• 沒有找到結果。

採用改良式橢圓形感興趣區域與Sobel邊緣偵測之低躁動車道線偵測

N/A
N/A
Protected

Academic year: 2021

Share "採用改良式橢圓形感興趣區域與Sobel邊緣偵測之低躁動車道線偵測"

Copied!
77
0
0

加載中.... (立即查看全文)

全文

(1)國立臺灣師範大學應用電子科技學系 碩士論文 指導教授:蘇崇彥 博士. 採用改良式橢圓形感興趣區域與 Sobel 邊緣偵測之低躁動 車道線偵測 A Low-vibration Lane Detection Using an Improved Elliptical ROI and Sobel Edge Detection. 研究生:游重賢 撰. 中 華 民 國 101 年 11 月.

(2) 國立臺灣師範大學應用電子科技學系 碩士論文 指導教授:蘇崇彥 博士. 採用改良式橢圓形感興趣區域與 Sobel 邊緣偵測之低躁動 車道線偵測 A Low-vibration Lane Detection Using an Improved Elliptical ROI and Sobel Edge Detection. 研究生:游重賢 撰. 中 華 民 國 101 年 11 月.

(3)

(4) 採用改良式橢圓形感興趣區域與 Sobel 邊緣偵測之低躁動車 道線偵測. 學生:游重賢. 指導教授:蘇崇彥. 國立臺灣師範大學應用電子科技學系碩士班. 摘. 要. 本論文使用垂直方向的 Sobel 邊緣偵測和雜訊濾波器來改善車道線追蹤時所 產生的躁動問題。因為改善了躁動問題,準確率也獲得了改善。此外透過縮減影 像空間處理的區域和合理的縮減橢圓形感興趣區域的大小,進而有效地提升了車 道線偵測系統的處理速度。. 透過實驗分析比較結果,在晴天、夜晚與雨天的情況底下皆能獲得有效的改 善。實驗使用 640 × 480 大小的影片測試,每秒約可處理 55~60 張畫面,提升了 約 71%左右,整體的準確率方面也由原先的 96.19%,提升至 97.07%。. 關鍵字:車道線偵測、邊緣偵測、橢圓形感興趣區域、霍夫轉換. i.

(5) A Low-vibration Lane Detection Using an Improved Elliptical ROI and Sobel Edge Detection. Student:Yu, Chung-Hsien. Advisor:Dr. Su, Chung-Yen. Institute of Applied Electronics Technology National Taiwan Normal University. Abstract. In the paper, we use the vertical Sobel edge detection and a noise filter to solve the problem of by pulse for the tracking mode of lane detection. Since the problem of by pulse is effectively solved, the lane detection accuracy is increased. Furthermore, we can effectively improve the processing speed of lane detection system, by reducing the image space and the elliptical ROI size.. In experiment results, the proposed method can effectively solve the problem of by pulse in daytime, night and rain situations. The test video size is 640 × 480. The processing speed is about 55~60 frames per second. Compared with the previous method, the proposed algorithm can speed the processing of frames up to 71%, and the total accuracy is increased from 96.19% to 97.07%.. Keywords: Lane detection, Edge detection, Elliptical ROI, Hough transform. ii.

(6) 誌 謝. 碩士論文的完成,首先我要感謝我的指導教授蘇崇彥 博士,您不論是在我 的學業上或是待人處事等等,都讓我成長了許多,您對學生叮嚀的一字一句我都 會謹記在心,感謝您這段時間來用盡心思及耐心的教導,在此獻上最誠摯的謝意 及敬意。同時也要感謝葉榮木 博士、蔡俊明 博士,擔任學生的口試委員,在口 試時給予學生無數寶貴的意見,讓本論文能更加完美呈現。 在這段期間內,要特別感謝研究所的同學劉政宏、顏琬真、詹昆燁,VIP 實 驗室的學長陳俊廷、范修源、張明凱,在學業上和生活上的互相幫助。還有感謝 VIP 實驗室和 SOC 實驗室的學弟林俊宇、陳彥霖、黃福安、張維德、劉建輝,為 實驗室帶來許許多多的歡樂。 最後,非常感謝我的父母與家人對我的栽培與關懷,讓我可以順利完成碩士 學位,以及感謝其他所有好朋友的陪伴,讓我在這段時間過得充實美好。. iii.

(7) 目. 錄. 中文摘要 ......................................................................................................................... i 英文摘要 ........................................................................................................................ ii 誌. 謝………..…………..…………………………………………………………iii. 目. 錄……………..………..………………………………………………………iv. 圖 目 錄….…..…………………..………………………………….…..……………vi 表 目 錄.……………..……………………………………...………………………viii 第一章. 緒論 .......................................................................................................... - 1 -. 1.1.. 研究背景與動機 ...................................................................................... - 1 -. 1.2.. 文獻回顧 .................................................................................................. - 3 -. 1.3.. 研究目的 .................................................................................................. - 5 -. 第二章 2.1.. 影像處理 .................................................................................................. - 7 邊緣偵測 .................................................................................................. - 7 -. 2.1.1. Canny 邊緣偵測....................................................................................... - 7 2.1.2. Sobel 邊緣偵測 ........................................................................................ - 9 2.2. 第三章. 霍夫轉換 ................................................................................................ - 10 適應性橢圓形 ROI 車道線偵測演算法 ............................................... - 13 -. 3.1.. 研究作法 ................................................................................................ - 13 -. 3.2.. 前處理 .................................................................................................... - 15 -. 3.3.. 濾除雜訊遮罩 ........................................................................................ - 19 -. 3.4.. 車道線偵測 ............................................................................................ - 21 -. 3.4.1. 初始畫面模式 ........................................................................................ - 21 3.4.2. 快速追蹤模式 ........................................................................................ - 23 3.5.. 適應性的橢圓形 ROI 大小設定 ........................................................... - 25 -. 3.6.. 限制影像空間中處理的範圍 ................................................................ - 28 -. iv.

(8) 3.7. 第四章. 躁動問題的改善 .................................................................................... - 29 數值分析與實驗結果 ............................................................................ - 32 -. 4.1.. 實驗器材與環境架設 ............................................................................ - 32 -. 4.2.. 雜訊濾波器分析與比較 ........................................................................ - 33 -. 4.3.. 躁動分析與討論 .................................................................................... - 35 -. 4.4.. 橢圓形 ROI 縮減分析與比較 ............................................................... - 38 -. 4.5.. 影像空間縮減分析 ................................................................................ - 41 -. 4.6.. 白天車道線偵測結果比較 .................................................................... - 43 -. 4.7.. 夜間車道線偵測結果比較 .................................................................... - 49 -. 4.8.. 雨天車道線偵測結果比較 .................................................................... - 53 -. 4.9.. 實驗結果總結 ........................................................................................ - 57 -. 第五章. 結論與未來展望 .................................................................................... - 60 -. 參考文獻 .................................................................................................................. - 61 自. 傳 .................................................................................................................. - 65 -. 學術成就 .................................................................................................................. - 66 -. v.

(9) 圖. 目. 錄. 圖 2 - 1 霍夫轉換的參數空間示意圖 ..................................................................... - 10 圖 2 - 2 霍夫轉換示意圖[25] .................................................................................. - 11 圖 2 - 3 霍夫轉換演算法流程圖............................................................................. - 12 圖 3 - 1 適應性橢圓形 ROI 車道線偵測演算法流程圖 ....................................... - 14 圖 3 - 2 改良型 SOBEL 邊緣偵測 5 × 5 垂直方向遮罩 ......................................... - 15 圖 3 - 3 原始影像 .................................................................................................... - 16 圖 3 - 4 不同遮罩大小與二值化結果 .................................................................... - 17 圖 3 - 5 不同遮罩大小與二值化結果 .................................................................... - 18 圖 3 - 6 不含水平連續雜訊遮罩 .......................................................................... - 19 圖 3 - 7 包含水平連續雜訊遮罩 ............................................................................ - 20 圖 3 - 8 初始畫面模式 ............................................................................................ - 22 圖 3 - 9 初始模式之結果 ........................................................................................ - 22 圖 3 - 10 追蹤用橢圓形 ROI 示意圖 ..................................................................... - 23 圖 3 - 11 不同大小的橢圓形 ROI 累積分布圖 ..................................................... - 26 圖 3 - 12 不同大小的橢圓形 ROI 對應到影像空間中追蹤範圍 ......................... - 27 圖 3 - 13 用來縮減影像空間處理區域的遮罩 ...................................................... - 28 圖 3 - 14 躁動問題示意圖 ...................................................................................... - 29 圖 3 - 15 CANNY 邊緣影像示意圖 .......................................................................... - 30 圖 4 - 1 攝影機配置 ................................................................................................ - 32 圖 4 - 2 不同遮罩結果 ............................................................................................ - 33 圖 4 - 3 不同演算法前處理之比較 ........................................................................ - 35 圖 4 - 4 躁動改善前後比較 .................................................................................... - 37 圖 4 - 5 不同大小的橢圓形 ROI 以點數在座標中顯示 ....................................... - 38 圖 4 - 6 前處理的比較 ............................................................................................ - 42 -. vi.

(10) 圖 4 - 7 白天車道線偵測之結果 ............................................................................ - 44 圖 4 - 8 進隧道之結果 ............................................................................................ - 45 圖 4 - 9 出隧道之結果 ............................................................................................ - 46 圖 4 - 10 有陰影影響之結果 .................................................................................. - 47 圖 4 - 11 在車輛受到震動時與 FAN 演算法[24]結果之比較 .............................. - 48 圖 4 - 12 夜間車道線偵測結果 .............................................................................. - 50 圖 4 - 13 夜間行車受到光線影響之結果 .............................................................. - 51 圖 4 - 14 在夜間行車與 FAN 演算法[24]結果之比較 .......................................... - 52 圖 4 - 15 雨天車道線偵測結果 .............................................................................. - 54 圖 4 - 16 受到雨刷影響之結果 .............................................................................. - 55 圖 4 - 17 在雨天行車與 FAN 演算法[24]結果之比較 .......................................... - 56 圖 4 - 18 受到車輛變換車道陰影的影響 .............................................................. - 58 -. vii.

