تحقیق مقاله زمان حقیقی تشخیص مانع بر اساس Constrained Delanay Triangulation در زمان حقیقی

تعداد صفحات: 30 فرمت فایل: powerpoint - word کد فایل: 3522
سال: 1388 مقطع: مشخص نشده دسته بندی: تحقیق مقاله مهندسی فناوری اطلاعات IT
قیمت قدیم:۶,۰۰۰ تومان
قیمت: ۳,۹۰۰ تومان
دانلود مقاله
  • خلاصه
  • فهرست و منابع
  • خلاصه تحقیق مقاله زمان حقیقی تشخیص مانع بر اساس Constrained Delanay Triangulation در زمان حقیقی

    مقدمه

    در دهه ی گذشته ، در واقع پیشرفت گسترده ای در زمینه ردیابی و تشخیص اجسام صورت گرفته است . با این وجود بسیاری از الگوریتم های ردیابی اجسام یکسری ترکیبات پرهزینه ای را مثل معیار lone's با خصوصیات ثابت متحمل می شوند ، گرچه قدرت محاسبات کامپیوتر به طرز چشمگیری بهبود یافته است اما هنوز چنین دیدگاهها و روش هایی محتاج یکسری محاسبات کامپیوتری دقیق و بیشتری برای کاربردهایی با زمان حقیقی هستند.

    این سیستم ردیابی با زمان حقیقی حیطه ی پژوهشی گسترده و مهمی دارد و از سیستم  کاربردی مفید و سودمندی همچون  سیستم اخطار دهنده تصادف رو در روی ماشین ها (شاخ به شاخ شدن)  برخوردار است سیستم اخطار دهنده ی تصادف به راننده مانع های سرجاده را نشان می دهد و اورا از تصادف احتمالی آگاه می کند .

      این سیستم ردیابی براساس دیدن است و این الگوریتم مسیریاب می تواند برای بهبود کارکرد هشدار برخورد بسیار مثمر ثمر باشند. به عنوان مثال بسیاری از سنسورهای LIDAR به خاطر بررسی مکانیکی و بررسی قبلی اطلاعات و فرآیند پیش پردازش داده ها عکس العمل هایی باتاخیری دارند. این تاخیرات طولانی توانایی و قابلیت سیستم را برای عکس العمل سریع روی خطوط جهت هدایت ماشین محدود می کند.

    از طرف دیگر سیستم های بصری کامپیوتری تأخیری ندارند و حتی درشرایط کوتاه بودن زمان پردازش می توانند عکس العمل سریعتر و زمان تاخیر کوتاهتر را ایجاد نماید . علاوه بر این الگوریتم های دید کامپیوتری از قدرت ردیابی افقی بالاتر و دقت ردیابی بیشتری برخوردار می باشند.

    هم چنین سیستم ردیابی بینا با همکاری یک الگوریتم ردیابی مسیری (تشخیص خطی ) می تواند به اجرای صحیح سیستم هشدار برخورد کمک نماید. (در شرایط استفاده از سیستم هشدار دهنده تصادف ، دانستن و اطلاع از این که مانع در مسیر مشابه با خود وسیله قرار دارد یا نه بسیار حائز اهمیت است.

    این سیستم ردیابی بینا زمانی که در وسیله در line خود باشد کاملا دقیق عمل می کند اما اگر دوربین نیاز به callibre کردن و سنسورهای فعال داشته باشد دچار مشکل می شود.

    به عنوان مثال بسیاری از این الگوریتم های بینا فاصله ی یک پیچ را با فرض مسطح بودن زمین تخمین می زنند که اغلب به خاطر یکسری نوسانات و تپه ها و تغییرات وسیله نقلیه اندازه ی حقیقی نیست و دارای خطا می باشد .چنین خطایی وقتی هدف در فاصله ای بیش از 30 متر قرار دارد بسیار چشمگیر خواهد بود. استفاده از ردیاب بینا (با سنسور اتصال) می تواند بسیار مفیدتر باشد . چرا که بیان این مطلب که آیا شئی در یک مسیر مشابه قرار دارد یا خیر کاری بس آسانتر است . به علاوه ، این کار می تواند با حذف خطاهای داخلی موجود در بافت و سازه مختصات وسیله نقلیه به پیشرفت تشخیص خطی کمک شایان ذکری نماید .

    با توجه به چنین نیازهایی یک روش ردیابی و الگوریتم  مسیر یابی ماشین با زمان حقیقی معرفی می کنیم. این ردیابی براساس آنالیزهای بافتی است  و از روش تقسیم ناحیه ای به مثلث های مجاور هم (محدود شده) برای جمع آوری عکس های سریع استفاده می کند. این سیستم ردیابی دارای ساختار کامل و دقیقی  است که نتایج ردیابی و مسیریابی می توانند کمبودهای یکدیگر را جبران کنند. در اینجا ابتدا  یک سری اطلاعات مربوطه را در بخش دوم به مرور فعالیت های مربوطه پرداخته و دیدگاهمان را به نمایش می گذاریم .

