Lokalizácia volantu vo vozidle pomocou kamery

Abstract

Tato bakalářská práce se zabývá návrhem a implementací systému pro lokalizaci volantu ve vozidle pomocí obrazových dat z kamery. Cílem práce je detekovat volant a analyzovat přítomnost rukou řidiče na volantu v reálných podmínkách interiéru vozidla. Pro řešení problému byly využity metody hlubokého učení, konkrétně modely architektury YOLO pro detekci a segmentaci objektů. Pro detekci rukou byla použita knihovna MediaPipe Hands, která umožňuje lokalizaci klíčových bodů ruky. Součástí práce bylo vytvoření a anotace vlastní datové množiny obsahující snímky interiérů vozidel. Experimentální výsledky ukázaly, že detekční model dosahuje přesnosti přibližně 97,07 % a segmentační model přibližně 98,08 %. Navržený systém pro vyhodnocení stavu rukou dosáhl přesnosti přibližně 82,84 % při rychlosti zpracování přibližně 4,57 FPS. Dosažené výsledky naznačují, že navržené řešení je vhodné pro využití v pokročilých asistenčních systémech řidiče.

This bachelor thesis focuses on the design and implementation of a system for steering wheel localization in a vehicle using camera-based image data. The main objective is to detect the steering wheel and analyze the presence of the driver's hands on the steering wheel under real-world conditions. Deep learning methods were employed, specifically YOLO-based models for object detection and segmentation. Hand detection was performed using the MediaPipe Hands library, which enables localization of hand keypoints. As part of the work, a custom dataset of vehicle interior images was created and annotated. Experimental results showed that the detection model achieved an accuracy of approximately 97.07~\%, while the segmentation model reached approximately 98.08~\%. The proposed system for hand state classification achieved an accuracy of approximately 82.84~\% with a processing speed of about 4.57 FPS. The results indicate that the proposed solution is suitable for use in advanced driver assistance systems.