(11) 表. 目. 錄. 表 1 - 1 100 年十大死因/意外事故........................................................................... - 2 表 4 - 1 FAN 演算法[24]躁動次數統計 .................................................................. - 36 表 4 - 2 本文提出的演算法躁動統計次數 ............................................................ - 36 表 4 - 3 每張畫面不同橢圓形 ROI 大小迴圈次數與計算次數比較 ................... - 39 表 4 - 4 每張畫面整體計算量比較......................................................................... - 40 表 4 - 5 FAN 演算法[24]的效能 .............................................................................. - 57 表 4 - 6 本文改善後的效能 .................................................................................... - 57 表 4 - 7 FAN 演算法[24]與本文提出的方法比較表 ............................................ - 59 -. viii.

(12) 第一章. 緒論. 1.1. 研究背景與 研究背景與動機 隨著科技與時代的進步,近年來汽機車越來越普及,伴隨而來的就是交通安 全的問題。由行政院衛生署[1]在 101 年所公布的民國 100 年國人十大死因對照表 可知,事故傷害高居第六,其中交通事故佔了約 55.1%,可參照表 1-1。根據內政 部警政署[2]的統計,在民國 101 年 1 月至 9 月累積了 173,763 件交通事故,其中 造成 1,508 人死亡,平均每月有 167 人因交通事故死亡。民國 91 至 101 年,交通 事故的案件數有逐年增加的趨勢,因此行車安全的研究變得越來越重要。 現今有許多車廠在行車安全上,投入了相當多的研發資金。而行車安全系統 主要分為主動式與被動式兩類,主動式如雷射掃描器,被動式如機器人視覺等。 主動式的行車安全系統成本較高,因此被動式的行車安全系統為現今主要的發展 研究。在行車安全的領域中包含許多部份,行人偵測(pedestrian detection)、前車 防撞系統(forward collision warning system)、側邊防撞警示(side collision warning system)、車道線偵測(lane departure warning system)、適應性巡航系統(adaptive cruise control system)、盲點偵測系統(blind-spot detection system)、交通號誌檢測 (traffic sign detection)和駕駛疲勞偵測(driver drowsiness detection)等。主動式感測 比較不容易受到天候的影響,如:濃霧等不良的天候,且成本較高不適合做為一 般使用。被動式感測主要是透過 CCD 或 CMOS 等感測器來擷取環境的資訊,透 過影像處理的技術來達到感測的目的。透過 CCD 或 CMOS 得到的資訊方式較為 貼近人眼所見,且成本較低較適合做為一般使用。 進一步了解交通事故路段可發現,在高速公路上限速較為寬鬆,且周遭環境 較為單調,又經過長時間駕駛,駕駛者容易產生疲勞或注意力不集中,往往會釀 成大禍,造成無法挽回的傷害。而如何利用主動式或非主動式感測裝置來輔助駕 -1-.

(13) 駛,則為一個非常重要的研究課題。在本研究中,我們利用攝影機擷取高速行駛 中的行車畫面,即時偵測其車道線的位置,藉此來判別車輛是否有偏離主要行駛 的車道。. 表 1 - 1 100 年十大死因/意外事故 死因. 死亡人數. 死亡人數占率. 1. 惡性腫瘤. 42,559. 28.4%. 2. 心臟疾病. 16,513. 10.8%. 3. 腦血管疾病. 10,823. 7.0%. 4. 糖尿病. 9,081. 6.2%. 5. 肺炎. 9,047. 5.7%. 6. 事故傷害. 6,726. 4.6%. a.. 交通事故. 3,704. 55.1%. b.. 意外中毒. 242. 3.6%. c.. 意外墜落. 1,120. 16.6%. d.. 火及火燄所致. 105. 1.6%. e.. 意外之淹死及溺水. 344. 5.1%. f.. 其他. 1,211. 18.0%. 7. 慢性下呼吸道疾病. 5,984. 3.6%. 8. 慢性肝病及肝硬化. 5,153. 3.4%. 9. 高血壓性疾病. 4,631. 2.9%. 10. 腎炎、腎病變症候群及腎病變. 4,368. 2.8%. -2-.

(14) 1.2. 文獻回顧 近年來許多研究者投入車道線偵測的研究,各種車道線偵測的演算法推陳出 新,而其中主要分為兩大類:一類為主動式感測裝置來偵測周遭道路環境。 Bertozzi[3]所提出的 GOLD 系統,是利用主動式感應裝置,如雷射測距儀,來偵 測周遭環境,再以影像設備來做為輔助偵測。另一類則為使用被動式感測裝置, 因影像設備技術越來越趨成熟,此一種方式成為近年來的主流作法。 而使用影像處理的方法會受到一些環境的因素影響,如:光線強度的變化、 物件產生的陰影和車輛變換車道時所產生的閉塞現象[4]。在文獻[4]~[24]中,所 提出的方法除了改善以上這些問題,及降低計算複雜度使其達到即時處理外,某 些還將其系統移植到行動裝置上。Chen[4]提出了一種以搜尋邊緣為基礎的偵測方 式,而此類偵測方式在目前車道線偵測上屬於常用的方法之一;但畫面中有著許 多非車道線的物件,因此需要使用較多的影像處理技術來去除雜訊,而大量的計 算則會增加系統的負擔。Lipski[5]則是提出一個使用多台攝影機來擷取環境資訊 的方法,從不同角度獲得影像,結合成車輛前方的全景畫面,使得偵測範圍較廣, 其中也使用了 IPM(Inverse Perspective Mapping)的影像處理方法,將行車影像加以 投影形成 Top view 的畫面。此法除了可以使道路呈現平行狀態,也易於辨識與降 低偵測直線的難度;但使用 IPM 會使偵測範圍受限,且整體計算量會大幅上升。 Wu[6]利用設定 ROI(region of interest)的方式,只針對某些區域做計算以降低計算 量 ; 但 車 輛 若 有 較 大 的 震 動 時 , 可 能 會 有 誤 判 的 情 形 產 生 。 Yim[7] 提 出 TFALDA(three-feature based automatic lane detection algorithm)的演算法,其主要 是利用車道線的特徵,如在連續的影像中,車道線具有固定的角度與色彩飽和度。 Wang[8]與 Assidiq[9]則是利用 Canny 結合霍夫轉換做車道線偵測,其效果雖然很 不錯,但因為 Canny 與霍夫轉換都是需要大量計算的演算法,因此需要花費較多 的時間處理。Jung[10]也是使用霍夫轉換來搜尋直線,搭配上 Sobel 邊緣偵測器, 也有不錯的效果;但在取得參數需花費較長的時間計算,且若在偵測的範圍內出. -3-.

(15) 現長度較長的非車道線物件邊緣,則容易發生誤判,在車道線不連續時容易發生。 Li[11]提出 Springrobot 系統,以 Adaptive Randomized Hough Transform 來搜尋車 道線,藉此改善霍夫轉換計算量太大的問題,但在未知的場景或較為複雜的環境 下均會產生錯誤的情況。D’Cruz[12]採用 Otsu 二值化的方法將車道線與道路分離, 但在場景亮度相當的情況底下,會產生錯誤。Wang[13]使用 B-Snake 去建構道路 模型來對行車畫面做搜尋及追蹤車道線,此法不需要攝影器材的內部參數即可運 作,但最大問題為處理速度太慢。Lin[14]和 Wang[15]為了加快計算速度,使用 ROI 與優化後的霍夫轉換來偵測車道線,如 random Hough Transform (RHT)等。 You[16]和 Zheng[17]使用 Kalman 濾波器來預測其趨勢,此法使得偵測更加準確。 Hsiao[18]則將其演算法移植到行動裝置上,在日間與夜間其準確度都高達 99%, 只有在切換車道時準確度會下降至 91%左右,本系統主要低耗能低成本,處理速 度也達到即時處理的目標。Lin[19]設定一個倒 V 型的 ROI 藉以減少計算量,利 用左右兩車道線間的寬度作為搜尋車道線的基準,及使用車道線顏色去做二次確 認,以提升精確度;此法最大缺點為在不同國家,會有不同顏色的車道線,則無 法在某些國家上使用。Lin[20]使用了 functional-link-based neuro-fuzzy network (FLNFN)來做車道線偵測,除了效能達到即時外,其結果也很不錯。Lee[21]為了 提升霍夫轉換的計算速度,將其演算法使用硬體來加快處理速度。Leng[22]則是 將畫面分成上下兩部分近端與遠端,將左右車道線間距由近至遠分成五段,符合 條件則視為車道線,濾除雜訊後再使用霍夫轉換找出直線。此法使用車道線間距 寬度作為基準,可降低誤判的情況。Guo[23]利用直方圖等化增強對比,去除雜訊 後用 Canny 搜尋邊緣,再透過 FAST 角點偵測找出角點,最後用 Random Sample Consensus (RANSAC)去除不要的角點,得到車道線的直線參數即可畫出車道線。 不過此法利用直方圖等化增強對比,也會將雜訊變得更明顯,造成後續處理有過 多的雜訊。Fan[24]則使用參數空間中的霍夫轉換去搜尋車道線,以及使用橢圓形 ROI 去做追蹤。此法可以有效降低霍夫轉換的計算量,但是橢圓形 ROI 還是存在 躁動的問題。 -4-.

(16) 1.3. 研究目的 利用被動式的方法來實現車道線偵測,除了可以大幅降低成本,安裝上也較 為方便。但利用此種方式容易受到外在的雜訊影響準確度,例如:光影的變化、 天候的因素、環境的變化等,這些問題都是需要花很大心力去克服的。 本文主要是改善 Fan[24]演算法,其中最主要是改善其躁動的問題,此一問 題會造成輔助車道線不穩定,也容易造成誤判。除了改善躁動問題外,也要藉由 改善此一問題來提升其準確率,以及提升此一演算法的效能。. -5-.

(17) 1.4. 論文架構 本論文主要分成五個章節,第一章主要介紹研究背景、動機與文獻;第二章 將介紹會使用到的某些影像處理方法的理論;第三章介紹本論文所提出的方法與 改善部分;第四章為實驗結果與數據分析,分別展示在不同環境底下的實驗結果; 最後為本論文的結論與未來展望分析。. -6-.

(18) 第二章. 影像處理. 2.1. 邊緣偵測 邊緣偵測的目的是找出影像中亮度變化明顯的點,影像屬性中的顯著變化通 常反映了屬性的重要事件和變化。這些包含了(i)深度上的不連續、(ii)表面方向不 連續、(iii)物質屬性變化和(iv)場景照明變化。底下介紹幾個常使用的邊緣偵測方 法。. 2.1.1.. Canny 邊緣偵測. Canny 邊緣偵測是 John F. Canny 於 1986 年開發出來的一個多級邊緣檢 測演算法。而 Canny 的目標是找到一個最佳的邊緣偵測演算法,其最佳邊緣 偵測的定義為: 低錯誤率:能偵測到所有邊緣,而且只偵測到邊緣。 邊緣點應有好的局部性:所找到的邊緣應盡可能接近真實邊緣。亦即, 一個被偵測器標記為邊緣的點和真實邊緣中心點之間的距離應該最 小。 單一邊緣點響應:對每一個真實的邊緣點,偵測器應該只偵測出一個 點。亦即,環境真實邊緣附近的局部極大值的數目應該要最小,這意 味當只有單一邊緣點存在時,偵測器不應指認出多重邊緣像素。 為了滿足這些要求 Canny 使用了變分法,這是一種尋找滿足特定功能的函 數的方法。最佳偵測使用四個指數函數項的和表示,但是它非常近似於高斯 函數的一階倒數。其演算法主要步驟如下: 1. 以一高斯濾波器對輸入影像作平滑處理。 任何邊緣偵測演算法都不可能在未經處理的原始影像 -7-. ,. 上有很.

(19) 好的效果,所以第一步是將原始影像. ,. 與高斯函數. ,. 做卷積。. (2-1) ,. 則可以得到一個平滑的影像 ,. ,. ,. ∗. :. ,. (2-2). 2. 計算梯度大小和角度影像。 , α ,. 其中. (2-3). tan. 和. (2-4). 。. 3. 運用非最大值抑制到梯度大小的影像上。 利用水平、垂直和對角線四個濾波器遮罩來比較原始梯度大小,以 及量化後梯度方向所指的像素的梯度大小。 4. 用雙門檻和連通性分析偵測並連結邊緣。 Canny 使用了磁滯門檻值(hysteresis threshold)的技巧,設定兩個門檻 值 和. ! 。高於 ! 的像素便是邊緣點;與邊緣點鄰接的像素點,其像素. 值"符合. #"#. ! ,則也屬於邊緣點。. -8-.

(20) 2.1.2.. Sobel 邊緣偵測. Sobel 運算子是影像處理中的運算子之一,主要用於邊緣偵測。在技術 上,它屬於一個離散性的差分運算子,用來計算影像梯度函數的梯度之近似 值。在影像的任何一點使用此運算子,將會得到對應的梯度向量或是其法向 量。 該運算子包含兩組 3 × 3 的矩陣,分別為水平方向與垂直方向,將矩陣 與影像做卷積,即可得到水平方向與垂直方向的梯度差分近似值。如果 代表原始影像, %1 $%2 %1. 1 $0 %1. 0 0 0. 2 0 %2. 和. ,. 分別代表水平方向與垂直方向的遮罩,其公式如下:. 1 2) ∗ 1. 1 0 )∗ %1. ,. (2-5) ,. (2-6). 影像的每一個像素的水平方向及垂直方向的梯度近似值可用以下的公式 結合,來計算梯度大小。. G. (2-7). 接著可用以下公式計算梯度方向:. +. tan. (2-8). 若上式中的角度+等於零,及代表影像該處有垂直方向的邊緣,左方較右方 暗。 -9-.

(21) 2.2. 霍夫轉換 霍夫轉換(Hough transform;HT)是一種將通過某一點的所有直線收集起來的 演算法。一般的線性方程式為. ,. 直線 軸的截距,,的範圍是從%∞~. -,其中 ,. 為座標點,,為直線斜率,-為. ∞,對於需要做及時處理的直線偵測來說. 範圍太大;因此,一種有效的線性偵測演算法─霍夫轉換被提出,他將線性方程 式兩個參數,和-改成0和+,並將直線方程式改為: 0. cos+. sin+. (2-9). 其中0所代表的意思為直線到原點的垂直距離,+代表0和 軸的夾角,如下圖 2-1 所示:. 圖 2 - 1 霍夫轉換的參數空間示意圖. 圖 2-3 為霍夫轉換的流程圖,若影像的大小為5 6 5,則0的最大範圍為√25, 而+範圍介於%90°和90°之間,其演算法包含了三個步驟: 1.. 設置一個大小適當的參數空間,決定增量的大小(∆+或∆0)。. 2.. 將參數空間的儲存單位初始化。 - 10 -.

(22) 3.. 利用(2-9)式將原始影像中直線的點座標 ,. 轉換到參數空間,找出相對. 應的參數 0, + ,並在參數空間中相對應的位置加一;最後將累計數超出 門檻值的暫存器取出,再將參數 0, + 對應回原影像中所代表的直線。. 圖 2-2(a)為影像空間中的直線示意圖,圖 2-2(b)為經過霍夫轉換後,在參數 空間中的圖形。. (a). (b). 圖 2 - 2 霍夫轉換示意圖[25] (a) 影像空間中的直線;(b) 直線在參數空間的圖形. - 11 -.

(23) 圖 2 - 3 霍夫轉換演算法流程圖. - 12 -.

(24) 第三章. 適應性橢圓形 ROI 車道線偵測演算法 車道線偵測演算法. 3.1. 研究作法 本文主要目的在改善輔助車道線躁動,與提升處理效能上。在適應性的橢圓 形 ROI 車道線偵測的主要流程如圖 3-1 所示。 在此演算法流程中,主要著重在前處理與適應性橢圓形 ROI 車道線偵測兩大 部分。本文改善原演算法中所遭遇的躁動問題,並加以提升其效能,使其車道線 偵測的準確度提高。本章節先從主要架構介紹起,再進一步介紹如何改善其躁動 問題,以及如何提升效能和提升準確度。. - 13 -.

(25) 圖 3 - 1 適應性橢圓形 ROI 車道線偵測演算法流程圖 - 14 -.

(26) 3.2. 前處理 在此一部份主要將影像中的雜訊盡可能的濾除,使後續執行主要的車道線偵 測時,可以避免因為雜訊所造成的誤判情況發生。 圖 3-1 藍色區域為本節主要介紹的部分,首先從攝影機讀取彩色影像,將其 轉成灰階影像做處理。在灰階影像中,採用 Sobel 邊緣偵測、二值化以及雜訊濾 波器來濾除車道線附近的雜訊。本文所採取的作法為,先使用 5 × 5 垂直方向的 Sobel 邊緣偵測遮罩(圖 3-2)找出邊緣影像,再使用二值化的門檻值濾除掉低於門 檻的像素值,最後使用雜訊濾波器(圖 3-5)將車道線的邊緣雜訊濾除。. -1. -4. -6. -4. -1. -2. -8. -12. -8. -2. 0. 0. 0. 0. 0. 2. 8. 12. 8. 2. 1. 4. 6. 4. 1. 圖 3 - 2 改良型 Sobel 邊緣偵測 5 × 5 垂直方向遮罩. 在選取 Sobel 邊緣偵測的遮罩部分,我們都知道所使用的濾波器長度越長得 到的效果越好,但相對的也會增加計算複雜度,因此必須在效能與計算複雜度之 間取得平衡。大多數研究中,使用的都是 3 × 3 水平方向與垂直方向的遮罩做處 理,再將兩者做結合。但因為在本文中二值化門檻值的因素,會使 3 × 3 大小的 遮罩在結合水平方向與垂直方向和二值化後,得到幾乎全黑的影像而無法使用。 單用水平方向或垂直方向的遮罩,也會因為資訊不足而無法使用。因此本文透過 實驗比較了 3 × 3、5 × 5、7 × 7 和 9 × 9 這四種大小的遮罩,分別比較水平方 向、垂直方向以及結合兩個方向的結果(圖 3-4 和圖 3-5),藉由實驗結果來選取合 適的遮罩大小。 - 15 -.

(27) 當遮罩大小越來越大時,所獲得的邊緣也越來越明顯,但影像中的雜訊也同 時被放大,從 7 × 7 和 9 × 9 這兩個遮罩所得到的結果可以很清楚的看出,雜訊 多到無法清楚的分辨出車道線與雜訊的位置。在 5 × 5 水平和垂直方向的遮罩, 所獲得的結果是最符合我們所預期的效果。本文選擇 5 × 5 垂直方向的遮罩(圖 3-2) 來做邊緣偵測的處理,主要是希望在水平方向上的邊緣是比較平滑的,而此遮罩 效果也是這些遮罩中最佳的。. 圖 3 - 3 原始影像. - 16 -.

(28) (a). (b). (c). (d). (e). (f). 圖 3 - 4 不同遮罩大小與二值化結果 (a),(c),(e) 為 3 × 3 遮罩與門檻值 250 的二 值化結果示意圖;(b),(d),(f) 為 5 × 5 遮罩與門檻值 250 的二值化結果示意圖. - 17 -.

