abstract={In {\textquotedbl}Computergrafik und Bildverarbeitung{\textquotedbl} finden Sie alles, was Sie f{\"u}r Studium und Praxis {\"u}ber Generierung und Verarbeitung von digitalen Bildern wissen m{\"o}chten und wie Sie es anwenden. Das erfolgreiche didaktische Konzept wurde weiterentwickelt und liegt ab dieser dritten Auflage in zwei Teilen vor. {\textquotedbl}Computergrafik und Bildverarbeitung{\textquotedbl} Band I f{\"u}hrt den Leser durch die Themen der Computergrafik. Dabei werden das alte und neue OpenGL parallel dargestellt, um einen guten Zugang f{\"u}r Einsteiger und einen leichteren {\"U}bergang f{\"u}r Fortgeschrittene zu gew{\"a}hrleisten. Profitieren Sie von dem kostenlosen Online-Service: Bildverarbeitungswerkzeuge, Beispiel-Software und interaktive Vorlesungen (als HTML-Seiten mit Java-Applets und Praktikumsaufgaben). Der Inhalt Interaktive 3D-Computergrafik - OpenGL - Geometrische Grundobjekte - Koordinatensysteme und Transformationen - Verdeckung - Farben - Beleuchtungsmodelle - Textur-Mapping - Schatten - Szenengraphen - Cull-Algorithmen - GPU Programmierung mit CUDA und OpenCL Die Zielgruppe Studenten der Informatik und der Ingenieurwissenschaften (FH und Uni) Praktiker, die sich beruflich mit Methoden der Computergrafik und Bildverarbeitung befassen Die Autoren Prof. Dr. Alfred Nischwitz, Hochschule M{\"u}nchen, industriell erfahrener Experte auf den Gebieten Computergrafik, Bildverarbeitung und Mustererkennung. Prof. Dr. Max Fischer, Hochschule M{\"u}nchen, international ausgewiesener Forscher auf den Gebieten Robotik, Computer Vision und Embedded Systems. Prof. Dr. Peter Haber{\"a}cker, Hochschule M{\"u}nchen, Pionier auf dem Gebiet Bildverarbeitung/Mustererkennung, hat dazu bereits zwei Lehrb{\"u}cher geschrieben. Prof. Dr. Gudrun Socher, Hochschule M{\"u}nchen, Professorin f{\"u}r Mensch-Maschine-Interaktion mit internationaler Erfahrung in Computer Vision und Mustererkennung.},
abstract={In {\textquotedbl}Computergrafik und Bildverarbeitung{\textquotedbl} finden Sie alles, was Sie f{\"u}r Studium und Praxis {\"u}ber Generierung und Verarbeitung von digitalen Bildern wissen m{\"o}chten und wie Sie es anwenden. Das erfolgreiche didaktische Konzept wurde weiterentwickelt und liegt ab dieser dritten Auflage in zwei Teilen vor. {\textquotedbl}Computergrafik und Bildverarbeitung{\textquotedbl} Band I f{\"u}hrt den Leser durch die Themen der Computergrafik. Dabei werden das alte und neue OpenGL parallel dargestellt, um einen guten Zugang f{\"u}r Einsteiger und einen leichteren {\"U}bergang f{\"u}r Fortgeschrittene zu gew{\"a}hrleisten. Profitieren Sie von dem kostenlosen Online-Service: Bildverarbeitungswerkzeuge, Beispiel-Software und interaktive Vorlesungen (als HTML-Seiten mit Java-Applets und Praktikumsaufgaben). Der Inhalt Interaktive 3D-Computergrafik - OpenGL - Geometrische Grundobjekte - Koordinatensysteme und Transformationen - Verdeckung - Farben - Beleuchtungsmodelle - Textur-Mapping - Schatten - Szenengraphen - Cull-Algorithmen - GPU Programmierung mit CUDA und OpenCL Die Zielgruppe Studenten der Informatik und der Ingenieurwissenschaften (FH und Uni) Praktiker, die sich beruflich mit Methoden der Computergrafik und Bildverarbeitung befassen Die Autoren Prof. Dr. Alfred Nischwitz, Hochschule M{\"u}nchen, industriell erfahrener Experte auf den Gebieten Computergrafik, Bildverarbeitung und Mustererkennung. Prof. Dr. Max Fischer, Hochschule M{\"u}nchen, international ausgewiesener Forscher auf den Gebieten Robotik, Computer Vision und Embedded Systems. Prof. Dr. Peter Haber{\"a}cker, Hochschule M{\"u}nchen, Pionier auf dem Gebiet Bildverarbeitung/Mustererkennung, hat dazu bereits zwei Lehrb{\"u}cher geschrieben. Prof. Dr. Gudrun Socher, Hochschule M{\"u}nchen, Professorin f{\"u}r Mensch-Maschine-Interaktion mit internationaler Erfahrung in Computer Vision und Mustererkennung.},