     در بخش سوم روش تشخیص به همراه نتایج تجربی و آزمایشی بدست آمده مطرح می شود . الگوریتم پیگیری  در بخش چهارم و نتایج طرح  در بخش پنجم عنوان  شده است.

     دیدگاههای پیشنهادی و عملیات مربوطه

    تاکنون روش های زیادی برای ردیابی کردن ماشین ها در زمان حقیقی و غیرحقیقی ارائه شده است. بسیاری از اطلاعات مربوط به ردیابی مانع های عمومی به تصاویر سازی وسایل نقلیه می پردازد . در حالی که بسیاری از الگوریتم ها می توانند سرعت تشخیص  خوبی برای تصاویر پیچیده و مشکل داشته باشند . اما حتی بخش عمده ای از آنها نزدیک به شرایط فوری هم نیستند.

    بسیاری از تلاش های گذشته مربوط به ردیابی ماشین در زمان حقیقی براساس حرکت یا آنالیز Stereo هستند. روش هایی که براساس حرکت هستند از این حقیقت استفاده می کنند که حرکت تصویری از این موانع (در یک سطح عمودی) با حرکت آن بر روی یک سطح صاف (افقی) تفاوت دارد  . بنابر این چنین تفاوت و مغایرتی معمولا" بسیارکوچکتر از یک پیکسل است و حداقل یک دقیقه زمان برای پیگیری و تشخیص این تفاوتها در میان آنها نیاز است .الگوریتم های Stereo  مختلفی نیز پیشنهاد شده اند. بنا بر این دقت و تفکیک پذیری کیفیت صوت تا حد زیادی محدود شده است . همچنین این مساله بویژه برای کاربردهای هشدار خطر تصادم که نیاز به تشخیص موانع با فاصله ای بین 30 تا 100 متر دارد حیرت آور و اندکی مشکل ساز است و افزایش صحت و دقت عمق و کیفیت صوت نیز مشکل دیگری همچون پارامترهای متغیر دوربین را معرفی می کند که ممکن است به دلیل حرکت و لرزش وسیله نقلیه تغییر نماید . هر چه توانایی کامپیوتر بیشتر باشد ردیابی ظاهری ماشین راحتر می گردد .

     sunetal از یک سری فیلترهای Gabor برای طبقه بندی فرضیات مربوط به ماشین استفاده کرده است. گرچه طبقه بندی خوبی در زمان حقیقی داشته( H10 در کامپیوتر) ، اما عملکرد کلی آن وابسته به فرضیات هیستوگرام الگوریتم تولید داده است  که ممکن نیست در محیط شهری با کلی خصوصیات مختلف فرضیات خوبی بوجود آورد.

    اگر بخواهیم در این روش ردیابی موانع از نظر کامپیوتری دقیق باشیم باید اطلاعات و یا خصوصیات کلی  را جمع آوری کنیم. از آن جایی که خصوصیات زیادی لازم است بنابراین هزینه کامپیوتری برای جمع آوری کردن آنها خیلی دور از زمان حقیقی است.  روش های معروفی در این زمینه  توسط Jones و Viola پیشنهاد شده است که یک سیستم طبقه بندی کننده cascade(اتصال سری آبشاری) با تعداد زیادی الگوهای پیچیده جفتی برای ردیابی مانع در زمان حقیقی را ترکیب می کند.

     این روش در ردیابی تصویری که هدف ها و شکل اجسام مشابهی دارند کارایی خوبی داشته اما در روش های ردیابی ماشینی کاربرد ندارد.

    این روش ، روشی کامل کننده است چرا که به استفاده از خصیصه های بافتی و سازه ای پیچیده منجر می شود . از آنجا که رنگ وشکل وسایل  نقلیه تا حد زیادی متفاوت است ، خصوصیات سازه ای مثل تعداد خطوط و زوایای موجود در منطقه برای دسته بندی وسایل بسیار مفید خواهد بود .  تقسیم بندی تصویر برای استفاده از این ویژگیهای مرحله ای بسیار حیاتی است که از تکرار محاسباتی ممانعت بعمل می آورد . اما قطعه قطعه کردن تصاویر مساله مهمی است که به محاسبات زیاد و متعددی نیاز دارد، ازاین رو یک سیستم CDT برای قطعه قطعه کردن تصاویر با زمان حقیقی پیشنهاد می شود.

