بخشی از مقاله
چکیده
توانایی ناوبری ازجمله مهمترین ویژگیها در بحث هوشمندسازی خودروها محسوب میشود. در این راستا لازم است که خودرو بتواند با شناسایی جاده، ضمن تلاش برای باقی ماندن در سطح جاده، از نقطه مبدأ به سمت نقطه هدف حرکت نماید. در این بررسی با استفاده از تک دوربین نصبشده در جلوی خودروی در حال حرکت، شناسایی جاده را انجام میدهیم. این روش در مقابل روشهایی نظیر بینایی استریو و لیزر از نظر هزینه بسیار مقرون به صرفه تر میباشد.
ابتدا کنارههای جاده با استفاده از روش تبدیل هاف احتمالاتی استخراج شده و پیشبینی وضعیت آنها در فریمهای متوالی توسط فیلتر کالمن صورت میگیرد. در ادامه با فرض تفاوت توزیع رنگ جاده و پسزمینه، با استفاده از الگوریتم آبگیر، قطعهبندی تصویر را انجام میدهیم. همچنین با تشکیل بردار ویژگی مناسب شامل توصیفگر بافت هارالیک و ویژگیهای رنگی هر ناحیه از تصویر ، به کلاسبندی پیکسلها اقدام میکنیم. تلفیق خروجیهای حاصل از این روشها نشان میدهد که ویژگیهای ظاهری تصویر در کنار ویژگیهای مربوط به بافت میتواند بهصورت موفقیتآمیزی سطح جاده را استخراج نماید و دقت محاسبات را افزایش دهد.
.1 مقدمه
توانایی ناوبری ازجمله مهمترین ویژگیهای مطرح شده در زمینه هو شمند سازی خودروها میبا شد. برای نیل به این هدف لازم ا ست که خودرو قابلیت ت شخیص جاده را دا شته با شد و با حفظ موقعیت خود در م سیر جاده، از مبدأ به نقطه مق صد حرکت نماید. این امر میتواند تأثیر شگرفی د ر کاهش میزان ت صادفات جادهای ایفا نماید. برای نیل به این هدف، روشهای مختلفی ارائهشده که بهطورکلی میتوان آنها را به سه دسته مبتنی بر فعالیت 4]و[13، مبتنی بر ویژگی 2]و[11 و مبتنی بر مدل [18] تقسیم نمود.
روشهای مبتنی بر فعالیت از مزایای حرکت و فعالیت زیاد خودروها در سطح جاده استفاده کرده و بهطورکلی با استخراج نقشه فعالیت، تصویر را به دو ناحیه فعال و غیرفعال تقسیم میکنند. روشهای مبتنی بر ویژگی بر مبنای استخراج ویژگیهایی از تصویر استوار هستند که به شناسایی کنارههای جاده و مسیرهای خطکشی موجود در آن کمک میکنند. همچنین روشهای مبتنی بر مدل تلاش میکنند تا مدلی منطبق با تصویر جاده بیابند .ویژگیهای استخراج شده از سطح جاده در پارهای از موارد بر مبنای کنارههای جاده استوار است که روشهای مبتنی بر شناسایی لبه 9]و[14 و همچنین روشهای مبتنی بر تبدیل هاف [5] از جمله آنها میباشد.
دسته دیگری از ویژگیها بر مبنای پردازش ناحیههای مختلف در تصویر عمل کرده که ویژگیهای مبتنی بر تحلیل بافت 7]و[8 و ویژگیهای رنگی [6] در این دسته قرار میگیرند. همچنین از ترکیب ویژگیهای بر پایه استخراج کنارههای جاده و نواحی تصویر نیز استفاده شده است 12]و [17 علاوه بر موارد ذکر شده، پژوهشهای مرتبط با شنا سایی جاده با ا ستفاده از امکانات و حسگرهای مختلفی صورت گرفته که تک دوربین، لیزر، بینایی استریو، اطلاعات جغرافیایی و مبتنی بر نقشه، دینامیک خودرو و همچنین رادار نمونههایی از این موارد میباشد که هریک نسبت به دیگری دارای مزایا و چالشهای گوناگونی هستند .
