تشخیص موانع از تصویر به روش دید استریو برای خودرو های بدون راننده در متلب

پروژه تشخیص موانع از تصویر به روش دید استریو در MATLAB

پروژه تشخیص موانع از تصویر به روش دید استریو برای خودرو های بدون راننده را با نرم افزار MATLAB با عنوان مقاله Obstacle detection using stereo vision for self-driving cars به همراه ترجمه مقاله، فیلم نحوه اجرا و کامنت گذاری در کدها آماده کردیم که یک پروژه عالی بینایی ماشین، پردازش تصویر و هوش مصنوعی است. در ادامه به معرفی بینایی ماشین و این پروژه پرداخته و فیلم و تصاویری از خروجی پروژه به همراه لینک دانلود رایگان مقاله مرجع قرار داده شده است.

سیستم های سنجش از دور:

درک محیط اطراف با دقت و به سرعت یکی ضروری ترین و چالش برانگیز وظایف برای سیستم های مستقل مانند خودرو های بدون راننده است. امروزه سیستم های سنجش از دور مانند رادار و لیدار (LIDAR یکی از فناوری ‌های سنجش از راه دور که به آن رادار لیزری نیز گفته می شود) برای درک محیط اطراف در خودرو های بدون راننده مورد استفاده قرار می گیرد تا یک دیده کامل و 360 درجه از اطراف را فراهم سازد که آگاهانه تر از یک راننده انسان است.

معرفی پروژه تشخیص موانع از تصویر:

در این مقاله هوش مصنوعی و بینایی ماشین روشی به منظور استفاده دو دوربین ۳۶۰ درجه ای جهت تشخیص موانع در اطراف خودرو با استفاده از دید استریو ارایه شده است. با تغییر عمودی دوربین به جای افقی می توان اطلاعات عمق را در همه جهت ها به جز نقطه فراز و نقطه نشیب که اطلاعات مفید کمی در رابطه با موانع دارد، محاسبه کرد. روش اصلی جهت تشخیص موانع طبقه بندی نقاط در فضای سه بعدی بر اساس ارتفاع، عرض و شیب عبور مربوط به نقاط همسایه می باشد. نقاطی که به عنوان مانع شناسایی شده اند، می توانند به تصویر صفحات برای برنامه ریزی حرکت نگاشته شوند.

بینایی ماشین:

بینایی ماشین یکی از سخت ترین مسایل در هوش مصنوعی (AL) است که برای چندین دهه محققان و مهندسان زیادی را به چالش واداشته است. این مساله استخراج اطلاعات مفید از تصاویر و فیلم ها کاربرد های زیادی در زمینه های مختلف از قبیل رباتیک، دریافت از راه دور، واقعیت مجازی، اتوماسیون صنعتی و غیره دارد.

خودرو های بدون راننده:

مفهوم ساخت ماشین هایی که خودشان رانندگی کنند امروزه در دنیای هوش مصنوعی از محبوبیت بسیاری برخوردار است که این امر به طور عمده توسط تعداد زیادی حوادث رانندگی ای پیش آمده است که ناشی از خطا های رانندگی / سهل انگاری راننده می باشد. وسایل نقلیه مستقل برای درک محیط اطرافشان با روش هایی مانند رادار، لیدار، GPS و بینایی کامپیوتر (بینایی ماشین) طراحی شده اند. این آرایه از سنسور ها به طور منسجم برای مشاهده و ثبت محیط در اطراف و تشکیل ماژول ادراکی وسیله نقلیه کار می کنند.

مرحله بعدی در راه دریافت، گام محلی سازی است که اطلاعات ناقص و بی ربط را که از سنسور ها برای شناسایی موقعیت، سرعت، و سایر ویژگی ها در وسیله نقلیه و موانع (از جمله موانع پویا) حاصل شده اند را به هم گره می زند. ماژول نهایی مرحله برنامه ریزی است که در آن وسیله نقلیه در موقعیتی که در آن قرار دارد تصمیم به انجام چه کاری بگیرد.

سیستم های ادراکی رادار لیدار:

در حال حاضر نمونه های اولیه تحقیقات که توسط بازیکنان بزرگی در صنعت و دانشگاه صورت گرفته است رادار و لیدار را به عنوان سیستم های ادراکی اصلی خود دارا هستند. آنها به طور کلی یک دید ۳۶۰ درجه ای کامل و بسیار دقیق برای وسیله نقلیه فراهم می کنند که از محیط اطراف نسبت به به یک راننده عادی آگاه تر است. کاهش این سیستم ها در هزینه گسترش آنهاست. بنابراین یک ایده این است که از تکنیک های بینایی ماشین و دوربین ها به جای این سیستم ها استفاده کنیم. در بسیاری از موارد نشان داده شده است که بینایی برجسته نما می تواند برای استخراج اطلاعات مفید در مورد محیط اطراف که می تواند به مسیریابی ربات های همراه کمک کند به کار برده شود.

اما در اغلب موارد این حوزه دید فقط محدود به جلوی ربات است. این بسیار مهم است که سیستم بینایی ماشین مورد هدف ما با در به دست آوردن یک دید ۳۶۰ درجه ای توسط سیستم های لیدار یا رادار سازگار است یا خیر. این می تواند با به کار گیری دوربین های مخصوصی که تصویر منظره ای را از ۳۶۰ تا ۱۸۰ درجه ثبت می کند میسر شود.

تصاویری از خروجی پروژه تشخیص موانع از تصویر به روش دید استریو:

تصویر خروجی 1:

تصویر خروجی 2:

تصویر خروجی 3:

تصویر خروجی 4:

تصویر خروجی 5:

تصویر خروجی 6:

تصویر خروجی 7:

تصویر خروجی 8:

تصویر خروجی 9: