شبیه سازی ردیابی خودرو در سیمولینک متلب
شبیه سازی ردیابی خودرو در سیمولینک متلب :پروژه آماده متلب
پروژه آماده متلب : در واقع مهمترین دلیل استفاده از روش ردیابی بر پایۀ ویژگی و یا استفاده از آن در کنار یکی از روشهای ردیابی دیگر ایجاد یک الگوریتم ردیابی است که در مقابل تغییرات ناشی از تغییر شـدت روشنایی محیط و یا تغییر زاویۀ دید از قدرت بیشتری برخوردار باشد.
بسیاری از ویژگیها، برای مثال ویژگی لبه ، حساسیت کمتری در مقابـل ایـن تغییـرات دارنـد.
پروژه آماده متلب بعضی از ویژگیها مانند ویژگی گوشه نیز به طور محلی دارای قابلیت شناسایی دقیق هستند. مکـان این ویژگیها میتواند مکان مناسبی برای محاسبات هندسی مانند تخمین حرکت دوربین نسبت بـه صحنه باشد. ایجاد یک الگوریتم ردیابی مناسب بر پایۀ ویژگی ، در وهلۀ اول مستلزم شناخت کـافی از ویژگیها و مشخصات شئ ای که میخواهد ردیابی شود است تا بتوان از شناساگرهای متناسب بـا آنها استفاده کرد. اکثر الگوریتمهای ردیابی ویژگی ، یک حلقۀ چهار مرحله ای مطابق شـکل ۵-١ را دنبال میکنند
١) پیش بینی کردن
٢) شناسایی ویژگی
٣) مطابقت دادن
۴) بازیابی اطلاعات
نخست مکان ویژگی در فریم بعدی بر اساس مکانهای قبلی آن و مدل حرکت پیش بینی می – شود. سپس تعدادی ویژگی کاندید شناسایی شده و با ویژگی اصلی مطابقت داده مـیشـوند. آنگـاه بهترین تطبیق بر اساس معیار تطبیق بهینه انتخاب میشود. البته الگوریتمهای ردیابی در اینکه چه ویژگیهائی را انتخاب کنند و پیش بینی را چگونه انجام دهند و چه معیار تطبیقی را بکار بگیرند بـا یکدیگر متفاوت هستند.
مرحلۀ پیش بینی بر پایۀ حرکت شئ از یک فریم به فریم بعدی و مدل حرکت انتخابی مـی- باشد که مدل حرکت از مدلهای سـاده ماننـد مـدل سـرعت ثابـت تـا مـدلهای پـارامتری پیچیـده وحرکتهای با توزیع احتمال خاص میتواند باشد.
شکل ١-١: مراحل یک الگوریتم ردیابی ویژگی
پروژه آماده متلب مرحلۀ تطبیق بر اساس ایجاد رابطه بین مکان اصلی ویژگی و مکانهای پیش بینی شده اسـت یک روش معمول ، ماکزیمم کردن کورولیشن بین قطعه های تصویر در اطراف مکان اصلی ویژگی و کاندیدها است . به عبارت دیگر اختلاف بین ویژگی اصلی و کاندیدها مینیمم شود.
در بسیاری کاربردها، مراحل بالا متناسب با یکدیگر هستند. مثلاً، مدل حرکت اسـتفاده شـده در مرحلۀ پیش بینی، میتواند برای معیار تطبیق نیز بکار رود. همچنین مدل حرکـت بـرای پـیش بینی حضور ویژگی و در نتیجه شناسایی آن نیز میتواند استفاده شود.
اینکه چه ویژگیهائی را برای ردیابی انتخاب کنیم ، کاملاً به نوع کاربرد و نوع تـصاویر بـستگی دارد. البته در سالهای اخیر کارهایی برای شناسایی اتوماتیک ویژگی از طریق یافتن نقاطی که فرض تغییرات وابستۀ محلی را برآورده میکنند انجام شده است که از آن جمله میتوان به روش Shi and
-Tomasi ١٩٩۴اشاره کرد [٢١،٢٠،١٩].