در این بررسی از تک دوربین نصب شده در جلوی خودروی در حال حرکت برای شناسایی جاده استفاده میشود که نسبت به روش بینایی استریو و لیزر بسیار کمهزینهتر بوده و بار محاسباتی آن نیز کمتر میباشد. برای این منظور، ابتدا کنارههای جاده استخراج شده و با استفاده از ویژگیهای رنگی و الگوریتم آبگیر، قطعهبندی تصویر را انجام میدهیم و بر اساس توصیفگر بافت هارالیک و ماشین بردار پشتیبان، آموزش را بر اساس نمونههای مثبت و منفی اولیه انجام داده و پیکسلها را کلاسبندی میکنیم. استفاده از این ویژگیها در کنار هم باعث میشود که شناسایی جاده با دقت مناسبی صورت گیرد.
.2 روش مورد بررسی جهت شناسایی
1-2 استخراج کنارههای مسیر جاده
ابتدا فرض میکنیم که خودرو در سطح جاده واقع شده و محدوده جاده را میخواهد تشخیص دهد. برای این منظور، بر اساس جهتگیری دوربین نصب شده روی خودرو، نیمه پایینی تصویر را به عنوان ناحیه جالب در نظر گرفته و جستوجوی جاده را به همین ناحیه محدود میکنیم. با این کار باعث افزایش سرعت پردازش خواهیم شد. سپس با تبدیل تصویر رنگی به سطح خاک ستری، ابتدا هی ستوگرام آن را یکنواخت کرده و آن را بهبود میدهیم و سپس با اعمال فیلتر گو سی، اقدام به نرم کردن آن نموده و لبههای تصویر را با لبهیاب استخراج میکنیم. این لبهها میتوانند نامزد مناسبی برای شناسایی کنارههای جاده با شند. اگرچه کنارههای جاده میتوانند منحنیهای گوناگونی را شامل شوند، اما در فوا صل کوتاه میتوان آنها را به صورت خطی در نظر گرفت و بار محاسباتی را کاهش داد.
بنابراین از تبدیل هاف احتمالاتی [15] برای برازش خط به کنارهها استفاده میکنیم. این تبدیل، نمایش خط را از فضای x و y به فضای و تبدیل میکند که جستوجو در کل این فضای دوبعدی هم زمانبر بوده و هم باعث کاهش دقت در شناسایی کنارهها میشود . برای این منظور بر اساس جهتگیری این خطوط کناری، فضای دوبعدی مذکور را محدود کرده و کنارههای راست و چپ جاده را فقط در بازههای زاویهای 85 - و - 5 و 175 - و - 110 درجه جستوجو میکنیم و با اعمال آستانه مناسب روی تعداد آرای هر خط و همچنین حداقل طول خطوط و فاصله خطوط همراستا از هم، از انتخاب خطوط نامناسب به عنوان نامزد کنارهها جلوگیری مینماییم.
علاوه بر این، در این روش در هر فریم تصویر، بدون توجه به فریمهای قبلی و بعدی آن، کنارهها را محاسبه میکنیم، لذا این امکان وجود دارد که در بعضی فریمها با ظاهر شدن خطوطی ناشی از صف خودروها در ترافیک و یا عبور خودرو از پ ستی و بلندیها و یا وجود نویز در ت صویر، به ا شتباه کنارهها ت شخیص داده شوند و بنابراین بهتر ا ست ارتباط بین محل قرارگیری کناره ها در فریمهای متوالی مورد بررسی قرار گیرد و در فریم های بعدی، محل تقریبی این خطوط کناری به نوعی پیشبینی گردد. برای نیل به این هدف از فیلتر کالمن مطرح شده در[3] استفاده کرده و پارامترهای خط را در فریمهای متوالی پیشبینی میکنیم.
شکل.1 خروجی حاصل از اعمال تبدیل هاف احتمالاتی روی تصویر
2-2 الگوریتم آبگیر
ازجمله ویژگیهای ظاهری جاده که آنرا از سایر قسمتهای تصویر متمایز میسازد میتوان به رنگ آن اشاره نمود. بنابراین قطعهبندی تصویر بر اساس رنگ میتواند در جداسازی جاده از پس زمینه کمک نماید. برای این منظور، ابتدا فرض میکنیم که خودرو در سطح جاده قرار دارد و دقیقاً در جلوی آن خود روی دیگری قرار نگرفته است. بنابراین پیکسلهای جلوی آن را سطح جاده ت شکیل میدهد.
