21444

21444

طراحي الگوريتم شناسايي محدوده جاده مبتني بر پردازش تصوير

كارشناسي ارشد

مخابرات امن و رمزنگاري

1395

1398/9/3

دكتر سيد علي اصغر بهشتي شيرازي

برق

شناسايي محدوده جاده و خطوط يكي از اساسي‌ترين حوزه‌هاي تحقيقاتي در توسعه خودرو هوشمند و ايمني جاده‌ها است. سيستم شناسايي خطوط و محدوده جاده از جمله قابليت‌هايي است كه براي خودروهاي هوشمند به كار گرفته‌‌شده و خودرو را در محدوده مجاز راهنمايي مي‌كند، همچنين جهت جلوگيري از سوانح رانندگي ناشي از انحراف خودرو اهميتي ويژه دارد. در اين پروژه، هدف تشخيص جاده و خطوط موازي سطح جاده در تصاوير ويديويي است. در مرحله اول با كاليبراسيون مناسب دوربين تك‌ديدي، نماي پرنده توسط تكنيك نگاشت دورنماي معكوس از ناحيه مورد نظر به‌دست مي‌آيد. در مرحله دوم، تصوير با استفاده از يك ماسك باينري و ويژگي‌هاي خط‌الراس براساس عرض خط در فضاي خاكستري تقسيم‌بندي مي‌شود و با توجه به نتايج بدست آمده از الگوريتمي مبتني بر نمونه‌گيري تصادفي جهت متناسب نمودن خطوط يافت شده براساس مدل پارابوليك خط‌الراس اتخاذ مي‌گردد. در نهايت، خودروها توسط يك آشكارساز مبتني بر ويژگي‌هاي كانال كل شناسايي مي‌شوند. با استفاده از فيلم رانندگي در شرايط پيچيده جاده و مجموعه داده‌هاي Caltech شامل خيابان‌هاي كاليفرنيا و واشنگتن، آزمايش شبيه‌سازي براي الگوريتم تشخيص خط انجام گرديده است. نتايج تجربي نشان مي‌دهد كه ميانگين دقت تشخيص براساس فيلم رانندگي در خيابان‌هاي كاليفرنيا به %96 و ميانگين زمان پردازش به 56.26 ميلي‌ثانيه مي‌رسد. ميانگين دقت تشخيص براساس مجموعه داده خيابان‌هاي واشنگتن به %90 و ميانگين زمان پردازش به 80.37 ميلي‌ثانيه رسيده است. پياده‌سازي اين روش بدون استفاده از يادگيري عميق روي پايگاه‌‌هاي دادة متفاوت، نتايج مطلوبي را در برداشته و سيستمي دقيق و پرسرعت براي تشخيص خطوط جاده فراهم مي‌كند.

1398/09/19

Designing a Road Boundary Identification Algorithm Based on Image Processing

11/24/2019 12:00:00 AM

Range of road and lanes detection is one of the important foundation in the development of intelligent vehicles. Range of road and lane detection system is one of the features used for smart cars and guides the vehicle within the permitted range, and is also important for preventing traffic accidents caused by car diversion . In this project, the goal is to identify the road and the parallel lines of the road in the video images. Firstly, with the suitable calibration of the monocular camera, the bird's view is obtained by the inverse perspective mapping technique from the target area. Secondly, the grayscale image is segmented whit binary mask and a ridge features based on lane width, and according to the results of a random sampling algorithm is adopted to fit the lines found based on the Linear-Parabolic model. Finally, cars are identified by a detector based on aggregate channel features. Simulation experiments were performed using the driving video under complex road conditions and the Caltech dataset including the streets of California and Washington. Experimental results show that the average detection accuracy based on driving video in Califorina streets is 96% and the average processing time is 26.56ms. The average detection accuracy based on driving video in Washington streets is 90% and the average processing time is 37.80 ms. Implementing this approach without using deep learning on different datasets yields desirable results and provides high-speed and accurate system for recognition road lines.

مميز , اعشار