(29) (a). (b). (c). (d). (e). (f). 圖 3 - 5 不同遮罩大小與二值化結果 (a),(c),(e) 為 7 × 7 遮罩與門檻值 250 的二 值化結果示意圖;(b),(d),(f) 為 9 × 9 遮罩與門檻值 250 的二值化結果示意圖. - 18 -.

(30) 3.3. 濾除雜訊 濾除雜訊遮罩 雜訊遮罩 在處理車道線周圍雜訊的部分,因車道線周圍的雜訊屬於較為分散的情況, 故本文使用兩個 5 × 5 的遮罩來濾除這一部份的雜訊。此遮罩的目的是為了保留 主要車道線的資訊,在經過邊緣偵測與二值化處理後,車道線的部分會是屬於較 大且連續的區域。先將畫面以中央分界分為左右兩邊,在左邊的車道線較為接近 45∘(圖 3-6(a)),右邊則較為接近 135∘(圖 3-6(b))。. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 1. 0. 0. 0. 0. 0. 1. 0. 0. 0. 0. 1. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 1. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 1. (a). (b). 圖 3 - 6 不含水平連續雜訊遮罩 (a) 左車道線用遮罩;(b) 右車道線用遮罩. 但使用圖 3-6 中的遮罩並無法有效的濾除車道線周圍的雜訊,在車道線周圍 的雜訊也可能會與車道線的角度相同,因此很容易將這些雜訊判斷成是車道線的 部分,因此增加了水平的連續部分做為另一個判別依據。圖 3-7 為本文所使用的 雜訊濾波器遮罩,此遮罩效果可以有效減少車道線周圍,因為車輛磨損或是其他 因素產生的雜訊。. - 19 -.

(31) 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0. 1. 0. 0. 0. 1. 1. 1. 1. 1. 1. 1. 1. 1. 1. 0. 1. 0. 0. 0. 0. 0. 0. 1. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 1. (a). (b). 圖 3 - 7 包含水平連續雜訊遮罩 (a) 左車道線用遮罩;(b) 右車道線用遮罩. - 20 -.

(32) 3.4. 車道線偵測 前處理後則進入本文最主要的車道線偵測部份。其中主要的架構分為初始畫 面模式與追蹤模式兩大部分。在初始畫面模式中,本文採用累加式霍夫轉換 (Additive Hough transform;AHT)[26]和階層累加式霍夫轉換(Hierarchical additive Hough transform;HAHT)[27]的概念去做車道線的搜尋。. 3.4.1.. 初始畫面模式 初始畫面模式. 初始畫面的設定是在穩定行車的狀態底下進行車道線搜尋,其中主要分成幾 個步驟,其做法如下:. 步驟 1. 在初始畫面將一開始的 ROI 分別鎖定在左下矩形和右下矩形,其區域的 圓心分別為左下矩形的右下角和右下矩形的左下角,見圖 3-8(a)。限制角度 從 0 度到 90 度和 90 度到 180 度下做第一次的 HT,並將在參數空間中超過 門檻值的值保留,並將其他參數空間歸零。 步驟 2. 利用 AHT 加快的觀念將兩圓心移至圖中央,見圖 3-8(b)。兩邊的+不變, 0在三角函數觀念下等比例變長。 步驟 3. 將 ROI 限制在畫面中央的矩形,再做一次 HT,並將結果累加到第一步驟 的參數空間中。 步驟 4. 分別在 0 度到 90 度和 90 度到 180 度找到兩組 0; , +; 、 0< , +< 的最大值 以確定直線的存在。 步驟 5. 將兩組直線呈現在畫面上(圖 3-9)。. - 21 -.

(33) (a). (b). 圖 3 - 8 初始畫面模式 (a) 第一次的 ROI;(b) 第二次的 ROI. 圖 3 - 9 初始模式之結果. - 22 -.

(34) 快速追蹤 快速追蹤模式 追蹤模式. 3.4.2.. 在初始畫面設定中,得到了穩定行車時的0和+的參數。藉由限制0和+的參數, 使用橢圓形的 ROI 做為追蹤使用(圖 3-10)。. 圖 3 - 10 追蹤用橢圓形 ROI 示意圖. 追蹤模式下用來限制搜尋範圍的橢圓形 ROI 定義如下: 0= % 0= ,. += % += -. 1. (3-1). 其中0= 和+= 為連續畫面的 HT 參數,0= 和+= 為前一畫面的 HT 參數。a. 為0軸的截距,我們將0= 限制在 0= 制在 +=. % ? > += > +=. % , > 0= > 0=. ? ,其中c. 驟如下:. - 23 -. -6 1%. , ,b 為+軸的截距而+= 限. @A @ABC D. 。追蹤模式主要步.

(35) 步驟 1. 從前一張畫面得到的可靠資訊,在參數空間中限制0= 和+= 的範圍為一 個橢圓形,利用(式 3-2)可得到+= 的值。 +=. +=. -6 1%. 0= % 0= ,. (3-2). 在式(3-2)中,,和-為控制常數,分別表示0和+的截距。當0和+已知時,則 可根據式(2-9)推得式(3-3)。. =. 0%. 6 sin += cos += =. (3-3). 步驟 2. 若左右值皆大於門檻值,則保留此兩組參數,並重複步驟 1。若兩個 值皆小於門檻值,則回到前一小節所介紹的初始模式,重新搜尋車道線。. - 24 -.

(36) 3.5. 適應性的橢圓形 適應性的橢圓形 ROI 大小設定 大小設定 在追蹤模式時,是使用前一張影像中的0和+兩個參數去預估此一畫面的0和+, 而本文利用此一參數去設定橢圓形 ROI 的搜尋範圍,藉此來限制搜尋的區域。為 了避免使用的橢圓形 ROI 太小而無法涵蓋完整的車道線區域,在選擇其範圍大小 上,必須考慮計算量、對雜訊的抵抗以及涵蓋搜尋範圍的區域。 若在不考慮計算量的情況底下,使用全域搜尋是最好的做法,則可以避免失 去重要的車道線資訊。不過為了使系統能達到即時處理,必須在處理速度以及資 訊獲得中取得平衡,因此才會限制其追蹤搜尋範圍。 在 Fan 演算法[24]中,追蹤時所使用的橢圓形 ROI 範圍為 a = 5、b = 2 的大 小。會使用此種大小的橢圓形 ROI,主要是因為透過 Canny 邊緣偵測所獲得的邊 緣,是屬於較細的邊緣。車道線又有一定的寬度,若用來追蹤的橢圓形 ROI 範圍 太小,會因為搜尋範圍太小而無法涵蓋完整的車道線,一旦出錯則會使演算法產 生錯誤。 本文為了改善 Fan 演算法[24]中存在的躁動問題以及提升處理速度,在前處 理的部分,使用 Sobel 邊緣偵測以及雜訊濾波器取代 Canny 邊緣偵測。因為本文 只使用 Sobel 垂直方向的遮罩搜尋邊緣,會得到較寬的邊緣資訊,不會像 Canny 邊緣偵測那樣得到較細的邊緣。因此在搜尋時,可以適度的調整其橢圓形 ROI 的大小。當進入穩定行車時,則會使用橢圓形 ROI 去做追蹤。在此一狀況下,只 要沒有遇到突發狀況或是變換車道等問題,車輛則是處在穩定行駛不會有太大晃 動的狀態。而使用較大的橢圓形 ROI 去做搜尋,會增加不必要的計算量。 當車輛沒有太大的晃動或是變換車道,前後兩個畫面的0和+其變化量是趨近 於 0 的,因此在設定橢圓形 ROI 的大小時,可以將其縮小至 a = 3、b = 2 的大小。 雖然說越小的處理範圍可以減少越多的計算量,但也會造成追蹤區域太小,無法 覆蓋到足夠的搜尋區域。若要保留較多的資訊,則無法縮小至 a = 0、b = 0(等於 是使用前一張影像的資訊)的大小。從實驗結果來看,因為改善了躁動的問題,在. - 25 -.

(37) 使用 a = 5、b = 2 大小的橢圓形 ROI(圖 3-11(a))做追蹤時,其搜尋範圍的分布圖 形較為接近 a = 3、b = 2 大小的橢圓形 ROI(圖 3-11(b))。綜合計算量、效能以及 分布圖形等理由,最後採用 a = 3、b = 2 大小的橢圓形 ROI,而在下一個章節會 討論其縮減後所提升的效能等比較。. (a). (b). 圖 3 - 11 不同大小的橢圓形 ROI 累積分布圖 (a) a = 5、b = 2 大小的橢圓形 ROI;(b) a = 3、b = 2 大小的橢圓形 ROI. 為了減少不必要的計算量,也保留更多必要的資訊,本文將原先使用的橢圓 形 ROI 以及縮減過後的橢圓形 ROI 交替使用。在判斷的依據上,主要是根據第 n – 2 張與第 n – 1 張的左車道線0值和右車道線0值差異變化,來進行橢圓形 ROI 大小的切換。 0<. 0;. EF EF. |0< H5 % 2I % 0< H5 % 1I|. (3-4). |0; H5 % 2I % 0; H5 % 1I|. 我們定義0<. EF. 0和0;. ROI 去做追蹤搜尋,當0<. EF. EF. (3-5) 0,則使用 a = 3、b = 2(圖 3-12(a))的橢圓形. 或是0; EF. 不為零時,則使用 a = 5、b = 2(圖 3-12(b)). 的橢圓形 ROI 去做搜尋。此種作法可以在不損失過多資訊的情況底下,有效的減 少不必要的計算量,藉此來提升其效能使其維持即時的處理。而此一部份的數據 比較,則在下一個章節中討論。 - 26 -.

(38) (a). (b). 圖 3 - 12 不同大小的橢圓形 ROI 對應到影像空間中追蹤範圍 (a) a = 3、b = 2 的橢圓形 ROI;(b) a = 5、b = 2 的橢圓形 ROI. - 27 -.

