پديد آورنده :
محرابيان محمدي، مقداد
عنوان :
بهبود برخي روش هاي شناسايي جاده با استفاده از تركيب روش هاي بينايي و يادگيري ماشين
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي و رباتيك
محل تحصيل :
اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر
صفحه شمار :
سيزده، 113ص.: مصور، جدول
يادداشت :
ص.ع. به فارسي و انگليسي
استاد راهنما :
مازيار پالهنگ
توصيفگر ها :
توصيفگر بافت , تبديل هاف , خط افق , خوشه بندي
تاريخ نمايه سازي :
3/2/94
استاد داور :
عبدالرضا ميرزايي
تاريخ ورود اطلاعات :
1396/10/02
رشته تحصيلي :
برق و كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
چكيده فارسي :
چكيده مسئله شناسايي جاده از جمله مهمترين مسائل در زمينه هوشمندي خودرو و سيستمهاي كمك به راننده محسوب ميشود اين مسئله در دو دهه اخير همواره به عنوان يك موضوع تحقيقاتي مهم مطرح بوده است امروزه در اثر سوانح رانندگي در جادهها روزانه تعداد زيادي جان خود را از دست ميدهند بنابراين استفاده از سيستمهاي هوشمند و كمك به راننده ميتواند تا حد قابل توجهي خطرات ناشي از رانندگي را كاهش دهد علاوه بر موارد ذكر شده ناوبري مو ق رباتها در محيط هاي شهري نيز تا حد ف زيادي وابسته به شناسايي جاده است در حقيقت براي اينكه ربات خودمختار بتواند مسير بين نقطه شروع و مقصد را با مو قيت طي كند لازم ف است كه شناخت دقيقي از جاده پيش روي خود داشته باشد و در مسير حركت خود تلاش كند از سطح جاده خارج نگردد در اين پاياننامه سعي بر آن داريم كه با استفاده از تك دوربين شناسايي جاده را انجام دهيم استفاده از اين روش نسبت به روشهايي نظير بينايي استريو ليزر و رادار از نظر هزينه بسيار مقرون به 5روش صرفهتر ميباشد در اين پاياننامه بهمنظور شناسايي جاده مختلف ارائهشده و مورد بررسي قرار گرفته است در روش ا ل با فرض و تفاوت توزيع رنگ جاده و پسزمينه با استفاده از الگوريتم آبگير و اطلاعات مربوط به نقطه محو شدن قطعهبندي تصوير را انجام ميدهيم و بهوسيله آن روشي براي شناسايي و حذف سايه از تصوير معرفي ميكنيم كه در مرحله پيشپردازش مورد استفاده قرار ميگيرد در روش د م بر اساس و اطلاعات رنگي پيكسلهاي تصوير بهخوشهبندي آنها پرداخته و با به دست آوردن خوشه شامل سطح جاده مدل ا ليهاي براي جاده به دست ميآوريم و براي اينكه روش شناسايي جاده نسبت به شرايط مختلف قدرتمندتر باشد لازم است علاوه بر ويژگيهاي رنگي از تفاوت موجود در بافت جاده و پسزمينه تصوير نيز بهره بگيريم براي اين منظور در روش سوم با استفاده از توصيفگر بافت هاراليك و ويژگيهايي نظير تضاد رنگ بينظمي و غيره و اعمال آنها به يادگير اقدام به دستهبندي پيكسلها ميكنيم در روش چهارم از توصيفگر بافت قطعهبندي بر اساس بعد فراكتال استفاده كرده و دستهبندي پيكسلها را انجام ميدهيم اين روش خودروهاي موجود در جاده را بهدليل تفاوت يكنواختي آنها با سطح جاده بهخوبي بهعنوان پسزمينه تصوير شناسايي ميكند اما همچنان وجود سايه ميتواند اين روش را با دشواريهايي روبهرو سازد براي حل اين مشكل در روش پنجم از يك يادگير ديگري بهره گرفته و بر اساس توصيفگر بافت الگوي دوتايي محلي اقدام به برچسبزني پيكسلها ميكنيم اين توصيفگر نسبت به تغييرات يكنواخت سطح روشنايي مقاوم بوده و همين امر باعث پايداري بيشتر اين روش نسبت به شرايط وجود سايه و يا تابش نور شديد به سطح جاده ميشود علاوهبر موارد ذكر شده با استفاده از نقطه محو شدن تصوير تخميني از صاف يا پيچدار بودن جاده به دست آورده و در جادههاي صاف كنارههاي جاده را محاسبه ميكنيم همانطور كه بيان شد هريك از روشهاي مطرح شده داراي مزايا و معايبي است كه آن را نسبت به ساير روشها متمايز ميسازد تلفيق خروجيهاي حاصل از اين روشها نشان ميدهد كه ويژگيهاي ظاهري تصوير در كنار ويژگيهاي مربوط به بافت ميتواند بهصورت مو قيتآميزي شناسايي ف جاده را انجام دهد و د ت محاسبات را افزايش دهد و در شرايط مختلف از ق جمله مسيرهاي صاف يا داراي پيچ محيطهاي برون شهري يا درون شهري
چكيده انگليسي :
Improving some road detection methods using combination of vision based and machine learning methods Meghdad Mehrabian Mohammadi m mehrabian@ec iut ac ir Date of Submission 2014 1 10 Department of Electrical and Computer Engineering IsfahanUniversity of Technology Isfahan 84156 83111 Iran Degree M Sc Language Farsi Supervisor Maziar Palhang palhang@cc iut ac irAbstract Road detection is one of the most important issues within the field of intelligent vehicles and driverassistance systems This area has been an important research topic in the past two decades Nowadays manypeople lose their lives on road accidents therefore the use of intelligent systems to assist the drivers cansignificantly reduce the risks of driving In addition the successful navigation of robots in urbanenvironments is strongly dependent on the identification of the road In fact for an autonomous robotmoving from a starting point to a destination successfully it is necessary to identify the road ahead and trynot to deviate from the road In this thesis we are trying to detect roads using monocular vision technique Using this method compared to other famous methods such as stereo imaging LIDAR and Radar is muchmore economical In this research we try to present and evaluate five different methods to detect roads Inthe first method based on the assumption of differences over the color distribution of roads and background we apply image segmentation using watershed algorithm improved by using the vanishing point Therefore shadow detection and removal from image in pre processing stage are achieved Also in second method wecluster image pixels according to their color information and by defining the cluster which contains the road a primary model for road will be achieved To make the road detection method robust in different scenarios we need to use differences in road and background textures in addition to color features For this reason inthe third method by using haralick texture features like contrast entropy etc and applying them to a learningsystem we attempt to classify pixels In the forth method we use SFTA texture descriptor and classify imagepixels In this method cars moving in the road are classified correctly as background because of theirdifferent uniformity regarding to road surface nevertheless shadow can affect the accuracy of this method To solve this problem in fifth method we use another learning system and label image pixels using localbinary pattern descriptor This descriptor is robust in uniform changes of image intensities and therefore itwill be more stable in shadow scenarios or lens flares Moreover we estimate whether the road is straight orcurved and calculate the road boundaries by using the vanishing point in straight ones As mentioned eachproposed method has some advantages and drawbacks which distinguishes them from each other Combining the outputs of these methods shows that appearance based characteristics of image such as colorand texture can successfully detect the road and increase accuracy Another advantage is that this method canextract the road surface in different conditions including straight or curved roads suburban or urbanenvironments and the existence of shadows in the image Keywords Road detection Texture descriptor Hough transform Vanishing point Clustering
استاد راهنما :
مازيار پالهنگ
استاد داور :
عبدالرضا ميرزايي
