Vid tester genomförda på tre olika bildströmmar identifierades båda kantlinjerna i 96.2% utav alla bilder, 406 utav 422. Grafen i figur 5.9 visualiserar resultatet från en av dem. I denna bildström genomfördes en skarp korrigering av styrvinkeln vilket resulterade i att en av vägkantslinjerna hamnade utanför intresseregionen temporärt.
Figur 5.9: Visualisering utav antalet bilder där båda kantlinjerna identifierats vid
ett utav testen. Y-axeln visar antalet bilder där båda kantlinjerna identifierats och X-axeln visar totalt antal processerade bilder.
Tabell 5.5: Tabellen visar hur ofta vägkantsidentifieringen och den faktiska
positionen given av gulliview är överens om vilken sida fordonet är om mittlinjen. Gränsvärdet är det värde som resultatet från vägkantsidentifieringen har mätts mot när beslut har tagits hurvida bilden skall tas med i beräkningarna eller ej.
gränsvärde bildström 1 bildström 2 bildström 3 genomsnitt
0 81.6% 71.8% 73.13% 75.51%
25 90.1% 82% 76.53% 82.87%
35 93.3% 90.7% 76.25% 86.75%
50 96.3% 96.15% 86.85% 93.1%
Vägkantsidentifieringen rapporterar avvikelsen från mittlinjen, angivet i pixlar. Ba-ra de bilder där absolutbeloppet av vägkantsidentifieringens resultat är större än eller lika med gränsvärdet har tagits med i resultaten.
En intressant slutsats man kan dra utifrån tabellen ovan är att resultaten blir bättre allteftersom gränsvärdet växer. I en situation där fordonet ligger för långt ifrån mitt-linjen är chansen större att vägkantsidentifieringen rapporterar ett korrekt värde, gentemot när fordonet ligger nära mittlinjen, och att fordonet kan göra de korrekta korrigeringarna.
Vid processering av samma bildström där metoden inte sätter en intresseregion iden-tifieras två vägkantslinjer i 85.8% av alla bilder, vilket kan jämföras med 96.2% då en intresseregion har satts. Om man i alla bilder där två vägkantslinjer identifie-rats sållar bort dem vars värde från vägkantsidentifieringen anses orimliga uppnås 62.59%. De värden som anses orimliga är de som inte är relativt nära mittlinjen. I de tester som gjorts har bildströmmen bestått av 640 pixlar i x-led, och orimliga värden ansågs vara de som inte låg inom intervallet [-300,300]. Således är en intresseregion väldigt viktigt för resultatet.
När metoden för vägkantsidentifiering utformades fann man att histogramutjäm-ningen skulle kunna utelämnas.
(a) Identifierade kanter med histogramutjämning.
(b) Identifierade kanter utan histogramutjämning.
Figur 5.10: Histogramutjämningen är inte nödvändig för att identifiera kanterna
med tillräckligt hög säkerhet.
Trots detta motiveras appliceringen av en histogramutjämning på den gråskalade bilden då nästkommande steg blir påverkat. Vid binäriseringen traverseras bilden och pixlar inom ett visst intervall görs vita. Detta intervall är [247,255] då histo-gramutjämning utförts och [100,255] då den inte utförts. Om binäriseringen sker med intervallet [100,255] är det mycket större risk att något som inte är en kant-linje, fast har en någorlunda vit nyans blir identifierat. Två linjer identifierades i 95.73% av alla bilder då histogramutjämning inte genomförts, gentemot 96.2% då histogramutjämning utförts.
Tabell 5.6: Tabellen visar den genomsnittliga felmarginal som uppmätts från
vägkantsidentifieringens avstånd till mittlinjen, i mm, gentemot det faktiska avståndet till mittlinjen.
gränsvärde bildström 1 bildström 2 bildström 3 genomsnitt
0 14.44 8.95 17.29 13.56
25 12.47 9.14 14.85 12.15
35 11.60 10.54 15.35 12.49
50 11.73 10.84 13.67 12.08
Det genomsnittliga fel som rapporteras från vägkantsidentifieringen är mellan 1.2 och 1.35 cm, vilket är ungefär 3.6% utav körfältets bredd. Tabellen visar även att i kontrast mot tidigare tabell blir resultatet inte nödvändigtvis bättre med ett högre gränsvärde. Detta måste man ta ställning till när man bestämmer gränsvärde.
Den frekvens som uppnåddes vid processering av bilderna uppmättes till 12.11 Hz, dvs 12.11 bilder processerades fullt ut per sekund.
6
Diskussion
I detta avsnitt diskuteras de olika postioneringssystemens resultat med avseende på precision i positionsuppskattningen. Även förslag på förbättringsåtgärder och brister i systemen tas upp. Avsnittet jämför också de utvecklade systemen med befintliga system inom området autonom navigering. Objektidentifiering diskuteras separat då det anses vara en mycket central del för vidareutveckling av systemen.
6.1 Objektidentifiering
När de två metoderna för objektidentifiering ställs mot varandra finns det två kvan-titeter av intresse. Den första är deras respektive FPS och den andra är vilken information som kan fås ut från respektive system.
Enligt avsnitt 5.1 visar resultatet att metoden för färgidentifiering är något snab-bare än formidentifiering, oberoende av vilken dator metoden körs på. Skillnaden i prestanda kan leda till att säkerheten för att ett objekt upptäcks är större. Den skillnaden anses dock inte vara tillräckligt stor för att den skall påverka beslutet om vilken metod som är mest lämplig.
Differansen i mängden information som kan hämtas ur varje bild för de båda me-toderna är större än skillnaden i exekveringshastighet. Som beskrivs i avsnitt 4.2.1 så har färgidentifiering svårt att lokalisera specifika objekt i en bild. Detta leder till att färgidentifiering inte är lämpligt då syftet med objektidentifieringen för positio-neringssystemen är att uppdatera fordonets position med referensmarkörerna som utgångspunkt. Formidentifiering kan däremot användas med hög precision för att bestämma var i bilden en markör befinner sig samt var i bilden dess hörn är.
Det finns många faktorer som kan försvåra identifieringen av objekt med form-identifiering. Metoden identifierar bara former med tydliga hörn inom kamerans synfält. Former med 1 eller 2 hörn utanför kamerans synfält identifieras inte av Metoden. Algoritmen för formidentifiering är känslig för ljus. En miljö med för hög eller för låg ljusstyrka kan leda till störningar i bilden eller att bilden blir suddig, vilket försvårar identifieringen. Markörerna måste vara rätt placerade, de måste vara riktade åt samma håll. En sned placerad form ger fel vinklar.
Metoden litar på att IPM ger ett resultat där bilden ses ortogonalt från vägbanan. Om detta ej är fallet kommer alla vinklar och längder skilja sig från dess verkliga värden.