(39) 3.6. 限制影像 限制影像空間 影像空間中處理的範圍 空間中處理的範圍 為了更進一步減少其不必要的計算,只保留需要的部分,透過觀察道路的特 性後發現,在穩定行駛的狀態下,車道線的區域不會有太大的變動,即使有變動 也是慢慢的變動,不會瞬間位移太多距離。因此根據此一特性,本文在影像空間 中將前處理的區域縮小,此區域是利用前一張影像中,搜尋車道線時得到的參數 去產生的遮罩(圖 3-13),處理時只處理影像下半部分(圖中紅線下半區域)。. 圖 3 - 13 用來縮減影像空間處理區域的遮罩. 透過前一張影像的資訊去設定前處裡的範圍,與前一節在參數空間做追蹤搜 尋有異曲同工之妙。兩者主要想法都是因為行駛中的車輛,若發生變化都是慢慢 的改變,正常情況下不會有瞬間改變的情況發生,因此可以利用前一張影像的資 訊來做為預測下一張影像車道線的位置。利用前一張影像的0和+去產生遮罩,為 了避免覆蓋的範圍不足,本文將其寬度加大至 40 個像素寬,透過實驗得到此一 寬度可以涵蓋較完整的區域。此一部分的效能比較則會在下一個章節中分析與比 較。. - 28 -.

(40) 3.7. 躁動問題的改善 在圖 3-14 中的四個連續畫面,在右側的輔助車道線,會在實際車道線的內側 與外側跳動,而這個問題本文稱之為躁動。此一情況在進入隧道變成雙白線後, 其問題會更加明顯。. (a). (b). (c). (d). 圖 3 - 14 躁動問題示意圖 (a), (b), (c), (d) 為躁動問題連續畫面示意圖. 在 Fan 演算法[24]中,不論在雨天、晴天與夜晚都有不錯的效果,但是在前 處理的部分只有使用 Canny 邊緣偵測搜尋車道線邊緣,並沒有針對車道線周圍的 雜訊做處理。在 Canny 邊緣偵測中是使用雙門檻值來做邊緣的判斷,因此可以得 到效果較佳的邊緣,但也會保留部分的雜訊。在追蹤模式中限制了參數空間中的. - 29 -.

(41) 追蹤範圍,在某些情況底下會無法完整涵蓋車道線的內外側邊緣,有時只會涵蓋 到內側的車道線邊緣或是外側的車道線邊緣。在追蹤的模式下,其限制的追蹤範 圍是根據前一張影像的資訊而訂定的,若使用的橢圓形 ROI 範圍不夠大,則有可 能造成只覆蓋到內側、外側或是雜訊其中一部分,最後在選擇最大值時,有可能 把內側或是雜訊也當成最大值,因此最後畫出來的輔助車道線會在實際車道線內 側、外側以及雜訊之間跳動,這也就是本文說的躁動問題(圖 3-14)。 在原來的演算法中使用 Canny 邊緣偵測,所獲得的邊緣影像雖然效果較好, 但因為在車道線的邊緣內側與外側中間會有空洞的區域(圖 3-15),此空洞是造成 前面提到的躁動問題的主因。因此為了改善此一問題,在邊緣偵測的部分改採用 Sobel 垂直方向邊緣偵測,此一作法主要可以得到連續的車道線邊緣,使其不會 在內側與外側的邊緣中間產生空洞區域。但 Sobel 邊緣偵測對於雜訊的抵抗較差, 所以雜訊濾波器是很重要的一個部分。得到邊緣偵測的影像後,先使用二值化將 低於門檻值的資訊去除,再利用圖 3-6 中的雜訊濾波器濾除車道線周圍的雜訊。 在門檻值的設定是使用 250,因為車道線的像素值幾乎都是在 250~255 之間,因 此選擇 250 為門檻值。. 圖 3 - 15 Canny 邊緣影像示意圖. 將前處理後所得到的影像,利用橢圓形 ROI 去做追蹤時,可以發現輔助車道 線已經不會像原演算法中有躁動的問題。即使橢圓形 ROI 的追蹤範圍沒有完整的 - 30 -.

(42) 覆蓋在車道線上,也不會因為只覆蓋到內側、外側或是雜訊上面,而產生大太的 躁動問題。這是因為在搜尋時,我們搜尋了覆蓋範圍內的最大值,而所提出來的 方法因為邊緣內側與外側之間沒有空洞的區域,即使縮小了橢圓形 ROI 的大小, 也不會因為沒有完整覆蓋車道線,而造成輔助車道線瞬間產生太大的位移,即使 是也是隨著一張張的畫面慢慢的位移,不會瞬間跳動,因此可以降低躁動問題。 最後我們定義一個簡單明確比較躁動的方法,在第 n-1 張影像中的左側或右 側輔助車道線皆為在實際車道線的外側,而第 n 張影像中的右側輔助車道線,跳 到了實際車道線的內側,這種情況我們就定義為躁動一次。一張影像中有左右兩 側車道線,只要有任一邊車道線有跳動發生,我們就算是一次躁動。 以圖 3-14 為例。圖 3-14(a)右側的輔助車道線是在實際車道線的內側,到了 下一張圖 3-14(b)右側的輔助車道線跑到了外側,此時我們就算躁動一次,當圖 3-14(c)右側輔助車道線回到了實際車道線內側,躁動次數就變成兩次。圖 3-14(d) 右側輔助車道線維持在實際車道線內側,與圖 3-14(c)都同樣在實際車道線內側, 則不算躁動。在下一章節中會對此一部分做分析比較。. - 31 -.

(43) 第四章. 數值分析與實驗結果. 4.1. 實驗器材與環境架設 本系統主要是藉由架設在房車上的攝影機來擷取行車影像,而攝影機架設在 車內正中央的位置,拍攝角度與地面平行,其配置如圖 4-1 所示,此配置與 Fan 演算法[24]相同。. (a). (b). 圖 4 - 1 攝影機配置 (a) 車輛內部;(b) 車輛外部. 執行本系統演算法所使用的模擬平台規格如下: 中央處理器:Intel Core i3 550 @3.2GHz 主記憶體:DDR3 4GB 記憶體 電腦作業系統:Windows XP SP3 模擬軟體:Microsoft Visual Studio 2008 影像解析度:640 × 480 攝影機型號:SONY DCR-TRV80. - 32 -.

(44) 4.2. 雜訊濾波器分析與比較 為了減少在車道線偵測時受到雜訊的干擾,必須採取一些策略來處理雜訊, 藉此降低因雜訊產生的錯誤。本文採用圖 3-7 中的兩個雜訊濾波器,分別處理畫 面左半部與右半部的雜訊。車道線在影像中呈現的角度,左邊接近 45∘右邊接近 135∘,因此我們設計了兩個 5 × 5 的雜訊濾波器,分別針對左半部與右半部做 處理。. (a). (b). (c). (d). 圖 4 - 2 不同遮罩結果 (a) 不包含水平判斷之結果;(b) 包含水平判斷之結果; (c) 未含水平方向之遮罩;(d) 含水平方向之遮罩. 圖 4-2 中展示了圖 3-6 與圖 3-7 的遮罩結果,圖 4-2(a)為只考慮 45∘與 135 ∘方向上的邊緣,雖然雜訊濾除的效果不差,但還是能明顯看到有部分不屬於車 - 33 -.

(45) 道線邊緣的雜訊(圖 4-2(a)中紅色圈圈區域)被保留,而此一部份雜訊有可能會影響 到後續車道線偵測的準確度。圖 4-2(b)為包含水平方向上的判斷,比較兩圖中圓 圈的區域可以明顯看出,未加入水平方向判斷的濾波器,會殘留較多的邊緣雜訊; 而加入水平方向判斷的濾波器,雖然無法完完全全濾除所有的雜訊,但可以將其 雜訊的影響降低,進而避免後續車道線偵測產生錯誤。. - 34 -.

(46) 4.3. 躁動分析與討論 經過前處理中的彩色影像轉灰階影像、邊緣偵測、二值化以及雜訊濾波器後, 我們得到的邊緣影像如圖 4-3(b)所示,與 Fan 演算法[24]中使用的前處理比較(圖 4-3(a))。從圖 4-3(b)中可以清楚看到車道線的部分,內側與外側邊緣中間沒有空 洞的區域。這種做法可以避免在追蹤時,橢圓形 ROI 的大小不足以同時覆蓋車道 線內外側邊緣時而產生躁動。舉例來說:在第 n 張影像搜尋到外側邊緣為最大值, 而在第 n+1 張時將內側邊緣視為最大值,從連續影像中會看到輔助車道線瞬間從 外側邊緣位移到內側邊緣,如此反反覆覆的發生,會無法判斷輔助車道線是否有 正確的畫在實際車道線的邊緣上。除了內外側邊緣中間空洞的部分會造成躁動的 產生,車道線周圍的雜訊也是有可能會造成躁動的問題。. (a). (b). 圖 4 - 3 不同演算法前處理之比較 (a) Canny 邊緣偵測之結果;(b) 本文前處理 之結果. 本文所使用的垂直方向 Sobel 邊緣偵測與雜訊濾波器,有效的改善了躁動的 問題,躁動問題最明顯的情況主要是在隧道內。隧道內的車道線為雙白線,其邊 緣與單線時相比多了兩條邊緣,因此從圖 4-4 中的比較可以很明顯的看出其差異。 圖 4-4 左行為 Fan 演算法[24]之結果,從連續六個影像中可以看到,輔助車道線. - 35 -.

