DETECTION DE LA CHAUSSEE / ROAD DETECTION
DETECTION D'OBSTACLES / OBSTACLE DETECTION

Vous trouverez ici quelques vidéos illustrant les algorithmes de segmentation automatique de la chaussée et de détection d'obstacles définis au CMM dans le cadre du projet PROMETHEUS.
Here are some videos illustrating the automatic road segmentation and obstacle detection algorithms designed at the CMM in the framework of the PROMETHEUS project.

Animation 1: Détection de la voie/Lane detection

La voie est segmentée grâce à une ligne de partage des eaux. Cette segmentation est réalisée image par image, ce qui explique les résultats perturbés lorsque la voiture arrive sous le pont. Le cadre rouge indique la zone d'intérêt explorée par la détection d'obstacles.
A watershed transform is used to segment the traffic lane. This segmentation is achieved on each image of the sequence. This explains the bad detection when the car is under the bridge. The red frame indicates the region of interest scanned by the obstacle detection.

Animation 2: Détection et modélisation de la route/Road detection and modelling

Dans cet exemple, la voie courante est segmentée comme précédemment, mais un modèle de route est ajusté en permanence. Ce modèle permet de prendre en compte les voies adjacentes. Le changement de voie est également bien géré. On remarquera que la vue provient de la caméra arrière.
In this example, the current lane is segmented as before, but a road model is computed from the segmentation and permanently adjusted to the image. This model takes into account the neighbouring lanes. The lane change is also correctly managed. Note that this view is provided by the rear camera.

Animation 3: Détection d'obstacles/Obstacle detection

Les obstacles (véhicules) sont mis en évidence à l'aide de trois critères : un critère de luminance (zone d'ombre), un critère de taille (la valeur de ce paramètre dépend de la position de l'obstacle dans l'image) et enfin un critère de symétrie verticale. Dans cet exemple, le détecteur d'obstacle fonctionne sur l'ensemble de l'image, ce qui explique quelques fausses détections. Ces fausses détections disparaissent lorsqu'on se limite à la chaussée (c'est un des intérêts de segmenter la chaussée) et lorsqu'un suivi temporel est réalisé.
Obstacles (vehicles) are detected by means of three criteria: a luminance criterion (shadow zone), a size criterion (the value of this parameter varies according to the position of the obstacle in the image) and finally a symmetry criterion. In this example, false obstacle detection occur because the obstacle detector explores the entire picture. These false detections are suppressed when the detector works only on the region of the road and when an obstacle time tracking is performed.

Animation 4: Détection et suivi d'obstacle/Obstacle detection and tracking

Dans cet exemple, la segmentation de la voie et la détection d'obstacles dans cette voie sont combinés. Les cadres rouge et vert indiquent respectivement la portion de voie libre devant le véhicule et l'obstacle détecté.
In this example, the lane segmentation and the obstacle detection are combined. The red window shows the free zone in front of the vehicle and the green one displays the detected obstacle.

Animation 5: Détection des clignotants/Flashing lights detection