La selecci´on de caracter´ısticas en cualquier tipo de imagen depende del objetivo que se requiera perseguir, en este caso, el objetivo es la detecci´on de los l´ımites de un carril estructurado, o la extracci´on de frontera para una zona transitable tipo carretera.
2.3.1.1. Detecci´on de Carriles Estructurados
Para abordar la detecci´on de los l´ımites de un carril estructurado a partir del an´alisis de im´agenes, se debe tener en cuenta, c´omo las l´ıneas viales sufren degra- daci´on visual por efecto del contacto con en tr´afico circulante, adem´as de las con- diciones variables de iluminaci´on e interferencia por sombras u oclusiones con otros objetos sobre la v´ıa, a que son sometidas. Es por ello, que se deben utilizar m´ultiples caracter´ısticas para definir su posici´on en la imagen tales como color, variaci´on de intensidad, forma, orientaci´on entre otros.
Algunas estrategias para la segmentaci´on de marcas viales hacen uso del espacio del gradiente, una trasformaci´on que facilita la detecci´on, por cuanto explota el contraste que exhibe su forma sobre la calzada. Trabajos como [18, 42, 73], hacen uso del gradiente de la imagen de intensidad para detectar los flancos que confinan una marca vial. Dentro de esta clase de algoritmos es usual encontrar enfoques donde
(a) Equalizaci´on. (b) Detecci´on centro de marcas viales Canny.
(c) Operaciones morfol´ogi-
cas: “Hit and miss” y ero-
si´on.
Figura 2.1: Algoritmo detecci´on de marcas viales, Collado [18].
se ajusta un patr´on de marca vial a trav´es de n´ucleos de convoluci´on fijos, tal es el caso de los filtros direccionales (steerable filter) [68] que puede detectar adem´as de las l´ıneas viales, elementos del tipo reflector circular; filtro horizontal-vertical [42]; filtro morfol´ogico Top Hat [80] o el filtro de escal´on (step filter) para encontrar parejas de respuesta adyacentes con signos opuestos.
Un aspecto que parte en dos tendencias, los m´etodos de extracci´on, tiene que ver con la perspectiva de la imagen sobre la que act´uan, o bien, perspectiva normal tomada abordo del veh´ıculo [42], o bien, su transformaci´on a vista superior (top view), tambi´en llamada vista de p´ajaro (bird view) o perspectiva inversa (inverse perspective, IP) [12, 18, 43, 44,62, 68, 73].
Un ejemplo del an´alisis de marcas viales en vista superior es el trabajo desarrolla- do por [18], donde se presenta un algoritmo de detecci´on de marcas viales consistente en 3 fases. Primero se realiza la ecualizaci´on de la imagen en perspectiva inversa. Segundo, se aplica un filtro gaussiano para eliminaci´on de ruido, a continuaci´on, se calcula el gradiente en direcci´on horizontal usando las m´ascaras de Sobel, junto con supresi´on de no m´aximos para realzar bordes verticales de ancho 1 pixel, una vez extra´ıdos los bordes verticales es posible realizar la b´usqueda de parejas de pixeles distantes un ancho de marca vial para fijar la posici´on del pixel central. Finalmente, el ruido remanente es eliminado a trav´es de operaciones morfol´ogicas como “Hit and miss”. En la fig. 2.1 se muestra el proceso descrito anteriormente.
Existen otras caracter´ısticas que pueden ayudar a la identificaci´on con mayor confiabilidad de las marcas viales, por ejemplo en [62], se utiliza la diferencia entre los dos picos m´as altos del histograma calculado para una ventana deslizante de 8×8 pixeles. Igualmente, se mide la direccionalidad de los pixeles que pertenecen al pico del histograma con mayor soporte, para diferentes ´angulos, utilizando el cociente de varianza entre componentes en x e y.
Cap´ıtulo 2. Estado del Arte 14
En [5,16] se utiliza filtros de color espec´ıficos, blanco, amarillo y rojo, correspon- dientes a la mayor´ıa de marcas viales existentes. En [16] se eliminan posteriormente las regiones que puedan pertenecer a veh´ıculos con colores similares a trav´es del an´alisis de movimiento de regiones respecto al movimiento de la carretera.
La detecci´on de marcas viales como un problema de clasificaci´on se propone en [50], all´ı se realiza un an´alisis comparativo de los principales clasificadores cl´asicos como modernos.