(47) 會在實際車道線的內外側邊緣上跳動。圖 4-4 右行為本文所提出的方法之結果, 本文所提出的方法在追蹤時,不會有突然從內側跳到外側的情況發生。 根據前一章節所定義的躁動計算方式,我們分別對 Fan 演算法[24]與本文提 出的演算法作分析比較,如表 4-1 與表 4-2 所示。本文提出的演算法,可以有效 改善躁動的問題,. 表 4 - 1 Fan 演算法[24]躁動次數統計 總畫面數. 躁動張數. 躁動率. 白天. 7920. 3768. 47.58%. 夜晚. 7800. 3878. 49.72%. 雨天. 8457. 4551. 53.81%. 所有情況. 24177. 12197. 50.45%. 表 4 - 2 本文提出的演算法躁動統計次數 總畫面數. 躁動張數. 躁動率. 白天. 7920. 88. 1.11%. 夜晚. 7800. 30. 0.38%. 雨天. 8457. 54. 0.64%. 所有情況. 24177. 172. 0.71%. - 36 -.

(48) (a). (b). (c). (d). (e). (f). (g). (h). (i). (j). 圖 4 - 4 躁動改善前後比較 (a), (c), (e), (g), (i) 為 Fan 演算法[24]之結果;(b), (d), (f), (h), (j) 為本文所提出的方法之結果. - 37 -.

(49) 4.4. 橢圓形 ROI 縮減分析與比較 有效的改善了躁動問題後,我們進一步的改善演算法的效能。此演算法最主 要的計算量主要都集中在追蹤模式,因此我們從改善追蹤模式著手。在原追蹤模 式中,使用 a = 5、b = 2 的橢圓形 ROI 去限制追蹤時的搜尋範圍以減少計算量。 而追蹤模式又是使用在穩定行車,在此種情況底下,前後張影像的車道線位置不 會有太大的差距,因此可以考慮縮小橢圓形的 ROI 去降低計算量。 Fan 演算法[24]之所以使用 a = 5、b = 2 的橢圓形 ROI,主要是因為要盡可能 覆蓋完整的車道線內外側邊緣,又要使系統處理速度維持在即時處理,才會選擇 此一大小的橢圓形 ROI 作為追蹤。但是本文改善了前處理的部分,我們使邊緣影 像的內外側邊緣中間部分沒有了空洞,只要在穩定行車的狀態下,將 ROI 有限度 的縮小,則可以有效的減少計算量。但為了避免突發狀況造成搜尋錯誤,我們除 了使用縮小過後的橢圓形 ROI(a = 3、b = 2)作為追蹤,也保留了原先較大的橢圓 形 ROI(a = 5、b = 2),透過前兩張影像中的參數0值差判斷是否有發生劇烈變動。 此為本論文中最主要用來改善計算量的部分,透過適應性的橢圓形 ROI 來減少計 算量。. (a). (b). 圖 4 - 5 不同大小的橢圓形 ROI 以點數在座標中顯示 (a) Fan 演算法[24]的 ROI;(b) 本文縮小後的 ROI. - 38 -.

(50) 表 4-3 中比較了 a = 5、b = 2 與 a = 3、b = 2 不同大小的橢圓形 ROI 在系統中, 每一張影像所需要使用的計算量。圖 4-5 中為不同大小的橢圓形 ROI,以點數在 座標中顯示的示意圖。其計算量的計算方式是依據式(3-3)來計算,此一方程式用 來將參數空間中的參數轉至影像空間,其中 yn 值為影像下半部分共有 240 條,y 方向每兩點取一點做計算,因此每一次迴圈需使用式(3-3)計算 120 次。單一個 a = 5、b = 2 的橢圓形 ROI 則須計算 5160(120 × 43)次,一張畫面有左右兩邊車道線 則需使用兩個橢圓形 ROI,總共需要 10320(5160 × 2)次的計算。而單一個 a = 3、 b = 2 的橢圓形 ROI 需要計算 2760(120 × 23)次,一張畫面有左右兩邊車道線需要 使用兩個橢圓形 ROI,總共需要 5520(2760 × 2)次的計算。就單張畫面相比較,a = 3、b = 2 的橢圓形 ROI 比 a = 5、b = 2 的橢圓形 ROI 少了 4800 次計算。. 表 4 - 3 每張畫面不同橢圓形 ROI 大小迴圈次數與計算次數比較. a = 5、 、b = 2 a = 3、 、b = 2 次數差. 執行 yn 次數: 次數:120 迴圈次數 86 46 40. - 39 -. 計算次數 10320 5520 4800.

(51) 更進一步分析式(3-3)其中所使用的加減乘除的計算次數,其中使用了一個減 法、一個乘法以及一個除法來計算。在本文提出的方法中,是採用兩個不同大小 的橢圓形 ROI 來交替使用,因此會額外使用絕對值與比較兩個運算,而在 Fan 演 算法[24]中只使用固定大小的橢圓形 ROI 因此不會有額外的絕對值和比較運算。 表 4-4 中比較了 Fan 演算法[24]以及本文提出來的方法,Fan 演算法[24]每張 畫面使用了 10320 個減法、10320 個乘法和 10320 個除法,本文提出的適應性橢 圓形 ROI 每張畫面使用了 9212 個減法、9208 個乘法、9208 個除法、2 個絕對值 和 2 個比較運算,平均每一張影像可以減少 1108 次減法、1112 次乘法和 1112 次 除法,但是多了 2 次比較和 2 次絕對值,整體而言少了 3328 次計算。因為本文 提出來的方法是 a = 5、b = 2 的橢圓形 ROI 與 a = 3、b = 2 的橢圓形 ROI 交替使 用,因此在計算上是將所有畫面中的計算次數累加,再去平均成每一張影像中所 需要的計算次數。. 表 4 - 4 每張畫面整體計算量比較 Fan 演算法 提出的方法. 減法 10320 9212. 乘法 10320 9208. - 40 -. 除法 10320 9208. 絕對值 0 2. 比較 0 2.

(52) 4.5. 影像空間縮減分析 影像空間縮減分析 除了縮小追蹤模式的橢圓形 ROI 大小外,我們也進一步的縮小影像空間中前 處理的區域。在前處理中計算量最大的部分為 Sobel 邊緣偵測,而我們需要的邊 緣影像主要在影像的下半區域,因此在前處理部分只針對影像的下半區域做處理。 為了使 Sobel 邊緣偵測的計算量可以減少,我們利用前一張影像中所獲得的0和+ 參數來產生一個遮罩(圖 3-13),此遮罩寬度為 40 像素的大小。在穩定行車時,可 以有效地覆蓋完整車道線的區域,其中使用此一遮罩的判斷方式與前一節適應性 橢圓形 ROI 的判斷方式相同,都是根據前兩張影像的參數0值的差去做判斷。 使用遮罩所處理的區域大約只有原來的 10%左右,但是此一部份的縮減並沒 有很明顯的提升運算速度,主要是因為 Sobel 邊緣偵測的計算量雖然在前處理中 所佔的比重是較大的,但對整個演算法來說,其計算量在演算法中並不是占最大 的部分。但是使用此種遮罩來做 Sobel 邊緣偵測,還能減少覆蓋在車道線上陰影 的邊緣,避免其陰影對演算法造成影響。圖 4-6 為有陰影覆蓋在車道線上的情況, 圖 4-6(a)為不使用遮罩做前處理之結果,圖 4-6(b)為使用遮罩做前處理之結果。. - 41 -.

(53) (a). (b). (c) 圖 4 - 6 前處理的比較 (a)不使用遮罩之結果;(b)使用遮罩之結果;(c) 縮減影 像空間處理區域的遮罩. - 42 -.

(54) 4.6. 白天車道線偵測結果比較 白天車道線偵測結果比較 圖 4-7 為本文提出的方法在白天狀態下連續行車畫面的結果,可以很明顯的 看出車道線都很準確的被偵測到。圖 4-8 為進入隧道時的連續行車畫面,從亮的 區域進入較暗的區域時,因為受限於攝影器材的硬體限制,在此一狀況底下車道 線可能會變得模糊不清,但此一問題在本文提出的方法並不會受到影響。圖 4-9 為離開隧道時的連續行車畫面,此一情況與進隧道類似,只是變成從較暗的區域 進入較亮的區域,但此一問題一樣不會受到影響。圖 4-10 為受到陰影時的結果, 圖 4-10(a)為右側車道線受到右側車輛陰影覆蓋之情況,圖 4-10(b)為右側車道線 受到右側車輛變換車道時遮蔽,圖 4-10(c)為道路上方的看板產生的陰影,圖 4-10(d) 為進隧道前車道線被路旁山坡的陰影覆蓋,這四種情況在本文提出的方法中皆能 正常運作。 圖 4-11 主要是與 Fan 演算法[24]在車輛受到右側陰影與車輛受到震動的情況 下做比較,圖 4-11(a), (c), (e), (g), (i)為 Fan 演算法[24]之結果,可以明顯看出輔助 車道線因為受到車輛震動有明顯的躁動情形,而圖 4-11(b), (d), (f), (h), (j)為本文 所提出的方法之結果,輔助車道線完全不會受到車輛震動的影響,都能很穩定的 偵測到車道線的位置。. - 43 -.

(55) (a). (b). (c). (d). (e). (f). 圖 4 - 7 白天車道線偵測之結果 (a)~(f) 為白天狀態的連續行車畫面. - 44 -.

(56) (a). (b). (c). (d). (e). (f). 圖 4 - 8 進隧道之結果 (a)~(f) 為進入隧道的連續行車畫面. - 45 -.

(57) (a). (b). (c). (d). (e). (f). 圖 4 - 9 出隧道之結果 (a)~(f) 為受到強光影響的連續行車畫面. - 46 -.

(58) (a). (b). (c). (d). 圖 4 - 10 有陰影影響之結果 (a) 車道線受到右側車輛陰影覆蓋;(b) 右側車道 線受到車輛遮蔽;(c) 道路上方看板產生的陰影;(d) 路旁山坡產生的陰影. - 47 -.

(59) (a). (b). (c). (d). (e). (f). (g). (h). (i). (j). 圖 4 - 11 在車輛受到震動時與 Fan 演算法[24]結果之比較 (a), (c), (e), (g), (i) 為 Fan 演算法[24]之結果;(b), (d), (f), (h), (j) 為本文所提出的方法之結果. - 48 -.

