klassifizierung

.vscode/ltex.dictionary.de-DE.txt

@@ -39,3 +39,6 @@ jtop
 Debug-Nachricht
 Operating
 JetBot
+Canny-Edge-Detektor
+Gradientenbetrag
+Gradientenrichtung

.vscode/ltex.hiddenFalsePositives.de-DE.txt

@@ -11,3 +11,4 @@
 {"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QBeim Start der \\E(?:Dummy|Ina|Jimmy-)[0-9]+\\Q wird die main() Funktion aufgerufen, welche die notwendigen \\E(?:Dummy|Ina|Jimmy-)[0-9]+\\Q Funktionen zur Initialisierung aufruft, das benötigt \\E(?:Dummy|Ina|Jimmy-)[0-9]+\\Q abonniert, ein \\E(?:Dummy|Ina|Jimmy-)[0-9]+\\Q anhängt und die eigenen Dummies veröffentlicht.\\E$"}
 {"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDie Beziehung der Dummies ist in \\E(?:Dummy|Ina|Jimmy-)[0-9]+\\Q Grafisch dargestellt.\\E$"}
 {"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QUm die Laufzeit der \\E(?:Dummy|Ina|Jimmy-)[0-9]+\\Q zu bestimmen wird die aktuelle Zeit wie sie von der Funktion ros::Time::now() zurückgegeben wird verwendet.\\E$"}
+{"rule":"DE_CASE","sentence":"^\\QUm die Datenmenge gering und die Laufzeit schnell zu halten, werden lediglich die vier Klassen Vertikal, Horizontal, Diagonal 1 und Diagonal 2 verwendend.\\E$"}

bib/Glossareinträge.tex

@@ -74,6 +74,14 @@
 	}
 }
 
+\newglossaryentry{JetBot}{
+	name={JetBot},
+	description={
+		Der in deser Arbeite verwendete Roboter. Gesteuert wird er von einem NVIDIA Jetson Nano Entwicklerboard, auf welchem die hier erstellten
+		Programme laufen. Weiteres ist in \autoref{sec: JetBot} beschrieben.
+	}
+}
+
 \newglossaryentry{Welt-coords}{
 	name={Weltkoordinaten},
 	description={
@@ -100,12 +108,33 @@
 	name={ROI, kurz für Region of Interest},
 	text={ROI},
 	description={
-		Ein Bildbereich, der für die derzeitige Anwendung relevant ist. Das restlcihe Bild wird vernachlässigt.
+		Ein Bildbereich, der für die derzeitige Anwendung relevant ist. Das restliche Bild wird vernachlässigt.
+	}
+}
+
+\newglossaryentry{gauss-filter}{
+	name={Gaussscher Filter},
+	description={
+		Eine Filterfunktion um Bilder zu glätten. Sie biltet den mittels einer 2D-Gaußfunktion gewichten Mittelwert einer Nachbarschschaft.
 	}
 }
 
+\newglossaryentry{canny}{
+	name={Canny-Edge-Detektor},
+	description={
+		Ein Algorithmus zur Erkennung von Kanten in Bildern.
+	}
+}
+
+\newglossaryentry{Gradientenorientierung}{
+	name={Gradientenorientierung},
+	description={
+		Richtung des Farbgradienten in einer Pixelnachbarschaft. Verläuft von dunklen Bildbereichen zu hellen Bildbereichen.
+	}
+}
 
 \newglossaryentry{Kernel}{
 	name={Kernel},
+	plural={Kerneln},
 	description={\todo{Beschreibung}}
 }

chap/implementation.tex

 \chapter{Fahrspurerkennung} \label{chap: implementation}
 
-	\section{Bild Vorbereitung} \label{sec: bild vorbereitung}
+	Dieses Kapitel thematisiert, wie die Erkennung der Fahrspurmarkierungen umgesetzt wir. Begonnen wird mit einer konzeptionellen Version in
+	Python, mit der der Ablauf des Algorithmus geplant und getestet wird. Danach wird die Logik in einer \gls{C++} \gls{ROS Node} umgesetzt, um die
+	best möglichst Performance zu erhalten.
 
