Klasifikasi pelencongan jalan adalah fungsi yang sangat penting dalam industri kereta dan ia
digunakan dalam banyak kereta sekarang ini. Apabila seorang pemandu memandu untuk
jangka masa yang lama, pemandu akan merasa letih terutamanya bagi pemandu yang tidak
mempunyai cukup rehat sebelum memandu. Ini akan meningkatkan kebarangkalian pemandu
tertidur tanpa disedari dan akan menyababkan risiko untuk berlaku kemalangan di atas jalan.
Projek ini membentangkan satu sistem amaran pelencongan jalan yang boleh membantu
pemandu memerhatikan keadaan jalan dan memberi amaran kepada pemandu apabila terdapat
pelencongan jalan yang tidak diingini berlaku. Projek ini dilaksanakan dalam empat peringkat,
iaitu pemerolehan imej sampel jalan, pembangunan algoritma pemprosesan imej,
pembangunan kaedah Hough transformasi pengekstrakan ciri imej, pembangunanan pinggir
fungsi taburan (EDF) pengelas pelencongan jalan. Projek ini menggunakan satu komputer
riba Asus K53sv dengan Intel pemproses I5 untuk membina dan mengendali sistem ini
manakala kamera web Logitech C920 digunakan untuk mengambil imej jalan untuk diproses.
Sebanyak 893 imej sampel telah dikumpul daripada 5 kategori jalan iaitu jalan lurus dan jalan
lengkung dalam bandar pada siang dan malam dan lebuh raya. Penyelidikan telah dijalankan
untuk menentukan nilai bagi parameter kekuatan pinggir dan saiz kernel dalam transformasi
Hough dan ambang sisihan trajektori. Nilai kekuatan pinggir dan saiz kernel diperolehi dari
penyelidikan adalah 8 dan 5. Manakala ambang sisihan trajektori yang diperolehi dari
penyelidikan adalah 15 darjah. Ketepatan klasifikasian pelencongan jalan sistem ini yang
dicapai ialah 81.30% daripada 893 sampel yang diselidiki. Masa purata pemprosesan bagi
sistem ini untu satu imej ialah 57.45 milisaat. Kesimpulan, sistem ini berpotensi untuk
memberi satu keputusan pelencongan jalan yang boleh membantu pemandu dan
mengurangkan berlaku kemalangan atas jalan disebabkan keletihan pemandu.
_______________________________________________________________________________________________________
Lane-departure classification is a very important feature in the automobile industry and it is
used in many cars nowadays. When a driver drives for a long time, driver will fall into fatigue
state especially for those drivers who do not have enough rest before driving. This will
increase the probability of driver falls asleep unconsciously and the risk of accident to happen
on the road. This project presents a lane-departure warning system to assist driver in observing
road condition and give warning to driver when unintended lane departure happens. This
project includes four stages, which are acquisition of road sample images, image preprocessing,
Hough transform feature extraction and edge distribution function (EDF) lane-departure
classifier. This project utilizes an Asus notebook K53sv with Intel core I5 processor to develop
and run the system and a Logitech C920 web camera to capture road images for processing. A
total of 893 road sample images are captured from different road conditions which include
straight road and crooked road in city on day and night as well as highway. In this study,
investigation on the optimum parameters setting (edge strength and kernel size) of the Hough
transform feature extraction and threshold of trajectory deviation of EDF classifier were
carried out. From the investigation, the optimum parameter obtained for edge strength and
kernel size are 8 and 5 respectively. While threshold of trajectory deviation obtained is 15
degree. The lane-departure classification accuracy achieved for the final design is 81.30% out
of 893 sample road images. The average processing time of this system for an image frame is
57.45 milliseconds. This lane-departure warning system is believed that it has potential to
provide a lane-departure decision that can assist the driver in identifying lane-departure and
reduce accident on the road due to driver fatigue.
Development of hough transform and edf classifier for line detection in the application of driver fatigue detection system / Lim Chee Keat