diff --git a/Bachelorarbeit.pdf b/Bachelorarbeit.pdf
index e5d0b05962ae5a999d9dda89b4d0b1952039a7f1..e3f956c25688d3e9281dba65d5e7577b923eba8f 100644
Binary files a/Bachelorarbeit.pdf and b/Bachelorarbeit.pdf differ
diff --git a/chap/implementation.tex b/chap/implementation.tex
index 5830dab184623b7991fba4fec178cd2908125bda..284cbb1ee1a183edc450b2dd85b49d7f55aed494 100644
--- a/chap/implementation.tex
+++ b/chap/implementation.tex
@@ -235,7 +235,7 @@
\label{fig: classified edges}
\end{figure}
- \subsubsection{Genauigkeit der Klassifizierung}
+ \subsubsection{Genauigkeit der Klassifizierung} \label{sub: genauigkeit klassifizierung}
Die Klassifizierung erfolgt leider nicht immer völlig zuverlässig. Gut klassifizierte Kanten haben für die gesamte Länge der Linie
dieselbe Klasse erhalten wie es im vergrößerten Bildausschnitt \autoref{fig: gute kante} zu sehen ist. Im Gegensatz dazu haben
@@ -263,6 +263,93 @@
\subsection{Linienbildung} \label{sec: linien finden}
+ Mit den Informationen über die Kantenklasse kann nun der eigentliche Prozess der Linienerkennung erfolgen. Dieser glieder sich in zwei
+ Schritte, das Zusammenfassen von gleich klassifizierten Kantenpixeln zu durchgängigen Linien und das Zusammenfassen von Linien zu einer
+ Fahrspurmarkierung.
+
+ Für den ersten Schritt ist es ein weiters mal nötig über das gesamte Bild zu iteriert. Auch diesmal können wieder alle schwarzen Pixel
+ übersprungen werden. Wird ein klassifiziertes Pixel gefunden, muss überprüft werden, ob es sich um ein Startpixel handelt. Startpixel sind
+ Pixel, die keine Nachbarn in der ihrer Klasse entsprechenden Ursprungsrichtung haben. Zum Beispiel wäre ein Pixel der \emph{Vertikal}
+ Klasse ein Startpixel, wenn sich direkt oder diagonal über ihm keine weiteren Pixel derselben Klasse befinden.
+
+ Ist ein Startpixel gefunden, wird es für später abgespeichert. Nun wird der Linie zu ihrem Ende gefolgt. Dazu wird der nächste
+ Nachbarpixel gesucht. Da die grobe Richtung entsprechend der Klasse bekannt ist, müssen hier nicht alle Nachbarpixel überprüft werden.
+ Beim Beispiel mit der \emph{Vertikal} Klasse müssten die Pixel direkt und diagonal unterhalb betrachtet werden. Existiert ein Nachbar wird
+ dieser ausgewählt und der Prozess wiederholt. Dabei werden alle bereits besuchten Pixel aus dem Bild gelöscht, damit sich nicht nocheinaml
+ untersucht werden.
+
+ \begin{lstlisting}[
+ float,
+ style=example,
+ caption={Verfolgen einer Linie vom Start- zum Endpunkt},
+ label=code: follow line,
+ language=Python
+ ]
+ start = (u, v)
+ relevant_nh *= -1
+
+ while True:
+ pixel_info[u, v] = 0
+ for x, y in relevant_nh:
+ if e == pixel_info[u+x, v+y] & 0x0f:
+ u, v = u+x, v+y
+ break
+ else: # no more neighbours
+ break
+
+ l = Line(start, (u, v), info)
+ if l.length > 5:
+ lines.append(l)
+ \end{lstlisting}
+
+ Hat ein Pixel keine weiteren Nachbarn, ist er der Endpunkt dieser Linie. Start und Endpunkt werden in ein Linienobjekt zusammengefasst
+ und abgespeichert. Zusätzliche wird ebenfalls die Orientierungsklasse mit abgespeichert.
