Para Berbagai Sarana Mobile Robot Bisa Deteksi Objek

PENDAHULUAN

deteksi Kendaraan dapat ditingkatkan jauh, baik dari segi akurasi dan waktu, dengan mengambil advantageof yang hadir kontinuitas temporal dalam data. Canbe ini dicapai dengan menggunakan mekanisme pelacakan untuk hipotesa lokasi kendaraan dalam bingkai masa depan karena fakta bahwa sangat tidak mungkin untuk kendaraan muncul hanya dalam satu frame. Oleh karena itu, sejarah masa lalu dan sebuah mekanisme prediksi yang diperlukan untuk lokasi masa depan yang dihasilkan kendaraan. Kinerja pelacakan menjatuhkan generasi hipotesis teknik umum bisa dikerahkan untuk mempertahankan tingkat kinerja. Mayoritas yang ada jalan kendaraan deteksi-on dan sistem pelacakan menggunakan-mendeteksi kemudian melacak pendekatan-(Sun  et al 2002.,). Dengan pendekatan ini, deteksi dan pelacakan diselesaikan secara berurutan dan terpisah. Sebagai contoh, template yang cocok untuk deteksi kendaraan dan dinamis penyaringan untuk pelacakan kendaraan digunakan. pelacak ini mengkaji sejarah daerah dilacak dalam bingkai gambar sebelumnya dan menentukan seberapa besar kemungkinan adalah bahwa daerah di gambar ini berisi mobil (Aufrere  et al 2000.,). Jika daerah tersebut berisi mobil dengan probabilitas tinggi, pelacak akan output lokasi dan ukuran dari mobil hipotesis dalam gambar. Ciptaan ini dinamis dan penghentian proses pelacakan mengoptimalkan jumlah sumber daya komputasi yang dihabiskan dan dengan demikian, mengurangi waktu pemrosesan.

BAHAN DAN METODE

Untuk membangun sebuah sistem pengenalan obyek, menghadap ke depan kamera terpasang pada robot II Pioneer mobile. Karena mono-visi berdasarkan mobile robot untuk mendeteksi rintangan telah mendapat banyak perhatian akhir-akhir ini, satu kamera terpasang pada robot dipilih untuk eksperimen untuk mendeteksi rintangan. Untuk memverifikasi lokasi kendaraan, metode tampilan berbasis (Avidan, 2004) yang digunakan, karena metode ini umumnya lebih akurat daripada metode berbasis template. Fitur yang diekstraksi dari respon filter Gabor menghasilkan akurasi yang sangat tinggi dalam classification.In objek gambar diperoleh, sebuah wilayah yang menarik di depan robot benar dipilih untuk mencari lokasi obstacles.Obstacle ditemukan di daerah bunga dan lokasi tersebut akan diverifikasi oleh classifier terlatih dalam langkah verifikasi.

Daerah generasi bunga: Karena metode menghasilkan terutama didasarkan pada tepi horizontal dan vertikal benda di jalan, sebuah wilayah cara bunga diperlukan (Cheng    et al 2006.,). Ketika ujung-ujungnya dihitung di wilayah cara dalam gambar, sebagian besar benda sekitarnya tidak dianggap. Algoritma untuk menghasilkan wilayah cara ditunjukkan pada Gambar. 1. J. Komputer Sci:., 6 (10) 1151-1153, 2010 fitur seperti Hue dan Saturation information.Therefore segmentasi juga dipengaruhi oleh kondisi pencahayaan. Untuk mengatasi masalah ini, perangkat lunak dapat menyesuaikan kecerahan, keuntungan, atau rana pada kamera untuk lebih e kontras gin dari objek frame.An gambar dalam sebuah gambar terdeteksi oleh dua langkah generasi gambar dan verifikasi. Ketika lokalisasi obyek yang diduga, sub-citra objek diambil dari gambar. Gabor fitur diekstraksi dari gambar-sub masukan ke dalam pemilah untuk memverifikasi apakah hipotesis sub-gambar berisi objek atau tidak. Uji classifier dengan objek Gambar dipotong secara manual. 1: Tampilkan gambar detectionThe sub pengolahan untuk citra RGB objek sampel jalan diubah menjadi citra HSV. Median filter kemudian diterapkan pada Hue, Saturation dan citra Nilai. Kemudian rentang ambang dihitung dari statistik untuk thresholding dan Saturasi gambar Hue. Dua gambar biner ambang Hue dan Saturation gambar ditemukan, yang kemudian dan operasi untuk memberikan citra biner kasar dari daerah cara.