-	\section{Canny-Edge-Detector} \label{sec: canny edge}
+	\begin{figure}
+		\includegraphics[page=1,scale=.85]{svg/Topics_makerDetection.pdf}
+		\caption{Zusammenhang der Fahrspurmarkierung-Erkennungs \gls{ROS Node} mit den bestehenden \glspl{ROS Node}}
+		\label{fig: topics marker detection}
+	\end{figure}
+
+	Wie diese neuen \glspl{ROS Node} mit den bestehenden \glspl{ROS Node} in Beziehung stehen soll, ist in \autoref{fig: topics marker detection}
+	grafisch dargestellt. Neu ist dabei, dass diese \gls{ROS Node} das korrigierte Schwarz-Weiß Bild von der in \autoref{sec: undistort Node}
+	beschriebenen entzerrer \gls{ROS Node} abonniert und die eigenen Ergebnis als neues \gls{Topic} zur Verfügung stellt.
+
+	\section{Konzeptionierung in Python}
+
+		Die Entwicklung und Konzeptionierung des Algorithmus Erfolg in \gls{python}, da diese Sprache nicht kompiliert werden muss, was das Testen
+		beschleunigt, und generell einfacher zu verwenden ist.
+
+		Der Algorithmus lässt sich in mehre Einzelschritte aufteilen und wird daher in den folgen Unterkapitel beschreiben. Zur Übersicht
+		ist aber der gesamte Ablauf in \autoref{fig: PAP} vereinfacht skizziert. Angefangen wird dort mit dem Erhalten des Bildes, womit sowohl
+		manuelles laden eines Beispielbildes, als auch das Erhalten des Bildes über ein \gls{Topic} gemeint ist.
+
+		\begin{figure}
+			\includegraphics[scale=.85]{svg/PAP_marker_erkennung.pdf}
+			\caption{Ablauf des Algorithmus zur Erkennung von Fahrspurmarkierungen}
+			\label{fig: PAP}
+		\end{figure}
+
+		Während einer Testfahrt des \glspl{JetBot} wurden von der entzerrer \gls{ROS Node} veröffentlichte Bilder abgespeichert, sodass sie zum
+		lokalen Testen zur Verfügung stehen. Diese wurden unter \cite{git:dataset-strassen} abgelegt. In \autoref{fig: beispiel bild} ist eines dieser
+		Bilder gezeigt, mit dem im Folgenden die Einzelschritte demonstriert werden.
+
+		\begin{figure}
+			\includegraphics[width=.6\textwidth]{img/Marks_original.png}
+			\caption{Ein Beispiel Bild an dem der Ablauf demonstriert wird}
+			\label{fig: beispiel bild}
+		\end{figure}
+
+
+		\pagebreak
+		\subsection{Kantenerkennung mittels Canny-Edge-Detektor}
+
+			Begonnen wird mit der Detektion von Kante im Bild. Dazu wird das Bild zuerst mit \gls{OpenCV} geladen. \todo{Absatz Ja/Nein?}
 