برای نمونه در [٢٢] ، یک الگوریتم ردیابی بر اساس ویژگی برای پردازش تصاویر زیر دریـا بـا استفاده از روش شناسایی اتوماتیک فوق ارائه گردیده است . پردازش تصاویر زیر دریا به منظور نصب تجهیزات صنعتی، قراردادن اهداف در مسیر و موقعیت از پیش تعیین شده آنها، حفـظ و نگهـداری لوله های زیر دریا، عمل موزائیک بندی وتصویر برداری از کف دریا و غیره صورت میگیرد و از آنجا که ردیابی، یک قسمت اصلی در پردازش تصاویر گرفته شده از زیر دریا بـا اهـداف فـوق مـیباشـد، اهمیت انتخاب درست وصحیح ویژگی در الگوریتم ردیابی بیش از پیش نمایان میگردد. ردیـابی در چنین الگوریتمهایی به معنی تخمین حرکت یک یا چند ناحیه در فریمهای دنبالۀ تصاویر است .
روشهای مبتنی بر ویژگی را بسته به ویژگیهایی که مد نظر قرار میگیرند، مـیتـوان بـه پـنج
دستۀ کلی تقسیم کرد:
١) روشهای مبتنی بر ویژگیهای کلی
٢) روشهای مبتنی بر ویژگیهای جزئی
٣) روشهای مبتنی بر ویژگیهای جزئی ـ کلی
۴) روشهای مبتنی بر همبستگی ویژگیها
۵) روشهای مبتنی بر یک الگوی خاص
٢-۴) روشهای مبتنی بر ویژگیهای کلی
پروژه آماده متلب ویژگیهای کلی، ویژگیهایی مانند محیط ، مساحت ، شکل ، رنگ و مرکز ثقل هـستند. مـشخص است که در روشهایی که از ویژگی محیط یا مساحت استفاده میکنند، شئ مورد نظر باید بـه طـور کامل و بدون همپوشانی با سایر اشیاء در هر فریم ظاهر گردد. زیـرا همپوشـانی آن بـا سـایر اشـیاء ممکن است باعث گم شدن شئ در پروسۀ ردیابی شود. همچنین تنها استفاده کـردن از مشخـصات محیط یا مساحت ، درصد خطای پروسه را افزایش میدهد، چون ممکن است اشیاء دیگـری نیـز بـا همان محیط یا مساحت در فضای تصویر شـده وجـود داشـته باشـند و ایـن امـر لـزوم اسـتفاده از مشخصات دیگری از شئ مورد نظر را در کنار مشخصات محیط یا مساحت ایجاب میکند.
روشهایی که از مشخصات شکل استفاده میکنند نیز نیاز به جداسازی اشیاء از یکدیگر دارنـد و وجود اشیاء متعدد در صحنه و همپوشانی آنها با یکدیگر و همچنین سایه هایی کـه روی یکـدیگر میاندازند، کار شناسایی وردیابی شئ مورد نظر را دشوار میسازد [٢٣] و در بعضی مواقع نیز وجود کلاترهای پس زمینه ، شناسایی داده صحیح از کلاتر را با مـشکل مواجـه مـیکنـد. عملکـرد فیلتـر کالمن که از گسترده ترین روشها در ردیابی اشیاء است ، از جمله مواردی اسـت کـه بـه شـدت بـه حضور چند شئ متحرک در صحنه و وجود کلاتر بستگی دارد. این امر لزوم استفاده از الگوریتمهای ردیابی براساس مشخصۀ شکل که در مقابل کلاتر از قدرت بیشتری برخوردار هستند را نشان مـی- دهد [٢۴].
روشهایی که از مشخصات شکل استفاده مـیکننـد، در الگوریتمهـای شناسـایی صـورت و یـا الگوریتمهای شناسایی انسان کاربرد بسیار زیادی دارند [٢۵]. شکل ٢-٢ نتایج یکی از این روشها را نشان میدهد. در الگوریتم نشان داده شده در شکل ٢-٢، نخست صورت فرد ناحیه بندی شده و در هر ناحیه ، از روی مشخصات شکلی کـه قـبلاً در الگـوریتم منظـور شـده اسـت بـرای مثـال محـل قرارگرفتن ابروها نسبت به چشمها و یا محل و نحوه قرارگیری بینی و لبها نسبت به یکدیگر، نقـاط خاصی جستجو میشوند که در نهایت نقاط یافت شده در این الگوریتم ، مشخـصات صـورت فـرد از جمله گردی صورت ، محدوده چشمها و ابروها، محدوده بینـی و لبهـا و محـدوده موهـا را بـه دقـت مشخص میکنند.
