{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QJan Wille 1535115 Bachelorarbeit [Video-basierte Erkennung von Fahrspurmarkierungen auf mobilen Robotern]Video-basierte Erkennung von Fahrspurmarkierungen auf mobilen Robotern 12.09.2022 Prof. Dr.-Ing. Hanno Homann Prof. Dr.-Ing. Martin Mutz\\E$"}
{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QAußerdem wird eine Grauwert-Version erzeugt und diese als /img/gray veröffentlicht, was hier aber nicht gezeigt ist.\\E$"}
{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDazu wird das ROS Robot Operating System genutzt und die einzelnen Programmteile als ROS-Dummies angelegt.\\E$"}
{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDie ermittelten Informationen können bei Bedarf an andere Dummies weiter gegeben werden.\\E$"}
{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDes Weiteren wird versucht, die Performance durch eine eigene Umsetzung des Dummies weiter zu verbessern.\\E$"}
{"rule":"GERMAN_SPELLER_RULE","sentence":"^\\QDadurch kann das Kamerabild zwischen den Dummies als ROS Message ROS-Message ausgetauscht werden.\\E$"}
Im Rahmen dieser Bachelorarbeit erfolgt die Implementierung eines Algorithmus zur automatischen Erkennung von Fahrspurmarkierungen. Dieser wird
auf einem \gls{JetBot} Roboter eingesetzt und analysiert den Livebild-Datenstrom der darauf installierten Kamera.
Dazu wird das \glslink{ROS}{\emph{Robot Operating System}} genutzt und die einzelnen Programmteile als \glslink{ROS Node}{ROS-Node} angelegt. Dadurch kann
das Kamerabild zwischen den \glspl{ROS Node} als \glslink{ROS Message}{ROS-Message} ausgetauscht werden.
Da das Kamerabild radiale und tangentiale Verzerrungen aufweist, wird eine intrinsische Kamera-Kalibrierung durchgeführt. Die ermittelten
Kalibrierung-Ergebnisse werden in einer \gls{ROS Node} angewendet jedes Bild zu entzerren.
% Zusätzlich werden die extrinsischen Kalibrierdaten des Roboters bemessen und dokumentiert. Mit diesen können Rückschlüsse über die
% \gls{Welt-coords} aus den \gls{Bild-coords} einer gefundenen Fahrspurmarkierung gezogen Werden.
Auf den korrigierten Bilder wird die eigentliche Erkennung durchgeführt. Der Algorithmus dafür wird in \gls{python} entwickelt und erprobt. Zur
Optimierung der Performance wird die \gls{ROS Node} in \gls{C++} implementiert.
Des Weiteren wird versucht, die Performance durch eine eigene Umsetzung des \glspl{canny} weiter zu verbessern. Dies führt aber zu einer
Verschlechterung und wird daher verworfen.
Die erstellten Programme erreichen die notwendige Performance und können in Echtzeit auf dem Bilddatenstrom arbeiten. Die ermittelten
Informationen können bei Bedarf an andere \glspl{ROS Node} weiter gegeben werden.