-	\section{Orientierungserfassung mittels Sobel} \label{sec: sobel}
+			Um kleine Störungen im Bild, welche bestehende Kanten verzerren oder als falsche Kante erkannt werden könnten, zu reduzieren, wird das
+			Bild mit einem \glslink{gauss-filter}{Gaußschen Filter} geglättet. Es wird ein $3\!\times\!3$ \gls{Kernel} mit einer Normalverteilung von
+			$\sigma=1,5$ verwendet. \gls{OpenCV} stell hierzu die Funktion \lstinline{GaussianBlur()} zur Verfügung, der das geladene Bild, die
+			Kegelgröße und der Wert für $\sigma$ übergeben wird.
+
+			Die eigentliche Kantenerkennung wird mittels eines \glspl{canny} durchgeführt. Dabei handelt es sich um einen von John Canny 19983
+			entwickelten und in \cite{Canny:computationAlapproachEdgeDetection} veröffentlichten Algorithmus. Dieser bestimmt für jeden Pixel den
+			Gradientenbetrag der Gradienten in X- und Y-Richtung. Dann werden diejenigen Pixel unterdrückt, welche entlang der Gradientenrichtung kein
+			Maximum darstellen. Zum Abschluss wird das Bild mit einem Hysterese-Schwellwert binarisiert. Das bedeutet, dass alle Pixel über einem
+			initialen, oberen Schwellwert als Kanten gesetzt werden und mittels eines zweiten, niedrigeren Schwellwerte, Lücken zwischen diesen Pixeln
+			geschlossen werden. \cite{Nischwitz:Computergrafik2}
+
+			Auch dieser Algorithmus ist in \gls{OpenCV} bereits implementiert und wird für den ersten Entwurf verwendet. Die Funktion bekommt das
+			geladene und geglättet Bild sowie die beiden Hysterese-Schwellwerte übergeben. Diese ist auch in \autoref{code: canny} gezeigt.
+
+			\begin{lstlisting}[
+				float,
+				style=example,
+				caption={Laden, glätten eines Bildes und durchführen der Kantenerkennung mit \gls{OpenCV}},
+				label=code: canny,
+				language=Python
+			]
+				# load image (should be gray, so convert)
+				img = cv2.imread("./image.png")
+				img = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
+
+				# edge detection
+				img = cv2.GaussianBlur(img, (3,3), 1.5)
+				canny = cv2.Canny(img, 180, 40)
+			\end{lstlisting}
+
+			Wird dieser Code auf das Beispielbild \ref{fig: beispiel bild} angewendet und das Ergebnis des \glspl{canny} ausgegeben, ergibt sich
+			\autoref{fig: canny edges}. Im Gegensatz zu alternativen, wie einer reinen Grabentenbetrachtung, liefert der \gls{canny}
+			Kantenmarkierungen (hier in weiß) die nur ein\todo{einen?} Pixel breit sind. Dies ermöglicht die in den folgenden Unterkapiteln
+			beschriebenen Schritte.
+
+			\begin{figure}
+				\includegraphics[width=.6\textwidth]{img/Marks_cannyedges.png}
+				\caption{Vom Canny-Edge-Detector gefundene Kanten}
+				\label{fig: canny edges}
+			\end{figure}
+
+
+		\subsection{Klassifizierung der Kantenpixel}
+
+			Nur die Identifikation von Pixeln als Kantenpixeln reicht nicht aus, um bereits Linienmarkierungen zu erkennen. Uns Menschen fällt es zwar
+			Leicht in \autoref{fig: canny edges} die gesuchten Linien zu identifizieren, für den Algorithmus handelt es sich aber nur um eine
+			"zufällige"\todo{"zufällige" OK?} Ansammlung von weißen Pixeln. Es werden weiter Informationen benötigt.
+
+			Deshalb werden jedem Kantenpixel eine Klasse entsprechend seiner Orientierung zugeordnet. Um die Datenmenge gering und die Laufzeit
+			schnell zu halten, werden lediglich die vier Klassen \emph{Vertikal}, \emph{Horizontal}, \emph{Diagonal 1} und \emph{Diagonal 2}
+			verwendend. Zusätzlich wird noch die Richtungsinformation als Vorzeichen abgespeichert.
+
+			Die Klassifizierte erfolgt anhand der \gls{Gradientenorientierung} eines Pixels. Dazu werden mit $3\!\times\!3$ Sobel-\glspl{Kernel} die
+			Gradienten $d_x$ und $d_y$ bestimmt. Mit der \lstinline{atan2()} Funktion kann aus diesen beiden Größen der Winkel des Gradientenvektors
+			$\vec{G}$ berechnet werden. Mit diesem Winkel kann nun entsprechen der \autoref{fig: gadienten orientierung} die Klasse bestimmt werden.
+			Dabei ist zu beachten das $\vec{G}$ immer orthogonal auf der eigentlichen Kante steht, deshalb ist die Klasse \emph{Vertikal} auch auf der
+			links-rechts Achse der Abbildung zu finden.
 