پروژه آماده متلب در بعضی از الگوریتمها، از مشخصات شکل و رنگ در کنار یکدیگر [٢۶] و در بعضی دیگر تنها از هیستوگرام نرمال شده رنگ [٢٧] ودر برخی، از هیستوگرام رنگ به همراه شناسایی دقیق طیـف رنگ [٢٨] برای شناسایی صورت استفاده می شود.
با تغییر زاویۀ دید و حرکات شئ و دوربین نسبت به یکدیگر، بسیاری از ویژگیها مانند شـکل ، اندازه ، محیط و مساحت شئ تغییر میکنند. اما یک ویژگی که نسبتاً ثابت بـاقی مـیمانـد، ویژگـی رنگ و یا هیستوگرام رنگ است . علاوه بر این ، شناسایی و دنبال کردن اشیاء بر اساس ویژگی رنـگ ساده است . الگوریتمهایی که از ویژگی رنگ استفاده میکنند، معمولاً الگوریتمهـای سـریع ، مـوثر و قابل کاربرد در سیستمهای ردیابی بی درنگ میباشند [٢٨]. البته باید توجه داشت که ممکن است این ویژگی همواره یک ویژگی کاملاً مطلوب در دنبال کردن اشیاء نباشد. مـثلاً زمـانی کـه چنـدین منبع نور رنگی و یا اشیاء مختلف با رنگهای متفاوت و در نتیجه سـطوح بازتـابش متفـاوت در فـضا وجود دارد، اطلاعات رنگ ویاهیستوگرام رنگ شئ میتواند تغییر کند. یک مثال ملموس آن ، سطوح خارجی و شیشه های اتومبیل هستند که شبیه آینه عمل کرده و با بازتابش نور باعث تغییـر طیـف روشنایی در دنبالۀ تصویر شده و لذا الگوریتمهای ردیابی مخصوصاً آنهایی که از آسـتانه گـذاری در ردیابی استفاده میکنند را با مشکل روبه رو میسازند. این مشکل در الگوریتمهـای ردیـابی صـورت نیز بسیار بوجود میآید. بنابراین واضح است که در صورتی که تـصاویر نخـست در مقابـل تغییـرات
پروژه آماده متلب شدت روشـنایی تـصحیح شـوند، الگـوریتم ردیـابی عملکـرد بهتـری خواهـد داشـت . بـرای نمونـه الگوریتمهای ردیابی در [٣٠،٢٩] به گونه ای طراحی شده اند که خـود را در مقابـل شـرایط تغییـر شدت روشنایی وفق میدهند و یا در[٣١] از یک الگوریتم رنگ وفقی که متناوباً اطلاعات رنگ شئ را با اطلاعات موقعیت و اندازه شئ ترکیب کرده و آنها را در فضای تصویر و فضای رنگ وفـق مـی- دهد، استفاده شده است . اما علاوه بر این ، اگر نواحی با بازتابش شدید که باعث تغییـرات زیـادی در طیف روشنایی میشوند نیز شناسایی و جبران شوند، مطمئناً عملکرد الگوریتم ردیابی بسیار بهبـود مییابد. در [٢٨] روشی برای شناسایی و جبران این نواحی بیان شده است . بر اساس توضیحات بالا، دنبال کردن شئ تنها بر اساس ویژگی رنگ ، در بعضی موارد میتواند کار دنبال کردن شئ را دشوار سازد و درصد خطای آن را افزایش دهد.
٢-۵) روشهای مبتنی بر ویژگیهای جزئی
ویژگیهای جزئی، ویژگیهایی مانند خطوط ، منحنیها، مرزها، گوشه ها، نقطه ها، لبه ها، فواصل و غیره هستند. لبه ها معمولاً به نقاطی که روشنایی تصویر در آنها دارای یک تغییـر ناگهـانی اسـت گفته میشود.
در [٣٢] تنها از لبه های متحرک افقی و عمودی برای ردیابی اشیاء متحرک در صحنۀ تصویر استفاده شده است که نتایج این ردیابی را درشکل ٢-٣ میبینید. از روشـهای شناسـایی لبـه بـرای شناسایی مرزهای اشیاء نیز میتوان استفاده کرد [٣٣].
در سالهای اخیر از روش لبۀ وفقی و یا snake برای شناسایی مرزهایی که دارای هیچ شکل و
قاعده خاصی نیستند بهره گرفته شده است .
خروجی متلب:
دیدگاه ها