+
+ Mittels Start- und Endpunkt kann außerdem die Länge der Linie bestimmt werden. Da durch die in \autoref{sub: genauigkeit klassifizierung}
+ beschriebenen Störungen viele kurze Linien gefunden werden, deren Berücksichtigung zu viel Rechenzeit in Anspruch nehmen würde, werden
+ Linien unter einer Minimallänge von 5 Pixeln vernachlässigt.
+
+ Akzeptierte Linien werden ihrer Orientierung entsprechen in einzelnen Listen abgespeichert, sodass am Ende eine Liste für jede
+ Orientierungsklasse entstanden ist.
+
+ \medskip
+ Da ein Linienmarker immer aus einer linken und einer rechten Kante besteht, können wir diese durch Bilden von Linienpaaren gleicher
+ Orientierung, aber unterschiedlichem Vorzeichen, die in geringem Abstand zueinander liegen, identifizieren.
+
+ Dazu werden die Elemente der entsprechenden Listen nacheinander miteinander verglichen, biss ein passendes Paar gefunden wurde. Ein
+ Beispiel ist in \autoref{code: find pairs} für Linienmarkierungen der Orientierung \emph{Digital 1} gezeigt. Es wird für jeden Kandidaten
+ aus der ersten Liste ein Partner in der zweiten Liste gesucht. Ein solcher ist gefunden, wenn die Start- und Endpunkte beider Linien
+ innerhalb bestimmter Bereiche liegen.
+
+
+ \begin{lstlisting}[
+ float,
+ style=example,
+ caption={Finden von Linienpaaren in Python},
+ label=code: find pairs,
+ language=Python
+ ]
+ for a in left_D1_edges:
+ for b in right_D1_edges:
+ if (
+ (a.start[0] - 20) < b.start[0] < (a.start[0] + 20) and
+ a.start[1] < b.start[1] < (a.start[1] + 30) and
+ (a.end[0] - 20) < b.end[0] < (a.end[0] + 20) and
+ a.end[1] < b.end[1] < (a.end[1] + 20)
+ ):
+ markings_found.append(LineMarking(a,b, "left"))
+ right_D1_edges.remove(b)
+ break
+ \end{lstlisting}
+
+ Die gefundenen Linienpaare werden zu einem Linienmarker Objekt zusammengefasst. In diesem wird der Umriss bestehend aus den vier
+ Linienpunkten abgespeichert. Außerdem wird der Mittelwert der beiden Start- und Endpunkte gebildet und somit die Mittellinie des
+ Linienmarkers angenähert.
+
+ So gefundene Linienmarker lassen sich wieder im Beispielbild markieren, wodurch sich \autoref{fig: found markings} ergibt. Wie man dort
+ sehen kann, wurden die Linienmarker der eigenen linken und rechten Fahrspurbegrenzung erfolgreich identifiziert. Weitere Markierungen
+ anderer Spuren konnten aufgrund der unzuverlässigen Klassifizierung nicht erkannt werden.
+
\begin{figure}
\includegraphics[width=.6\textwidth]{img/Marks_found-lines.png}
\caption{Umrisse und Mittellinien der gefundenen Fahrspurmarkierungen}
@@ -270,9 +357,38 @@
\end{figure}
- \subsection{Performance Betrachtung}
+ \subsubsection{Komplexere Szenen}
+
+ Nicht jede Situation, auf die der Roboter treffen kann, führt zu so guten Ergebnissen wie das gezeigte Beispiel. Daher sind in
+ \autoref{fig: vergleich szenen} einige weitere Beispiele und die darin detektireten Markierungen im direkten Vergleich gezeigt.
- sehr schlecht offensichtlich...
+ In \ref{subfig: demo C} sind die Linienbegrenzungen nahe am Fahrzeug durchgezogen und werden erst in größerer Entfernung gestrichelt.