 			\begin{figure}
 				\includegraphics[width=.4\textwidth]{svg/CannyEdge_Orientation.pdf}
-		\caption{Klassifizierung der Gradientenorientierung (nach \cite{Vorlesung:Homann})}
+				\caption{Klassifizierung der Gradientenorientierung (nach \cite{Homann:VorlesungBildverarbeitung})}
 				\label{fig: gadienten orientierung}
 			\end{figure}
 
-	\section{Linienbildung} \label{sec: linien finden}
+			\pagebreak
+			Die Klassifizierung wird in einer 8-Bit Variable abgespeichert, da so ein normales Graustufen-Bild als Datenstruktur verwendet werden
+			kann. Jeder Klasse wird dabei ein Bit wie folgt zugeordnet:
+
+			\begin{table}
+				\caption{Zuordnung der Klassen zu Bits}
+				\begin{tabular}{r l}
+					Bit & Klasse \\
+					1 & \emph{Vertikal} \\
+					2 & \emph{Diagonal 1} \\
+					3 & \emph{Diagonal 2} \\
+					4 & \emph{Horizontal} \\
+					5 & Vorzeichen-Bit \\
+				\end{tabular}
+			\end{table}
+
+			Um die Klassifizierung in \gls{python} durchzuführen, wird zuerst ein weiteres, leere 8-Bit Bild mit identischer Größe angelegt. Dann wird
+			erneut über alle Pixel des Bildes iteriert. Da allerdings die meisten Pixel schwarz und damit uninteressant sind, können diese direkt
+			verworfen werden. Für alle verbleibenden, weißen Pixel wird die Klassifizierung durchgeführt.
+
+			\begin{lstlisting}[
+				float,
+				style=example,
+				caption={Schleife über das vom \gls{canny} gelieferte Bild},
+				language=Python
+			]
+				for (u, v), e in np.ndenumerate(canny[1:-1, 1:-1]):
+					if not e:
+						continue
+					u += 1
+					v += 1
+			\end{lstlisting}
+
+			\begin{equation}\label{eq: dx dy}
+			\begin{split}
+				d_x &=
+				\begin{bmatrix}
+					p_{\text{-}1\text{-}1} & p_{\text{-}10} & p_{\text{-}11} \\
+					p_{0\text{-}1} & p_{00} & p_{01} \\
+					p_{1\text{-}1} & p_{10} & p_{11} \\
+				\end{bmatrix}
+				\circ
+				\begin{bmatrix}
+					0 & 0 & 0 \\
+					-1 & 0 & +1 \\
+					0 & 0 & 0 \\
+				\end{bmatrix}
+				\\
+				d_y &=
+				\begin{bmatrix}
+					p_{\text{-}1\text{-}1} & p_{\text{-}10} & p_{\text{-}11} \\
+					p_{0\text{-}1} & p_{00} & p_{01} \\
+					p_{1\text{-}1} & p_{10} & p_{11} \\
+				\end{bmatrix}
+				\circ
+				\begin{bmatrix}
+					0 & -1 & 0 \\
+					0 & 0 & 0 \\
+					0 & +1 & 0 \\
+				\end{bmatrix}
+			\end{split}
+			\end{equation}
+
+			Zuerst die Gradienten $d_x$ und $d_y$ ermittel. Dazu wird die $3\!\times\!3$ Pixelnachbarschaft des aktuellen Pixels elementweise mit dem
+			jeweiligen Sobel-\gls{Kernel} multipliziert und die Summe der Ergebnismatrix gebildet (siehe \autoref{eq: dx dy}). Das Pythonpaket
+			\lstinline{numpy} stellt hierfür sehr hilfreiche Funktion zum Arbeiten mit Matrizen zu Verfügung. Dadurch lässt sich diese Operation in
+			wenigen Zeilen durchführen, wie \autoref{code dx dy} gezeigt.
+
+			\begin{lstlisting}[
+				float,
+				style=example,
+				caption={Bestimmung der Gradienten $d_x$ und $d_y$},
+				label=code: dx dy,
+				language=Python
+			]
+				nh = img[u-1:u+2, v-1:v+2]
+				dx = np.sum(nh * SOBEL_X)
+				dy = np.sum(nh * SOBEL_Y)
+			\end{lstlisting}
+
+			Mit diesen werden wird nun die \lstinline{atan2(dy,dx)} Funktion aufgerufen. Diese gibt einen Winkel in rad zurück, welcher zur besseren
+			Nachvollziehbarkeit in Grad umgerechnet wird.
+
+			Nun werden durch eine Folge von Bedingungen die Klasse des aktuellen Pixels bestimmt. Zuerst wird das Vorzeichen bestimmt und im 5. Bit
