontos sem associação;if Deu < Dthd

Ponto pertence ao mesmo objeto;end ifIr para o próximo ponto sem associação e repetir o processo

até todos os pontos estarem associados a um segmento;end if

Parâmetro variável: Distância de separação Dthd



Spatial Nearest NeighbourAlgoritmos implementados

• Resolve parcialmente problemas de oclusão.




Multivariable SegmentationAlgoritmos implementados

• Pares de medições.• Calculado vetor de atributos.• Semelhança dos vetores de medições.

Parâmetro variável: Semelhança de vetores.

18Julho 2013



Algoritmos implementados

Multivariable Segmentation

Pi = [pi pi+1]Pi+1 = [pi+1 pi+2]

19Julho 2013


Avaliação do desempenho

Total: 867 scans:

• Linha reta: 413 scans (azul).• Aproximação à rotunda: 108

(verde).• Rotunda: 346 (vermelho).

20Julho 2013

Linha de vista 100 m



Ground-truth

21Julho 2013



Ground-truth

22Julho 2013

• Scans descartados



Visualização

23Julho 2013



Métricas de avaliaçãoAssociação de segmentos

24Julho 2013


Métricas de avaliação


Métrica A

25Julho 2013

• Energia• Função de custo


Métricas de avaliaçãoDistâncias entre extremos





Métrica B

27Julho 2013

• Energia• Função de custo




• 6 métricas foram desenvolvidas e aperfeiçoadas.• 4 não eram conclusivas.

Vantagens:

• Algoritmos avaliados de igual forma.• Penalizada a distância entre os segmentos.• Penalizada diferênça de tamanhos.• Penaliza situações de sobre e sub segmentação.

28Julho 2013

Métrica A – linha reta

Resultados obtidos


SSDthd[m]

SAC0 / β[m / o]

SNNDthd[m]

MS

Valor ótimoEnergia

2.79560.243

2.625 / 15.0 57.326

2.37554.362

0.5561.477

SNN – Linha reta – Métrica A SA – Linha reta – Métrica A

Ener

gia

Méd

ia

Ener

gia

Méd

ia

#GT/

#ALG

#GT/

#ALG

Métrica B – linha reta

Resultados obtidos


SSDthd[m]

SAC0 / β[m / o]

SNNDthd[m]

MS

Valor ótimoEnergia

2.79589.941

2.750 / 15.089.982

2.50089.167

0.63493.745

SNN – Linha reta – Métrica B SS – Linha reta – Métrica B

Ener

gia

Méd

ia

Ener

gia

Méd

ia

#GT/

#ALG

#GT/

#ALG

Métrica A – rotunda

Resultados obtidos


SSDthd[m]

SAC0 / β[m / o]

SNNDthd[m]

MS

Valor ótimoEnergia

1.71531.493

1.750 / 15.031.323

1.25033.278

0.88642.213

SA – Rotunda – Métrica A SS – Rotunda – Métrica A

Ener

gia

Méd

ia

Ener

gia

Méd

ia

#GT/

#ALG

#GT/

#ALG

Métrica B – rotunda

Resultados obtidos

SSDthd[m]

SAC0 / β[m / o]

SNNDthd[m]

MS

Valor ótimoEnergia

1.98543.906

1.750 / 15.0 42.839

1.87539.924

0.71846.159


SNN – Rotunda – Métrica B SA – Rotunda – Métrica B

Ener

gia

Méd

ia

Ener

gia

Méd

ia

#GT/

#ALG

#GT/

#ALG


Resultados obtidos

Métrica A – percurso completo

SSDthd[m]

SAC0 / β[m / o]

SNNDthd[m]

MS

Valor ótimoEnergia

2.79563.130

2.625 / 15.064.485

2.25055.883

0.57159.967

33Julho 2013

SNN – Completo – Métrica A MS – Completo – Métrica A

Ener

gia

Méd

ia

Ener

gia

Méd

ia

#GT/

#ALG

#GT/

#ALG

Resultados obtidos


Métrica B – percurso completo

SSDthd[m]

SAC0 / β[m / o]

SNNDthd[m]

MS

Valor ótimoEnergia

2.66071.269

2.625 / 15.071.782

2.25068.890

0,69774.961

SNN – Completo – Métrica B SS – Completo – Métrica B

Ener

gia

Méd

ia

Ener

gia

Méd

ia

#GT/

#ALG

#GT/

#ALG

Resultados obtidos


Tempos de processamento

SS DS SA ABD SNN MS

2.426 2.193 2.070 2.045 2.692 3.902

• Tempo processamento 876 Scans; dado em segundos.• Valores meramente indicativos.


Conclusões e trabalho futuro

• Os algoritmos propostos foram implementados com sucesso.

• Realizada comparação qualitativa da qualidade da Segmentação dos algortimos para diferentes cenários de estrada.

• SNN foi o algoritmo mais consistente nos diversos cenários.

• SA apresentou bons resultdos, uma combinação destes dois algoritmos pode resultar numa segmentação interessante.

• Como trabalho futuro poderá incidir sobre a segmentação de vegetação e numa segmentação combinada de Laser e visão artificial.

36Julho 2013

Julho 2013Dissertação de Mestrado


Deteção e Segmentação de Alvos em Ambiente de Estrada usando LIDAR

Departamento de Engenharia Mecânica

Orientador: Prof. Dr. Vítor SantosColaborador: Mestre Jorge Almeida

deteção e segmentação de alvos em ambiente de estrada usando lidar

Documents