(60) 4.7. 夜間車道線偵測結果比較 車道線偵測結果比較 圖 4-12 為本文提出的方法在夜間狀態下連續行車畫面的結果,即使在光線亮 暗交錯變化的情況下,也能準確的偵測到車道線。圖 4-13 為在夜間行車時所會遇 到的一些情況,圖 4-13(a)與圖 4-13(b)情況相同,都是因為路燈的光線變化的偵 測情況,圖 4-13(c)與圖 4-13(d)為進出隧道時受到光線變化的情況,這些情況在 本文提出的方法中皆能正常的運作。 圖 4-14 為本文提出的方法與 Fan 演算法[24]做比較,圖 4-14(a), (c), (e), (g), (i) 為 Fan 演算法[24]之結果,從連續行車畫面中可以看到,Fan 演算法[24]因為受到 躁動問題的影響,誤把內側邊緣附近的雜訊當成車道線邊緣,因此產生了連續出 錯的狀況。圖 4-14(b), (d), (f), (h), (j)為本文所提出的方法之結果,因為改善了躁 動問題與使用了雜訊濾波器濾除了車道線周圍大部分的雜訊,所以不會發生 Fan 演算法[24]所遇到的這個問題。. - 49 -.

(61) (a). (b). (c). (d). (e). (f). 圖 4 - 12 夜間車道線偵測結果 (a)~(f) 為夜間狀態連續行車畫面. - 50 -.

(62) (a). (b). (c). (d). 圖 4 - 13 夜間行車受到光線影響之結果 (a) 路燈產生的眩光;(b) 光線變化; (c) 進入隧道前;(d)離開隧道前. - 51 -.

(63) (a). (b). (c). (d). (e). (f). (g). (h). (i). (j). 圖 4 - 14 在夜間行車與 Fan 演算法[24]結果之比較 (a), (c), (e), (g), (i) 為 Fan 演 算法[24]之結果;(b), (d), (f), (h), (j) 為本文所提出的方法之結果. - 52 -.

(64) 4.8. 雨天車道線偵測結果比較 雨天車道線偵測結果比較 圖 4-15 為本文在雨天狀態連續行車畫面的結果,即使畫面受到雨滴的影響, 車道線一樣可以很準確的被偵測到。圖 4-16 為使用雨刷的狀況,即使畫面中出現 雨刷掃過的陰影,也不會對車道線偵測造成影響。圖 4-17 為本文提出的方法與 Fan 演算法[24]之結果比較,圖 4-17(a), (c), (e), (g), (i)為 Fan 演算法[24]之結果, 可以很明顯看到,因為受到躁動問題的影響,使得車道線偵測發生了錯誤。圖 4-17(b), (d), (f), (h), (j)為本文所提出的方法之結果,車道線的偵測不會因為雨滴或 是躁動等因素而被影響。. - 53 -.

(65) (a). (b). (c). (d). (e). (f). 圖 4 - 15 雨天車道線偵測結果 (a)~(f) 為雨天狀態連續行車畫面. - 54 -.

(66) (a). (b). (c). (d). (e). (f). 圖 4 - 16 受到雨刷影響之結果 (a)~(f) 為雨天狀態受到雨刷影響的連續行車畫 面. - 55 -.

(67) (a). (b). (c). (d). (e). (f). (g). (h). (i). (j). 圖 4 - 17 在雨天行車與 Fan 演算法[24]結果之比較 (a), (c), (e), (g), (i) 為 Fan 演 算法[24]之結果;(b), (d), (f), (h), (j) 為本文所提出的方法之結果. - 56 -.

(68) 4.9. 實驗結果總結 實驗結果總結 表 4-5 為 Fan 演算法[24]的正確率與處理速度,表 4-6 為本文改善後的正確率 以及處理速度。本文從參數空間與影像空間兩個部分去改善效能,在 Fan 演算法 [24]中整體的處理速度為每秒 32~35 張左右,而本文改善後整體的處理速度為每 秒 55~60 張左右,整體效能約提升了 71%左右。. 表 4 - 5 Fan 演算法[24]的效能. 白天 夜晚 雨天 Total. 總張數( 總張數(錯誤數) 錯誤數). 正確率. 7920(116) 7800(379) 8457(432) 24177(927). 98.54% 95.14% 94.89% 96.19%. 每秒處理畫面數 每秒處理畫面數. 32~35. 表 4 - 6 本文改善後的效能. 白天 夜晚 雨天 Total. 總張數( 總張數(錯誤數) 錯誤數). 正確率. 7920(317) 7800(120) 8457(274) 24177(711). 96.0%. 98.46% 96.76% 97.07%. 每秒處理畫面數 每秒處理畫面數. 55~60. 在正確率的部分,從整體上來看本文改善後的正確率為 97.07%,Fan 演算法 [24]的正確率為 96.19%,大約提升了 1%左右的正確率。其中在白天的部分,因 為本文使用的 Sobel 邊緣偵測對陰影的抵抗力比 Canny 邊緣偵測還低,因此在白 天的情況下容易受到陰影的影響。圖 4-18 為在白天受到其他車輛變換車道時,影 響到車道線偵測的搜尋。左側車輛變換車道時,覆蓋在實際車道線時間太長,造 成系統將其陰影邊緣誤判為車道線邊緣,因此產生了偵測錯誤的情形。. - 57 -.

(69) 除了上面所提到的車輛陰影遮蔽車道線的情況外,從整體的準確率與處理速 度來看,本文所提出的方法可以有效的提升處理速度,以及有效的改善躁動問題 使得正確率提升。. (a). (b). (c). (d). 圖 4 - 18 受到車輛變換車道陰影的影響 (a)~(d) 為車道線受到車輛遮蔽產生輔 助車道線偏移之連續畫面. - 58 -.

(70) 將本文提出的方法與 Fan 演算法[24]的前處理與車道線偵測兩部分分析比較; 在前處理部分,本文使用垂直方向的 Sobel 邊緣偵測與遮罩濾除雜訊,為了減少 計算量只針對實際車道線周圍執行前處理。Fan 演算法[24]只使用 Canny 邊緣偵 測做處理,沒有做任何濾除雜訊的動作。在車道線偵測部分,本文使用適應性橢 圓形 ROI 來減少計算量,Fan 演算法[24]則使用固定的橢圓形 ROI 來做車道線偵 測。因為 Fan 演算法[24]存在躁動的問題,無法縮減橢圓形 ROI 的大小來提升處 理速度,但本文提出的方法可以改善躁動的問題,進一步的縮減橢圓形 ROI 的大 小來提升處理速度,也因為改善了躁動問題,提升了準確率。表 4-7 中詳細的比 較了 Fan 演算法[24]與本文提出的方法,針對準確率、躁動次數以及每秒處理張 數。 從表 4-5 與表 4-6 中可以看出,Fan 演算法[24]在白天的情況底下有較好的準 確率,主要是因為在白天時容易有陰影,本文使用的垂直 Sobel 邊緣偵測容易受 到陰影的影響,而 Fan 演算法[24]使用 Canny 邊緣偵測比較不容易受到陰影的影 響,因此在陰影較多的情況底下本文提出的方法較容易出錯,但是從整體上來看, 本文提出的方法還是有較高的準確率。. 表 4-7. Fan 演算法[24]與本文提出的方法比較表 Fan 演算法[24] 演算法. 本文提出的做法. 躁動率 躁動率. 50.45%. 0.71%. 準確率. 96.19%. 97.07%. 每秒處理張數. 32~35. 55~60. - 59 -.

(71) 第五章. 結論與未來展望 結論與未來展望. 本論文研究主要著重在改善躁動與提升效能,透過垂直方向的 Sobel 邊緣偵 測與本文特別設計的雜訊遮罩,可以有效的改善躁動的問題使錯誤率下降。使用 適應性的橢圓形 ROI 可以有效的減少參數空間中的計算量,在影像空間中使用適 應性的遮罩來縮減前處理的處理區域,除了可以減少計算量,也可以減少部分陰 影對車道線偵測的影響。 在前處理中有效的改善躁動問題,主要是使用垂直方向的 Sobel 邊緣偵測, 得到的邊緣影像在內側與外側之間沒有空洞的出現。而車道線的附近也會有一些 因車輛磨損產生的雜訊,利用本文所設計的濾波器遮罩可以有效的減少雜訊。因 此前處理過後的車道線邊緣影像,在內外側的中間沒有了空洞的影響,雜訊的影 響也降低,自然也就有效的減少了躁動問題的發生。 適應性的橢圓形 ROI 主要是利用在穩定行車時,前後張畫面不會有太大的差 異而設計的。根據前兩張影像中所獲得的參數去判斷,要選用較大的橢圓形 ROI 來做追蹤,或是較小的橢圓形 ROI 來做追蹤,藉由此一判斷來減少不必要的計算 量。 經過本文改善過後,在準確率的部分從原先的 96.19%提升到 97.07%,提升 了大約 1%左右。在處理速度的部分,由原先的每秒處理 32~35 張畫面,提升到 每秒處理 55~60 張畫面,整體提升了 71%左右。 雖然整體的正確率有所提升,但是在上一章節中有提到,當有車輛在變換車 道時,覆蓋在車道線上時間太長,會造成偵測上的錯誤,未來將朝向此一部份做 改善,進一步提升準確度。. - 60 -.