    ابتدا تصویر مورد نظر با استفاده از روش CDT به چند قسمت تقسیم می شود و سپس فرضیات مربوط به همان تصویر بوسیله گروه بندی کردن تصاویر بوجود می آید. برای بوجود آوردن فرضیات و سپس قانونی کردن و معتبر ساختن آن ها  از نمونه ی « فرضیه سازی » استفاده می شود.

    با این وجود محاسباتی که برای جمع آوری آمار این تصاویر برای طبقه بندی کردن آن ها نیاز است کنترل پذیر است چرا که این آمار مستقیما از  pixel ها جمع نمی شوند . بلکه از گوشه های تصاویر بزرگ تر جمع آوری می گردند.

    علاوه بر ردیابی ماشینی یک ساختار محتمل برای ترکیب کردن ردیابی ماشینی و مسیریابی معرفی شده است. در این روش ، الگوریتم های مسیریابی و ردیابی باعث تقویت عملکرد یکدیگر می شوند. به عنوان مثال ، مسیریابی باعث کاهش ردیابی غلط می شود و ردیابی باعث جبران خطاهای مسیریابی می گردد (مانند تغییر در خروجی یک مدار الکتریکی).

  • فهرست و منابع تحقیق مقاله زمان حقیقی تشخیص مانع بر اساس Constrained Delanay Triangulation در زمان حقیقی

    فهرست:

    مقدمه                                                                                                                      5

    دیدگاههای پیشنهادی و عملیات مربوطه                                                           8

    ردیابی ماشین در زمان حقیقی                                                                          12

              1-2 قطعه قطعه کردن تصویر                                                                        13  

             2-2 فرضیه ساختن                                                                                        15

             3-2 بررسی فرضیه ها (الگوریتم طبقه بندی فرضیات)                                 17

            4-2 نتایج ردیابی                                                                                            21

    3.    انسجام دادن مسیریابی و ردیابی                                                                    23

             1-3  استدلال احتمالی  A                                                                              24

            2-3 ساختار مسیریابی                                                                                   27

    نتیجه گیری                                                                                           28

          منابع و ماخذ                                                                                        30

    .

    منبع:

    منابع و ماخذ

    [1] D. G. Lowe, “Object recognition from local scale-invariant features,” in Proc. IEEE Intl. Conf. Computer Vision, 1999, pp. 1150–1157.

    [2] “Automotive collision avoidance system field operational test,” U.S. Department of Transportation, National Highway Traffic Safety Administration, Final Program Report DOT HS 809 886, 2005.

    [3] Z. Sun, G. Bebis, and R. Miller, “On-road vehicle detection: a review,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 28, no. 5, 2006.

    [4] R. Fergus, P. Perona, and A. Zisserman, “Object class recognition by unsupervised scale-invariant learning,” in Proc. IEEE Conf. Computer Vision and Pattern Recognition, vol. 2, 2003, pp. 264–271.

    [5] R. Okada, Y. Taniguchi, K. Furukawa, and K. Onoguchi, “Obstacle detection using projective invariant and vanishing lines,” in Proc. IEEE Intl. Conf. Computer Vision, vol. 1, 2003, pp. 330–337.

    [6] Z. Sun, G. Bebis, and R. Miller, “On-road vehicle detection using evolutionary gabor filter optimization,” IEEE Trans. on Intelligent Transportation Systems, vol. 6, no. 2, 2005.

    [7] P. Viola and M. Jones, “Rapid real-time face detection,” International Journal of Computer Vision, vol. 57, no. 2, pp. 137–154, May 2004.

    [8] Q. Wu and Y. Yu, “Two-level image segmentation based on region and edge integration,” in Proc. VIIth Digital Image Computing: Techniques and Applications, 2003.

    [9] X. Ren, C. C. Fowlkes, and J. Malik, “Scale-invariant contour completion using conditional random fields,” in Proc. 10th Int’l. Conf. Computer Vision, 2005.

    [10] J. Canny, “A computational approach to edge detection,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 8, pp. 679–698, 1986.

    [11] D. S. Guru, B. H. Shekar, and P. Nagabhushan, “A simple and robust line detection algorithm based on small eigenvalue analysis,” Pattern Recognition Letter, vol. 25, no. 1, pp. 1–13, 2004.

    [12] W. Forstner and E. Gulch, “A fast operator for detection and precise location of distinct points, corners, and centers of circular features,” in Proc. Intercommision Conf. on Fast Processing of Photogrammetric

    [13] Z. Kim and R. Nevatia, “Expandable Bayesian networks for 3-d object descriptions from multiple views and multiple mode inputs,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 25, no. 6, pp. 769–774, 2003.

    .

ثبت سفارش
عنوان محصول
قیمت