2.3.1.2. Detecci´on de Zona Transitable
La detecci´on de los l´ımites de la zona transitable es una tarea que aporta robustez y seguridad a los algoritmos de seguimiento de carriles o evasi´on de obst´aculos, ya que solo pueden permitirse trayectorias en esta regi´on. En este sentido, muchos trabajos abordan esta tarea de forma ´unica o en apoyo a la verificaci´on de las marcas viales. Los l´ımites de la calzada no siempre poseen una demarcaci´on bien definida con l´ıneas visibles pintadas sobre la calzada o cualquier otro indicativo hecho por el hom- bre, en algunos casos se requiere tener en cuenta descriptores tales como informaci´on 3D: depresiones, barreras o acera; apariencia: color o textura, adem´as de las marcas viales.
Segmentaci´on basada en informaci´on 3D est´ereo es usada en [42], all´ı se analiza el entorno en direcci´on radial al veh´ıculo en un barrido de 360 grados, los l´ımites de carretera son detectados por el primer cambio dr´astico en la continuidad de cada trayecto. [79] utiliza estimaci´on de planos a trav´es de votaci´on sobre las normales de los puntos 3D para definir escalones limite de carretera. [22] detecta la acera como los limites de calzada, marcando los puntos cercanos con cambios considerables de altura sobre la nube de puntos (Point Cloud, PC) que representa la escena.[97] realiza estimaci´on de movimiento de la c´amara y estimaci´on del plano de la carretera basado en im´agenes monoculares, para calcular la homograf´ıa entre im´agenes consecutivas, con ella, proyecta la imagen de la captura anterior al instante actual y por diferencia de im´agenes, usando suma de diferencias absolutas SAD por sus siglas en ingl´es, obtiene la segmentaci´on de la carretera en entorno urbano.
Otros algoritmos para segmentaci´on de la carretera se basan en apariencia, tra- bajos relacionados como [4] utilizan la caracter´ıstica de color a partir del crecimiento de regiones en un espacio de color invariante a la iluminaci´on. En [48] se utiliza un descriptor compuesto por informaci´on proveniente de 4 im´agenes de baja resoluci´on, sobre la zona cercana al veh´ıculo, en espacios de color y textura derivados de la com-
binaci´on de componentes HSI, Y CbCr y LABColor, junto con densidad de bordes,
con ellos se construye sus respectivos histogramas y de all´ı se caracteriza las regiones transitables.
En entornos no estructurados la detecci´on de la zona transitable es posible fun- damentalmente a trav´es del an´alisis de textura, algunos trabajos hacen uso del filtro de Gabor como en [51], all´ı se utiliza este filtro para detectar la direcci´on dominante de la textura y con ella, utilizando un esquema de votaci´on basado en una medida de confianza para cada pixel, se estima un punto de fuga. Posteriormente se calcu- la, como limites de carretera, el par de l´ıneas m´as externas con mayor soporte de direcci´on que corten el punto de fuga hallado.
La segmentaci´on de la carretera basada en la textura, frecuentemente es abordada a partir del entrenamiento de clasificadores, en esta l´ınea, [35] trata el problema a trav´es de una estrategia de clasificaci´on robusta con el ´animo de no depender de modelos a priori. All´ı se hace uso de descriptores jer´arquicos extra´ıdos de la aplicaci´on de filtros tipo Haar-like sobre una colecci´on de ROIs circulares centrados en cada pixel de la imagen, con radio creciente y sobre informaci´on visual derivada de la imagen original, tal como la intensidad de la imagen, su mapa de bordes y filtros de Gabor que capturan la textura, con el objetivo de aplicar un clasificador Adaboost que combine los clasificadores d´ebiles tipo Haar en un clasificador fiable.
As´ı mismo, en [1] se presenta un m´etodo basado en clasificaci´on AdaBoost para un conjunto de clasificadores derivados de caracter´ısticas como la respuesta de fil- tros de convoluci´on con n´ucleo Walsh-Hadamard y Momentos de energ´ıa. Tambi´en en [54], se utiliza una versi´on similar de clasificaci´on (GentleBoost) para abordar la diferenciaci´on entre zonas pertenecientes a la carretera y fuera de ella, con carac- ter´ısticas SFA (Slow Feacture Analisys) en conjunto con color y Walsh-Hadamard.