+			abgespeichert. Dies vereinfacht die folgenden Abfragen, da für die \emph{Vertikale} und \emph{Horizontale} Klasse der Betrag des Winkels
+			ausreicht.
+
+			Ist die Klasse bestimmt, wird das entsprechende Bit des Pixels gesetzt. Die Umsetzung in Python ist in
+			\autoref{code: python Klassifizierung} gezeigt.
+
+			\begin{lstlisting}[
+				float,
+				style=example,
+				caption={Durchführen der Klassifizierung mittel des bestimmten Winkels},
+				label=code: python Klassifizierung,
+				language=Python
+			]
+				arc = atan2(dy, dx) / pi * 180
+
+				if arc < 0:
+					pixel_info[u, v] |= 0x10
+				arc = abs(arc)
+				if arc >= 157.5 or 22.5 > arc:
+					pixel_info[u, v] |= V
+				elif 22.5 <= arc < 67.5:
+					pixel_info[u, v] |= D1 if not pixel_info[u, v] else D2
+				elif 67.5 <= arc < 112.5:
+					pixel_info[u, v] |= H
+				elif 112.5 <= arc < 157.5:
+					pixel_info[u, v] |= D2 if not pixel_info[u, v] else D1
+			\end{lstlisting}
+
+			Wurde jeder Kantenpixel klassifiziert, ist der Vorgang beendet. Zur Veranschaulichung wurde ein Bild erstellt, wo jeder Klasse und
+			Vorzeichen  eine eindeutige Farbe zugeordnet ist. So ist genau zu erkennen, welche Kanten derselben Klasse zugeordnet wurden. Diese Bild
+			ist in \autoref{fig: classified edges} gezeigt.
+
+			\begin{figure}
+				\includegraphics[width=.6\textwidth]{img/Marks_classification.png}
+				\caption{
+					Klassifizierte Kanten mit farblicher Markierung der unterschiedlichen Klassen
+					(Farben sind nicht identisch mit \autoref{fig: gadienten orientierung})
+				}
+				\label{fig: classified edges}
+			\end{figure}
+
+			\subsubsection{Genauigkeit der 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
+				unzuverlässig klassifizierte Kanten mehrere Klassen in einem engen Bereich und wechseln häufig sogar mehrfach zwischen mehreren
+				Klassen, wie das Beispiel in \autoref{fig: schlechte kante} zeigt.
+
+				\begin{figure}
+					\subfigure[Beispiel guter Kantenklassifizierung]{
+						\label{fig: gute kante}
+						\includegraphics[scale=4]{img/Marks_classification_cut1.png}
+					}
+					\subfigure[Beispiel schlechter Kantenklassifizierung]{
+						\label{fig: schlechte kante}
+						\includegraphics[scale=4]{img/Marks_classification_cut2.png}
+					}
+					\caption{Vergleich gut und schlecht klassifizierte Bildbereiche}
+				\end{figure}
+
+				Durch Störungen und generell schlechtere Bildqualität in weiter von der Kamera entfernten Bildbereichen weisen vor allem die äußeren
+				Linien viele dieser Ungenauigkeiten auf. Das führt dazu, das die nachfolgende Logik viele einzelne, kleine Linien anstatt der
+				vollständigen, durchgängigen Linie, erkennt.
+
+				Die zentralen Linienmarkierungen der eigenen Spur werden aber zuverlässig genug klassifiziert.
+
+
+		\subsection{Linienbildung} \label{sec: linien finden}
+
+			\begin{figure}
+				\includegraphics[width=.6\textwidth]{img/Marks_found-lines.png}
+				\caption{Umrisse und Mittellinien der gefundenen Fahrspurmarkierungen}
+				\label{fig: found markings}
+			\end{figure}
+
+
+		\subsection{Performance Betrachtung}
+
+			sehr schlecht offensichtlich...
+
+
+	\section{Implementierung in eine ROS Node}
+
+		\subsection{Performance Betrachtung}
+
+
+	\section{Optimierung durch eigene Implementierung des Canny-Edge-Detectors}
 
