Probabilistic Graphical Models applied to Road Segmentation

Abstract

El futuro de los vehículos autónomos y de los sistemas avanzados de asistencia al conductor se sustenta en el desarrollo de sistemas de percepción capaces de proporcionar una detección rápida y precisa del entorno que rodea al vehículo. A pesar del largo trecho recorrido en el campo de detección de carretera, existe todavía un trecho importante en investigación para lograr incorporar capacidades de entendimiento de escena a los vehículos inteligentes. Este trabajo de fin de máster presenta un sistema de segmentación de carreteras a nivel de bit a partir de imágenes monoculares. La propuesta se basa en un modelo gráfico probabilístico y una serie de algoritmos y configuraciones seleccionadas oportunamente para acelerar el proceso de inferencia. En breve, el método propuesto emplea Conditional Random Fields y Uniformly Reweighted Belief Propagation. Por otro lado, el algortimo se valida en el dataset KITTI ROAD, alcanzando resultados en la línea del estado del arte pero con el tiempo de cómputo por imagen más bajo usando un PC estándar.

The future of autonomous vehicles and driver assistance systems is underpinned by the need of fast and efficient approaches for road scene understanding. Despite the large explored paths for road detection, there is still a research gap for incorporating image understanding capabilities in intelligent vehicles. This Master thesis presents a pixelwise segmentation of roads from monocular images. The proposal is based on a probabilistic graphical model and a set of algorithms and configurations chosen to speed up the inference of the road pixels. In brief, the proposed method employs Conditional Random Fields and Uniformly Reweighted Belief Propagation. Besides, the approach is ranked on the KITTI ROAD dataset yielding state- of-the-art results with the lowest runtime per image using a standard PC.