Lokalisasi generasi: Ini adalah langkah utama untuk lokalisasi objek yang robot dapat mengidentifikasi objek. Algoritma performing terutama didasarkan pada tepi horizontal dan vertikal. Gambar berwarna frame yang diperoleh dari kamera disaring dan skala bawah dari yang gambar abu-abu dibangun. Daerah Of Interest (ROI) pada gambar abu-abu kemudian ditemukan dengan menggunakan masker biner diperoleh dari langkah sebelumnya. Algoritma untuk objek lokalisasi dilakukan pada ROI pada gambar abu-abu. Preliminarily, tepi horisontal dan vertikal dalam gambar abu-abu ditemukan ROI untuk menghitung dan vertikal profil horisontal.

Algoritma verifikasi: Gabor fitur yang digunakan untuk klasifikasi fitur (Shen dan Bai, 2004). Dari seluruh rangkaian fitur, sebuah classifier yang kuat adalah fitur obtained.Optimal juga dipilih. Ini termasuk desain sub-jendela dan filter Gabor untuk ekstraksi fitur. Pelaksanaan Gabor filter untuk membangun classifier untuk verifikasi juga diperkenalkan. Filter Gabor ini kemudian diterapkan pada setiap sub-jendela

secara terpisah. Motivasi untuk mengekstraksi fitur Gabor dari tumpang tindih jendela adalah untuk mengkompensasi kesalahan dalam langkah generasi.

RESULS

Wilayah bunga yang merupakan wilayah cara gambar ditemukan dengan menggunakan informasi warna (Viola dan Ones, 2001). Dalam kawasan ini bunga, tepi horisontal dan vertikal dihitung untuk melokalisasi daerah cara objects.The kepentingan adalah menghasilkan warna segmentasi menggunakan classifier yang memiliki tingkat klasifikasi yang tinggi.

DISKUSI

Salah satu alasan untuk lokalisasi objek tidak benar terletak di segmentasi cara menggunakan informasi warna. daerah Way mungkin akurat tersegmentasi, namun, seluruh objek tidak di dalam wilayah cara. lokalisasi Dengan demikian hanya mencakup sebagian dari objek yang tidak dapat memberikan informasi yang cukup untuk classifier ini. Hal ini membutuhkan algoritma menggunakan tepi horisontal dan vertikal harus lebih kuat dalam arti bahwa banyak hipotesis harus dibangkitkan.

KESIMPULAN

Lokalisasi objek dalam gambar yang dihasilkan dan diverifikasi. Obyek generasi diimplementasikan dengan menggunakan tepi horizontal dan vertikal pada daerah bentuk bunga tersegmentasi dengan memanfaatkan informasi warna. Sub-gambar objek yang diverifikasi oleh classifier dilatih pada fitur Gabor dari pelatihan serangkaian gambar. Dua jenis fitur Gabor, mean dan deviasi standar respon Gabor filter, digunakan. Gabor fitur serta desain sub-jendela untuk mengekstrak fitur Gabor untuk penggolong ditemukan cocok untuk masalah tersebut. Algoritma untuk pembangkitan objek yang memanfaatkan tepi horizontal dan vertikal tergantung pada informasi warna dan kecerahan adegan cara. classifier ini memiliki kinerja yang sangat baik dan cocok untuk pengenalan obyek.

UCAPAN TERIMA KASIH

Penelitian ini dari Pengukuran dan Mobile Robot Laboratorium (M dan M-LAB) didukung oleh Fakultas Ilmu Pengetahuan Fisika, EBSU.

DAFTAR PUSTAKA

Aufrere, R., R. Chapuis dan F. Chausse, 2000. Algoritma visi yang dinamis untuk mencari kendaraan di jalan non-terstruktur. Int. J. Robot. Res, 19:. 411-423.Avidan, S., 2004. Mendukung pelacakan vektor. IEEE Trans.Patt. Anal. Mach. Intel, 26:. 1064-1072.Cheng, H., N. Zheng dan Sun C., 2006. Gabor meningkatkan fitur diterapkan untuk mendeteksi kendaraan. Kong Prosiding Konferensi Internasional ke-18 pada Pengakuan Pola, (ICPR'06), IEEE Computer Society, Hong, pp: 662-666.Shen, LL dan L. Bai, 2004. Gabor AdaBoost fitur seleksi untuk klasifikasi. Prosiding Komputasi Image dan Visi, (IVCNZ'04), IEEE Computer Society, Selandia Baru, pp: 77-83.Sun, Z., G. Bebis dan R. Miller, 2002. Pada deteksi kendaraan-jalan menggunakan filter Gabor dan mesin dukungan vektor. Prosiding Konferensi Internasional tentang Digital Signal, (DS'02), KFUPM, SA., Pp :1019-1022. Http://reference.kfupm.edu.sa/content/o/n/on_road_vehicle_detection_using_gabor_fi_63086.pdf Viola, P dan Ones M., 2001.. Rapid deteksi obyek menggunakan kaskade meningkatkan fitur sederhana. . Prosiding Konferensi IEEE di Visi Komputer dan Pengakuan Pola, (CVPR'01), IEEE Computer Society, USA, pp: 511-518.