+		\subsection{Performance Betrachtung}

svg/Topics_makerDetection.svg

+<?xml version="1.0" encoding="UTF-8" standalone="no"?>
+<!-- Created with Inkscape (http://www.inkscape.org/) -->
+
+<svg
+   width="113.19377mm"
+   height="48.029472mm"
+   viewBox="0 0 113.19379 48.029472"
+   version="1.1"
+   id="svg5"
+   inkscape:version="1.2.1 (9c6d41e410, 2022-07-14)"
+   sodipodi:docname="Topics_makerDetection.svg"
+   xmlns:inkscape="http://www.inkscape.org/namespaces/inkscape"
+   xmlns:sodipodi="http://sodipodi.sourceforge.net/DTD/sodipodi-0.dtd"
+   xmlns="http://www.w3.org/2000/svg"
+   xmlns:svg="http://www.w3.org/2000/svg">
+  <sodipodi:namedview
+     id="namedview7"
+     pagecolor="#ffffff"
+     bordercolor="#666666"
+     borderopacity="1.0"
+     inkscape:showpageshadow="2"
+     inkscape:pageopacity="0.0"
+     inkscape:pagecheckerboard="0"
+     inkscape:deskcolor="#d1d1d1"
+     inkscape:document-units="mm"
+     showgrid="false"
+     inkscape:zoom="1.4142136"
+     inkscape:cx="277.18585"
+     inkscape:cy="196.57568"
+     inkscape:window-width="1920"
+     inkscape:window-height="1017"
+     inkscape:window-x="1912"
+     inkscape:window-y="-8"
+     inkscape:window-maximized="1"
+     inkscape:current-layer="g5537"
+     showguides="true" />
+  <defs
+     id="defs2" />
+  <g
+     inkscape:label="Ebene 1"
+     inkscape:groupmode="layer"
+     id="layer1"
+     transform="translate(-28.7088,-85.544655)">
+    <g
+       id="g10503"
+       transform="translate(3.6668863)">
+      <text
+         xml:space="preserve"
+         style="font-size:3.88056px;line-height:1.25;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;letter-spacing:0px;word-spacing:0px;text-anchor:middle;stroke-width:0.264583"
+         x="47.803249"
+         y="92.972412"
+         id="text10499"><tspan
+           sodipodi:role="line"
+           id="tspan10497"
+           style="text-align:center;text-anchor:middle;stroke-width:0.264583"
+           x="47.803249"
+           y="92.972412">/camera_driver</tspan></text>
+      <path
+         id="path10501"
+         style="fill:none;fill-rule:evenodd;stroke:#0d47a1;stroke-width:0.5;stroke-linecap:round;stroke-dasharray:none"
+         d="m 25.291914,85.794655 h 44.755501 v 6.173514 6.173514 H 62.833183 25.291914 v -6.173514 z"
+         sodipodi:nodetypes="cccccccc" />
+    </g>
+    <g
+       id="g5537"
+       transform="translate(6.3222123,-0.412073)">
+      <path
+         style="fill:none;stroke:#000000;stroke-width:0.265;stroke-linecap:butt;stroke-linejoin:miter;stroke-dasharray:none;stroke-opacity:1"
+         d="m 60.177857,98.553756 v 0 7.452714 h 28.391578"
+         id="path4701"
+         sodipodi:nodetypes="cccc" />
+      <path
+         style="fill:#000000;stroke:none;stroke-width:0.205976px;stroke-linecap:butt;stroke-linejoin:miter;stroke-opacity:1"
+         d="m 88.569435,105.27919 2.00542,0.72728 -2.00542,0.72727 v -0.72727 z"
+         id="path4703"
+         sodipodi:nodetypes="ccccc" />
+      <text
+         xml:space="preserve"