همچنین با در نظرگرفتن ناحیه جالب ت صویر در نیمه پایینی آن، میتوانیم در حوالی نیمه تصویر و در نزدیکی نقطه محوشدن آن، خطی افقی در عرض تصویر در نظر بگیریم. رنگ پیکسلهای واقع در راستای این خط بیانگر توزیعی از رنگ پیک سل های واقع در پس زمینه ت صوی ر میبا شند. علاوه بر آن، توزیع رنگ پیک سلهای واقع در جلوی خود رو که در نواحی پایینی تصویر واقع شده نیز میتواند با دقت قابل قبولی،توزیع رنگ تقریباً یکنواخت سطح جاده را ن شان دهد. پس دو توزیع رنگ تقریبی برای سطح جاده و پس زمینه در هر فریم به د ست آورده و سپس با ا ستفاده از الگوریتم آب گیر [16]، قطعهبندی تصویر را براساس این منحنیهای رنگ به دستآمده انجام میدهیم.
این الگوریتم خطوط یک تصویر را به صورت کوه و نواحی درونی آنرا به صورت درههایی فرض میکند و با محاسبه گرادیان شدت روشنایی،گودالهای آب - نقاط پایینی فاقد بافت خاص - وکوهها - نقاط برجسته تصویر - را تشکیل میدهد. سپس آب گودالها با شروع از نقاط تعیین شده تو سط الگوریتم - که در اینجا منحنیهای توزیع رنگ ر سم شده در ت صویرمیبا شند - شروع به حرکت کرده و به صورت تناوبی بالا میآید و این نواحی را به هم متصل میکند و تصویر در نهایت به نواحی علامتگذاری متناظر ناحیه بندی میشود.
شکل.1 منحنیهای مربوطه برای استخراج توزیع رنگ جاده و پسزمینه
شکل.2 خروجی حاصل از اعمال الگوریتم آبگیر روی تصویر
.3 استفاده از ویژگی بافت در استخراج جاده
مفهوم بافت، نقش بسیار مهمی را در تحلیل تصاویر و درک آنها ایفا مینماید. همچنین این مفهوم در بحث قطعه بندی تصاویر نیز میتواند بسیار کار ساز و پرکاربرد باشد. ویژگی بافت به منظور توصیف ساختارها و الگوهای تکراری موجود در هر ناحیه از تصویر مورد استفاده قرار میگیرد و بیانگر میزان نرمی، زبری،یکنواختی و غیره از هر ناحیه از تصویر میباشد. برای مشخص کردن بافت هر ناحیه راهکارهای گوناگونی وجود دارد. در این بررسی ما از توصیفگر بافتها رال یک [10] برای مشخص کردن بافت تصویر در نواحی مختلف استفاده میکنیم.
1-3 استخراج ویژگی
در این بررسی از ویژگیهای آماری هارال یک برای توصیف بافت هر ناحیه از تصویر استفاده میشود. این ویژگیها شامل مواردی نظیر ممان مرتبه دوم زاویهای، کانتراست، همبستگی، واریانس،ممان تفاضلی معکوس،آنتروپی و غیره میباشد که در مجموع در کنار هم برای توصیف بافت مورد استفاده قرار میگیرند. همچنین در کنار این ویژگیها، از نمایش رنگی فضای HSV که در مقابل تغییرات روشنایی مقاومترازفضایRGB میباشد نیز بهره میگیریم. پس ویژگیهای ها رالیک و ویژگی رنگی استخراج شده برای توصیف هر ناحیه از تصویر بکار گرفته شده و در کنار هم بردار ویژگی را تشکیل میدهند.
2-3 آموزش یادگیر و ارزیابی تصاویر
برای آموزش یادگیر ابتدا با استفاده از دوربین متصل برروی خودرو،پایگاهی از تصاویر شامل سطح جاده تشکیل میشود که شامل 4700 تصویر است. در این مرحله به تولید مثالهای آموزشی برچسبدار برای شناسایی جاده پرداخته میشود. برای این منظور، از بین تصاویر موجود، برشهای مختلفی از هر تصویر را در مکانها و اندازههای مختلف ایجاد میشود و آنها را به صورت دستی برچسب گذاری میکنیم. با اینکار، مثالهای آموزشی متعددی شامل برچسب جاده و غیر جاده فراهم میشود. در هریک از این مثالهای آموزشی، بردار ویژگی مذکور در قسمت قبلی را تشکیل داده و پارامترهای مربوط به بافت ورنگرا محاسبه میکنیم.
