هدف از این رساله، طراحی سیستمی خودکار در اتومبیل به منظور تشخیص عابر پیاده میباشد به نحوی که بتواند در شرایط چالش برانگیز عملکرد خوبی از خود نشان دهد. به منظور دستیابی به این هدف، در ابتدا دو ویژگی جدید تحت عنوان ویژگیهای سطح بالا، برای الحاق به سیستمهای آشکارساز موجود معرفی میکنیم. دلیل این نامگذاری، قابلیت ویژگیهای مذکور در استخراج ویژگی در سطوح وسیعتری از تصویر میباشد. یکی از این دو ویژگی، ویژگی صورت است که به تشخیص وجود صورت انسان در پنجره آشکارسازی میپردازد. دیگری، ویژگی مغایربدن است که به تشخیص عدم وجود بدن انسان در پنجره آشکارسازی میپردازد. نتایج آزمایشات انجام گرفته در دسته بندی نمونه های بریده شده پایگاه داده های inria، حاکی از آن است که ترکیب این دو ویژگی با ویژگیهای سطح پایین مختلف، باعث 5/2-7% کاهش در میانگین نرخ خطا میشود. پس از معرفی ویژگیهای مذکور، به معرفی روشی موثر برای محاسبه این ویژگیها در یک فریم کامل میپردازیم، به نحوی که مانع از افزایش چشمگیر زمان محاسبات شویم. نتایج آزمایشات انجام گرفته در این مرحله نیز نشان میدهد که افزودن ویژگیهای سطح بالا، حداقل باعث 1% کاهش در lamr میشود و در مواردی مقدار کاهش حتی به 5% میرسد. این در حالی است که افزایش زمان محاسبات در پردازش یک تصویر کامل، تنها 8% بیشتر از زمان محاسبات سیستم اصلی میباشد. در ادامه به منظور دستیابی به نتایج بهتر، اقدام به استفاده از زمینه و مسیریابی میکنیم. برای استفاده از زمینه، به تخمین ارتفاع جسم با استفاده از صفحه زمین و نقشه عمق میپردازیم و احتمال عابر بودن فرضیه را با استفاده از این دو عامل محاسبه میکنیم. همچنین احتمال عابر بودن فرضیه را با استفاده از میزان یکنواختی نقشه عمق محاسبه میکنیم. در نهایت با قرار دادن این عوامل در کنار خروجی آشکارساز، به تخمین بهتری از احتمال عابر بودن فرضیه دست مییابیم. برای مسیریابی، فرضیه های آشکارشده در فریمهای متوالی را با استفاده از ابزارهای هیستوگرام رنگ و دینامیک حرکت به هم مرتبط میکنیم. مشاهده میشود که با استفاده از زمینه و مسیریابی، مقدار lamr، تقریباً به اندازه 9% کاهش پیدا میکند. البته این مقدار کاهش در lamr، به ازای بیش از 100% افزایش در زمان محاسبات حاصل میشود. در ادامه به منظور افزایش سرعت محاسبات، یک روش جدید جهت استخراج نواحی مورد نظر معرفی میکنیم. در این راستا با ترکیب بلوکهای کوچک، یک قطعه بندی ضعیف روی تصویر انجام میدهیم و نواحی یکنواخت و غیریکنواخت (مرزی) را مشخص میکنیم. برای تشخیص سازگاری بلوکها، از ابزارهای رنگ و بافت و روش sprt استفاده میکنیم. پس از آن، آشکارسازی را همانند قبل با استفاده از پنجره لغزنده ادامه میدهیم؛ اما اگر پنجره در نواحی یکنواخت واقع شده باشد، از ارزیابی آن صرفنظر میکنیم. نتایج آزمایشات انجام گرفته، حاکی از آن است که با این روش، کاهش مقدار lamr تا حد زیادی حفظ میشود و در عین حال، مقدار افزایش در زمان محاسبات تنها به 20% میرسد.

چکیده ندارد.