بهبود برخی روش های شناسایی جاده با استفاده از ترکیب روش های بینایی و یادگیری ماشین

مسئله شناسایی جاده از جمله مهم ترین مسائل در زمینه هوشمندی خودرو و سیستم های کمک به راننده محسوب می شود. این مسئله در دو دهه اخیر همواره به عنوان یک موضوع تحقیقاتی مهم مطرح بوده است. امروزه در اثر سوانح رانندگی در جاده ها، روزانه تعداد زیادی جان خود را از دست می دهند؛ بنابراین استفاده از سیستم های هوشمند و کمک به راننده می تواند تا حد قابل توجهی خطرات ناشی از رانندگی را کاهش دهد. علاوه بر موارد ذکر شده، ناوبری موفّق ربات ها در محیط های شهری نیز تا حد زیادی وابسته به شناسایی جاده است. در حقیقت، برای اینکه ربات خودمختار بتواند مسیر بین نقطه شروع و مقصد را با موفّقیت طی کند لازم است که شناخت دقیقی از جاده پیش روی خود داشته باشد و در مسیر حرکت خود تلاش کند از سطح جاده خارج نگردد. در این پایان نامه سعی بر آن داریم که با استفاده از تک دوربین، شناسایی جاده را انجام دهیم. استفاده از این روش نسبت به روش هایی نظیر بینایی استریو، لیزر و رادار از نظر هزینه بسیار مقرون به صرفه تر می باشد. در این پایان نامه، به منظور شناسایی جاده، 5روش مختلف ارائه شده و مورد بررسی قرار گرفته است. در روش اوّل، با فرض تفاوت توزیع رنگ جاده و پس زمینه، با استفاده از الگوریتم آبگیر و اطلاعات مربوط به نقطه محو شدن، قطعه بندی تصویر را انجام می دهیم و به وسیله آن، روشی برای شناسایی و حذف سایه از تصویر معرفی می کنیم که در مرحله پیش پردازش مورد استفاده قرار می گیرد. در روش دوّم، بر اساس اطلاعات رنگی پیکسل های تصویر، به خوشه بندی آن ها پرداخته و با به دست آوردن خوشه شامل سطح جاده، مدل اوّلیه ای برای جاده به دست می آوریم. برای این که روش شناسایی جاده نسبت به شرایط مختلف قدرتمندتر باشد لازم است علاوه بر ویژگی های رنگی، از تفاوت موجود در بافت جاده و پس زمینه تصویر نیز بهره بگیریم. برای این منظور، در روش سوم، با استفاده از توصیفگر بافت هارالیک و ویژگی هایی نظیر تضاد رنگ، بی نظمی و غیره و اعمال آن ها به یادگیر، اقدام به دسته بندی پیکسل ها می کنیم. در روش چهارم، از توصیفگر بافت قطعه بندی بر اساس بعد فراکتال استفاده کرده و دسته بندی پیکسل ها را انجام می دهیم. این روش خودروهای موجود در جاده را به دلیل تفاوت یکنواختی آن ها با سطح جاده به خوبی به عنوان پس زمینه تصویر شناسایی می کند، اما همچنان وجود سایه می تواند این روش را با دشواری هایی رو به رو سازد. برای حل این مشکل، در روش پنجم، از یک یادگیر دیگری بهره گرفته و بر اساس توصیفگر بافت الگوی دوتایی محلی، اقدام به برچسب زنی پیکسل ها می کنیم. این توصیفگر نسبت به تغییرات یکنواخت سطح روشنایی مقاوم بوده و همین امر باعث پایداری بیش تر این روش نسبت به شرایط وجود سایه و یا تابش نور شدید به سطح جاده می شود. علاوه بر موارد ذکر شده، با استفاده از نقطه محو شدن تصویر، تخمینی از صاف یا پیچ دار بودن جاده به دست آورده و در جاده های صاف،کناره های جاده را محاسبه می کنیم. همان طور که بیان شد، هریک از روش های مطرح شده دارای مزایا و معایبی است که آن را نسبت به سایر روش ها متمایز می سازد. تلفیق خروجی های حاصل از این روش ها نشان می دهد که ویژگی های ظاهری تصویر در کنار ویژگی های مربوط به بافت می تواند به صورت موفّقیت آمیزی شناسایی جاده را انجام دهد و دقّت محاسبات را افزایش دهد و در شرایط مختلف از جمله مسیرهای صاف یا دارای پیچ ، محیط های برون شهری یا درون شهری، وجود سایه در تصویر و غیره نیز با موفّقیت سطح جاده را استخراج نماید.