(72) 參考文獻. [1]. 行政院衛生署 http://www.doh.gov.tw/cht2006/index_populace.aspx. [2]. 內政部警政署 http://www.npa.gov.tw/NPAGip/wSite. [3]. M. Bertozzi and A. Broggi, “Real-time lane and obstacle detection on the GOLD system,” Proc. IEEE Intelligent Vehicles Symposium, Tokyo, Japan, Sep.18-20, pp.213-218, 1996.. [4]. S.-Y. Chen and J.-W. Hsieh, “Edge-Based Lane Change Detection and its Application. to. Suspicious. Driving. Behavior. Analysis,”. International. Conference Intelligent Information Hiding and Multimedia Signal Processing (IIHMSP), pp.415–418, Nov. 2007. [5]. C. Lipski, B. Scholz, K. Berger, C. Linz, and T. Stich, “A Fast and Robust Approach to Lane Marking Detection and Lane Tracking,” IEEE Southwest Symposium on Image Analysis and Interpretation (SSIAI), pp. 57–60, March 2008.. [6]. B.-F. Wu, W.-H. Chen, C.-W. Chang, C.-J. Chen, and M.-W. Chung, “A New Vehicle Detection with Distance Estimation for Lane Change Warning Systems,” IEEE Intelligent Vehicles Symposium, pp. 698–703, June 2007.. [7]. Y.-U. Yim and S.-Y. Oh, “Three-Feature Based Automatic Lane Detection Algorithm (TFALDA) for Autonomous Driving,” IEEE Trans. Intelligent Transportation Systems, pp.219–225, 2003.. [8]. C.-C. Wang, S.-S. Huang, and L.-C. Fu, “Driver assistance system for lane detection and vehicle recognition with night vision,” International Conference Intelligent Robots and Systems (IROS), pp.3530-3535, Aug. 2005.. - 61 -.

(73) [9]. A.A. Assidiq, O.O. Khalifa, M.R. Islam, and S. Khan, “Real Time Lane Detection for. Autonomous Vehicles,” International Conference Computer. and Communication Engineering (ICCCE), pp. 82–88, May 2008. [10]. C.R. Jung and C.R. Kelber, “Lane following and lane departure using a linear-parabolic model,” Image and Vision Computing, vol. 23, no.13, pp. 1192-1202, Nov. 2005.. [11]. Qing Li, Nanning Zheng, and Hong Cheng, “Springrobot: a prototype autonomous vehicle and its algorithms for lane detection,” IEEE Trans. on Intelligent Transportation Systems, vol. 5, No. 4, Dec. 2004.. [12]. C. D’Cruz and J.J. Zou, “Lane Detection for Driver Assistance and Intelligent Vehicle. Applications,”. International. Symposium. Communications. and. Information Technologies, pp. 1291–1296, Oct. 2007. [13]. Yue Wang, Eam Khwang Teoh, and Dinggang Shen, “Lane detection and tracking using B-Snake,” Image and Vision Computing, vol.22, pp. 269-280, 2004.. [14]. Haiping Lin, Suhong Ko, Wang Shi, Yeongim Kim, and Hyongsuk Kim, “Lane departure identification on Highway with searching the region of interest on Hough space,” 2007 ICCAS ’07 International Conference on Control, Automation and Systems, pp. 1088-1091, 2007.. [15]. Jianfeng Wang, Ye Wu, Zehua Liang, and Yuanjun Xi, “Lane Detection Based on Random Hough Transform on Region of Interesting,” 2010 IEEE International Conference on Information and Automation (ICIA), pp. 1735-1740, 2010.. [16]. Feng You, Rong-ben Wang and Rong-hui Zhang, “Based on Digital Image Lane Edge Detection and Tracking under Structure Environment for. - 62 -.

(74) Autonomous Vehicle,” IEEE International Conference on Automation and Logistics, pp.1310-1314, 2007. [17]. Bang-Gui Zheng, Bing-Xiang Tian, Jian-Min Duan and De-Zhi Gao, “Automatic Detection Technique of Preceding Lane and Vehicle,” Proceedings of the IEEE International Conference on Automation and Logistics Qingdao, pp. 1370-1375, 2008.. [18]. Pei-Yung Hsiao, Chun-Wei Yeh, Shih-Shinh Huang, and Li-Chen Fu, “A Portable Vision-Based Real-Time Lane Departure Warning System: Day and Night,” IEEE Transactions on Vehicular Technology, Vol. 58, No. 4, pp. 2089-2094, 2009.. [19]. Qing Lin, Youngjoon Han, and Hernsoo Hahn, “Real-time Lane Detection Based on Extended Edge-linking Algorithm,” 2010 Second International Conference on Computer Research and Development, pp. 725-730, 2010.. [20]. Cheng-Jian Lin, Jyun-Guo Wang, Shyi-Ming Chen, and Chi-Yung Lee, “Design of a Lane Detection and Departure Warning System Using Functional-Link-Based Neuro-fuzzy Networks,” 2010 IEEE International Conference on Fuzzy Systems (FUZZ), pp. 1-7, 2010.. [21]. Seonyoung Lee, Haengseon Son, and Kyungwon Min, “Implementation of Lane Detection System using Optimized Hough Transform Circuit,” 2010 IEEE Asia Pacific Conference on Circuits and Systems (APCCAS), pp. 406-409, 2010.. [22]. Yu-Chi Leng, and Chieh-Li Chen, “Vision-Based Lane Departure Detection System in Urban Traffic Scenes,” 2010 11th International Conference on Control Automation Robotics & Vision (ICARCV), pp. 1870-1875, 2010.. [23]. Keyou Guo, Na Li, and Mo Zhang, “Lane Detection Based on the Random Sample Consensus,” 2011 International Conference on Information Technology, - 63 -.

(75) Computer Engineering and Management Sciences (ICM), vol. 3, pp. 38-41, Sept. 2011. [24]. Hsiu-Yuan Fan, “An Effective Detection Based on Elliptical ROI and Limited Parameters in Hough Space,” Journal of Engineering, National Chung Hsing University, Vol. 23, No. 1, pp. 1-12, 2012.. [25]. 霍夫轉換參閱自維基百科全書 http://en.wikipedia.org/wiki/Hough_transform. [26]. R. K. Satzoda, S. Suchitra, and T. Srikanthan, “Parallelizing the Hough Transform Computation,” Signal Processing Letters, IEEE, vol. 15, pp. 297-300, 2008.. [27]. Ravi Kumar Satzoda, Suchitra Sathyanarayana, Thambipillai Srikanthan, “Hierarchical Additive Hough Transform for Lane Detection,” IEEE EMBEDDED SYSTEMS LETTERS, vol. 2, pp. 23-26, June 2010.. - 64 -.

(76) 自. 傳. 我叫游重賢,自小居住在新北市中和區,家中成員有父、母以及一個小 我兩歲的弟弟。父親從事水電相關的工作,媽媽是一個專職的家庭主婦,弟 弟目前就讀大學。從小家中若有電器損壞,都由父親親手修好的。也許是受 到父親的影響,我從小就喜歡接觸電器產品,對於電路及電學產生好奇,進 而衍生興趣,也從父親身上學到很多實用的知識。 求學時期,我在班上成績屬中上。卻在國中基測時,沒考上理想的公立 高中,經過一番寒澈骨,利用私立高中嚴謹的求學風氣好好的磨練自己,反 而從中培養出求學方法以及體會到學習的樂趣。高三時,接觸到與電學相關 的知識,我開始對這個領域充滿無限憧憬,更不用說現代人的生活與”電” 息息相關,再再加深我對這領域的求知若渴。進入大學生活後,東吳大學物 理系於我而言,就像如魚得水,只要是與電學相關的課程我都虔心修讀,現 在要準備展開我學習生涯的另一個階段,學無止盡,除了目前我所習得的課 程外,我想朝專業這條路好好努力,往研究所前進。 在大學時期因興趣加入了網球社,擔任社團的公關長以及活動長,擔任 公關的期間,因社團舉辦活動,開始嚐試到處尋求贊助,拓展不少人際關係。 而擔任活動期間,接洽過多次校際比賽。從這些活動中,熟悉操作行政流程。 在網球社中學習到很多東西,尤其在人際關係與時間分配方面,讓自己在有 限的時間,掌握學習與樂趣。 研究所就讀台灣師範大學應用電子科技所,指導老師為蘇崇彥教授,主 要是學習影像相關知識,而我研究的主題為車道線偵測,主要是用在行車安 全的研究上,進而減少事故的發生。. - 65 -.

(77) 學術成就. 發表文章: 1.. Chung-Hsien Yu, Chung-Yen Su, “An Improved Lane Detection Algorithm and the Definition of the Error Rate Standard,” Fourth International Conference on Digital Image Processing (ICDIP 2012), 83341H, Kuala Lumpur, Malaysia April 07, 2012.. 參與計畫: 1.. 低複雜度解馬賽克與影像縮放之研究,民國 99 年 8 月至民國 100 年 7 月。. 2.. 基於模糊回歸之新的色彩插補技術,民國 100 年 8 月至民國 101 年 7 月。. - 66 -.

(78)

參考文獻

相關文件

(英文) The Sixth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (IIHMSP 2010). 發表 論文

Shih and W.-C.Wang “A 3D Model Retrieval Approach based on The Principal Plane Descriptor” , Proceedings of The 10 Second International Conference on Innovative

[16] Goto, M., “A Robust Predominant-F0 Estimation Method for Real-time Detection of Melody and Bass Lines in CD Recordings,” Proceedings of the 2000 IEEE International Conference

Jones, &#34;Rapid Object Detection Using a Boosted Cascade of Simple Features,&#34; IEEE Computer Society Conference on Computer Vision and Pattern Recognition,

Harma, “Automatic identification of bird species based on sinusoidal modeling of syllables,” in Proceedings of IEEE International Conference on Acoustics, Speech,

Kalker, “Speed-Change Resistant Audio Fingerprinting Using Auto-Correlation,” in IEEE International Conference on Acoustics, Speech, and Signal Processing, vol. Kalker,

Gu, “Corner Block List: An Effective and Efficient Topological Representation of Nonslicing Floorplan,” IEEE/ACM International Conference on Computer-Aided Design, pp.8–12,

[3] Ke Xiaolong, “Study on Software and Hardware Control of High-precision Measurement Platform for Optical Aspheric Surface”, 2009 IEEE International Conference on