+ Hier war die Erkennung der durchgezogenen Teile sehr gut möglich, jedoch kam es zu einer unpräzisen Identifizierung im oberen Teil der
+ rechten Linie, da sich zwei Liniensegmente unterschiedlicher Linien zu nahe aneinander befanden.
+
+ Bei der Szene \ref{subfig: demo A} handelt es sich um eine Kurve. Dies erschwert die Erkennung deutlich, da eine durchgängige
+ Klassifizierung einer Kante nicht garantiert ist. Daher sind auch nicht alle Spurmarkierungen identifiziert.
+
+ Der letzte Vergleich \ref{subfig: demo B} zeigt eine Szene mit vollständig durchgezogener Linie. Dies ist aus dem Grund schwierig, das
+ die Wahrscheinlichkeit einer Störung durch die hohe Pixelanzahl sehr groß ist. Daher wurde die rechte Kante der Linie auch nicht
+ durchgängig erkannt und der gefunden Marker wirkt verzehrt.
+
+ \begin{figure}
+ \subfigure[lange Linien]{ \label{subfig: demo C}
+ \includegraphics[width=.23\textwidth]{img/demo_org_C.png}
+ \includegraphics[width=.23\textwidth]{img/demo_found_C.png}
+ }
+ \subfigure[leichte Kurve]{ \label{subfig: demo A}
+ \includegraphics[width=.23\textwidth]{img/demo_org_A.png}
+ \includegraphics[width=.23\textwidth]{img/demo_found_A.png}
+ }
+ \subfigure[durchgezogene Linie]{ \label{subfig: demo B}
+ \includegraphics[width=.23\textwidth]{img/demo_org_B.png}
+ \includegraphics[width=.23\textwidth]{img/demo_found_B.png}
+ }
+ \caption{Ergebnisse bei komplexeren Szenen im Vergleich}
+ \label{fig: vergleich szenen}
+ \end{figure}
\section{Implementierung in eine ROS Node}
diff --git a/img/Marks_found-lines.png b/img/Marks_found-lines.png
new file mode 100644
index 0000000000000000000000000000000000000000..3f9b1b7710cfab27d79029bd224924b59fdbf562
Binary files /dev/null and b/img/Marks_found-lines.png differ
diff --git a/img/demo_found_A.png b/img/demo_found_A.png
new file mode 100644
index 0000000000000000000000000000000000000000..50fd639083331b817e9fdc3272e3fc9e2b42bb72
Binary files /dev/null and b/img/demo_found_A.png differ
diff --git a/img/demo_found_B.png b/img/demo_found_B.png
new file mode 100644
index 0000000000000000000000000000000000000000..f5e5722c366800e96d08d3bdc9a598f00ab96f00
Binary files /dev/null and b/img/demo_found_B.png differ
diff --git a/img/demo_found_C.png b/img/demo_found_C.png
new file mode 100644
index 0000000000000000000000000000000000000000..444822d7f93fc1354d3a90b30eeeb1aae4c68847
Binary files /dev/null and b/img/demo_found_C.png differ
diff --git a/img/demo_org_A.png b/img/demo_org_A.png
new file mode 100644
index 0000000000000000000000000000000000000000..d002ed2cbced7e4e06b6d2dc7339dbb2a92e983b
Binary files /dev/null and b/img/demo_org_A.png differ
diff --git a/img/demo_org_B.png b/img/demo_org_B.png
new file mode 100644
index 0000000000000000000000000000000000000000..033b901fa001d3dd79270b238a84f26ebab7b718
Binary files /dev/null and b/img/demo_org_B.png differ
diff --git a/img/demo_org_C.png b/img/demo_org_C.png
new file mode 100644
index 0000000000000000000000000000000000000000..28b331b2ad4bf1f7a907b045c0f2809cb2815c63
Binary files /dev/null and b/img/demo_org_C.png differ