+         style="font-size:3.175px;line-height:1.25;font-family:Arial;-inkscape-font-specification:Arial;text-align:start;letter-spacing:0px;word-spacing:0px;text-anchor:start;stroke-width:0.264583"
+         x="63.784973"
+         y="104.61102"
+         id="text5531"><tspan
+           sodipodi:role="line"
+           id="tspan5529"
+           style="font-size:3.175px;text-align:start;text-anchor:start;stroke-width:0.264583"
+           x="63.784973"
+           y="104.61102">/img/raw</tspan></text>
+    </g>
+    <g
+       id="g1244"
+       transform="matrix(-1,0,0,1,257.94475,-5.1261435)">
+      <path
+         style="fill:none;stroke:#000000;stroke-width:0.264583px;stroke-linecap:butt;stroke-linejoin:miter;stroke-opacity:1"
+         d="m 121.26228,124.47906 v 0 7.45271 h 22.96817"
+         id="path10168"
+         sodipodi:nodetypes="cccc" />
+      <path
+         style="fill:#000000;stroke:none;stroke-width:0.205976px;stroke-linecap:butt;stroke-linejoin:miter;stroke-opacity:1"
+         d="m 144.23045,131.20449 2.00542,0.72728 -2.00542,0.72727 v -0.72727 z"
+         id="path10170"
+         sodipodi:nodetypes="ccccc" />
+      <text
+         xml:space="preserve"
+         style="font-size:3.175px;line-height:1.25;font-family:Arial;-inkscape-font-specification:Arial;text-align:start;letter-spacing:0px;word-spacing:0px;text-anchor:start;stroke-width:0.264583"
+         x="-138.67474"
+         y="130.53632"
+         id="text10174"
+         transform="scale(-1,1)"><tspan
+           sodipodi:role="line"
+           id="tspan10172"
+           style="font-size:3.175px;text-align:start;text-anchor:start;stroke-width:0.264583"
+           x="-138.67474"
+           y="130.53632">/img/color</tspan></text>
+    </g>
+    <g
+       id="g10188"
+       transform="matrix(-1,0,0,1,196.86033,13.214155)">
+      <path
+         style="fill:none;stroke:#000000;stroke-width:0.264583px;stroke-linecap:butt;stroke-linejoin:miter;stroke-opacity:1"
+         d="m 60.177857,98.553756 v 0 7.452714 h 60.962753"
+         id="path10180"
+         sodipodi:nodetypes="cccc" />
+      <path
+         style="fill:#000000;stroke:none;stroke-width:0.205976px;stroke-linecap:butt;stroke-linejoin:miter;stroke-opacity:1"
+         d="m 121.14061,105.27919 2.00542,0.72728 -2.00542,0.72727 v -0.72727 z"
+         id="path10182"
+         sodipodi:nodetypes="ccccc" />
+      <text
+         xml:space="preserve"
+         style="font-size:3.175px;line-height:1.25;font-family:Arial;-inkscape-font-specification:Arial;text-align:start;letter-spacing:0px;word-spacing:0px;text-anchor:start;stroke-width:0.264583"
+         x="-76.813637"
+         y="104.61102"
+         id="text10186"
+         transform="scale(-1,1)"><tspan
+           sodipodi:role="line"
+           id="tspan10184"
+           style="font-size:3.175px;text-align:start;text-anchor:start;stroke-width:0.264583"
+           x="-76.813637"
+           y="104.61102">/img/gray</tspan></text>
+    </g>
+    <g
+       id="g1201"