abstract={This paper presents a novel real-time distance determination algorithm using an image sensor for use in an automobile environment. The system uses a forward facing camera placed within the vehicle. From a single forward facing image, it is difficult to determine distances to objects in front of the vehicle with any degree of certainty. There is a non linear relationship between the height of an object in a forward facing image and its distance from the camera. This paper presents a method which uses Inverse Perspective Mapping (IPM) to overcome this problem. Using IPM, we can transform the forward facing image to a top-down "bird's eye" view, in which there is a linear relationship between distances in the image and in the real world. The algorithm is implemented in the C language using the OpenCV libraries. Implementation in OpenCV leads to a high performance, low overhead system that could be implemented on a low power embedded device in an automotive environment.},
author={Muad, A.M. and Hussain, A. and Samad, S.A. and Mustaffa, M.M. and Majlis, B.Y.},
...
...
@@ -86,9 +76,7 @@
pages={207-210},
abstract={Vision based automatic lane tracking system requires information such as lane markings, road curvature and leading vehicle be detected before capturing the next image frame. Placing a camera on the vehicle dashboard and capturing the forward view results in a perspective view of the road image. The perspective view of the captured image somehow distorts the actual shape of the road, which involves the width, height, and depth. Respectively, these parameters represent the x, y and z components. As such, the image needs to go through a pre-processing stage to remedy the distortion using a transformation technique known as an inverse perspective mapping (IPM). This paper outlines the procedures involved.},
abstract={This paper presents a simple novel IPM matrix computation method, which does not require any additional solutions to calculate homography matrices. This method only requires determining the distance from camera to projecting surface. It’s simplicity allows execution even on very small energy-efficient embedded device processors without use of complex libraries such as OpenCV, that cannot be deployed there. Furthermore, it has strictly analytical solution, which allows avoidance of false optimums that are probable in heuristic methods for optimization. We provide formulas, that are easy transferable to any device and can be calculated using standard math libraries.},
abstract={Detection of lane markings based on a camera sensor can be a low-cost solution to lane departure and curve-over-speed warnings. A number of methods and implementations have been reported in the literature. However, reliable detection is still an issue because of cast shadows, worn and occluded markings, variable ambient lighting conditions, for example. We focus on increasing detection reliability in two ways. First, we employed an image feature other than the commonly used edges: ridges, which we claim addresses this problem better. Second, we adapted RANSAC, a generic robust estimation method, to fit a parametric model of a pair of lane lines to the image features, based on both ridgeness and ridge orientation. In addition, the model was fitted for the left and right lane lines simultaneously to enforce a consistent result. Four measures of interest for driver assistance applications were directly computed from the fitted parametric model at each frame: lane width, lane curvature, and vehicle yaw angle and lateral offset with regard the lane medial axis. We qualitatively assessed our method in video sequences captured on several road types and under very different lighting conditions. We also quantitatively assessed it on synthetic but realistic video sequences for which road geometry and vehicle trajectory ground truth are known},