+       transform="translate(-23.79435,26.840386)">
+      <path
+         style="fill:none;stroke:#000000;stroke-width:0.264583px;stroke-linecap:butt;stroke-linejoin:miter;stroke-opacity:1"
+         d="m 60.177857,98.553756 v 0 7.452714 h 31.037411"
+         id="path1193"
+         sodipodi:nodetypes="cccc" />
+      <path
+         style="fill:#000000;stroke:none;stroke-width:0.205976px;stroke-linecap:butt;stroke-linejoin:miter;stroke-opacity:1"
+         d="m 91.215268,105.27919 2.00542,0.72728 -2.00542,0.72727 v -0.72727 z"
+         id="path1195"
+         sodipodi:nodetypes="ccccc" />
+      <text
+         xml:space="preserve"
+         style="font-size:3.175px;line-height:1.25;font-family:Arial;-inkscape-font-specification:Arial;text-align:start;letter-spacing:0px;word-spacing:0px;text-anchor:start;stroke-width:0.264583"
+         x="63.784973"
+         y="104.61102"
+         id="text1199"><tspan
+           sodipodi:role="line"
+           id="tspan1197"
+           style="font-size:3.175px;text-align:start;text-anchor:start;stroke-width:0.264583"
+           x="63.784973"
+           y="104.61102">/img/lanemarkings</tspan></text>
+    </g>
+    <g
+       id="g972"
+       transform="translate(3.6668863,27.252459)">
+      <text
+         xml:space="preserve"
+         style="font-size:3.88056px;line-height:1.25;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;letter-spacing:0px;word-spacing:0px;text-anchor:middle;stroke-width:0.264583"
+         x="47.803249"
+         y="92.972412"
+         id="text968"><tspan
+           sodipodi:role="line"
+           id="tspan966"
+           style="text-align:center;text-anchor:middle;stroke-width:0.264583"
+           x="47.803249"
+           y="92.972412">/lane_marker_detection</tspan></text>
+      <path
+         id="path970"
+         style="fill:none;fill-rule:evenodd;stroke:#0d47a1;stroke-width:0.5;stroke-linecap:round;stroke-dasharray:none"
+         d="M 70.047415,85.794655 H 25.291914 v 6.173514 6.173514 h 7.214232 37.541269 v -6.173514 z"
+         sodipodi:nodetypes="cccccccc" />
+    </g>
+    <g
+       id="g10511"
+       transform="translate(71.605153,13.626228)">
+      <text
+         xml:space="preserve"
+         style="font-size:3.88056px;line-height:1.25;font-family:Arial;-inkscape-font-specification:Arial;text-align:center;letter-spacing:0px;word-spacing:0px;text-anchor:middle;stroke-width:0.264583"
+         x="47.803249"
+         y="92.972412"
+         id="text10507"><tspan
+           sodipodi:role="line"
+           id="tspan10505"
+           style="text-align:center;text-anchor:middle;stroke-width:0.264583"
+           x="47.803249"
+           y="92.972412">/image_undistorter</tspan></text>
+      <path
+         id="path10509"
+         style="fill:none;fill-rule:evenodd;stroke:#0d47a1;stroke-width:0.5;stroke-linecap:round;stroke-dasharray:none"
+         d="m 25.291914,85.794655 h 44.755501 v 6.173514 6.173514 H 62.833183 25.291914 v -6.173514 z"
+         sodipodi:nodetypes="cccccccc" />
+    </g>
+  </g>
+</svg>