فهرست مطالب

مقـدمـه    ۱
دیدگاههای پیشنهادی و عملیات مربوطه    ۳
ردیابی ماشین در زمان حقیقی    ۶
قطعه قطعه کردن تصویر    ۷
فرضیه ساختن    ۹
بررسی فرضیه ها (الگوریتم طبقه بندی فرضیات)    ۱۰
نتایج ردیابی    ۱۴
انسجام دادن مسیریابی و ردیابی    ۱۶
استدلال احتمالی  A    ۱۷
ساختار مسیریابی    ۲۰
نــتیجـه گـیـری    ۲۲
منـابــع و مــاخـذ    ۲۴

///////////////////////////////////////////////////////////////////////////////////////////////////

چکیده

سیستم ردیابی با زمان حقیقی حیطه ی پژوهشی گسترده و مهمی دارد و از سیستم  کاربردی مفید و سودمندی همچون  سیستم اخطار دهنده تصادف رو در روی ماشین ها (شاخ به شاخ شدن)  برخوردار است سیستم اخطار دهنده ی تصادف به راننده مانع های سرجاده را نشان می دهد و اورا از تصادف احتمالی آگاه می کند .

  این سیستم ردیابی براساس دیدن است و این الگوریتم مسیریاب می تواند برای بهبود کارکرد هشدار برخورد بسیار مثمر ثمر باشند.

استفاده از CDT روش بسیار خوبی را جهت جمع آوری خصوصیات تصویری برای تعداد بسیار زیاد فرضیات Overlapping فراهم میکند که نیازمند محاسبات زیاد وجدی است . هدف های غلط ردیابی شده از دور خارج می شوند. برای مثال ، در یک صحنه ی درهم ریخته و آشفته با تعداد بسیار ماشین که پشت سر هم در حرکتند  ، ردیابی غلط ممکن است در هر دو یا سه ساختار اتفاق بیفتد. دقت ردیابی SVM در مجموع تقریباً %۷۵ از %۸۰ سرعت تشخیص می باشد . بنابراین ، تقریباً در هر سه ردیابی صحیح یک هشدار غلط بدست می آید . با این وجود ، اغلب هشدارهای غلط از دور خارج می شوند چرا که آنها Support خصلتی کافی در ساختار بعدی ندارند ، یا اینکه دوباره ردیابی نشده اند و یا نمره (ارتباطی) همبستگی مناسبی نگرفته اند (به عنوان مثال ، وقتی که ترکیبی از هدف و زمینه ی تار و پودی وجود داشته باشد) در همان زمان ، خطاهای مسیریابی با ردیابی افزون میزان می شوند. اگر نمره ی نظیر هدف کم باشد و یا اگر خطا وجود داشته باشد (که در اینصورت support خصوصیتی پایینی دارد) ، آن گاه هدف با کاندیدهای پشتیبانی که احتمال بالاتری دارند جایگزین می شود. علاوه بر این تشخیص اشتباه اولیه با همین روش تغییر مکان پیدا می کنند.

واژه های کلیدی: ردیابی ماشین، زمان حقیقی، مسیریابی،

مقـدمـه
در دهه ی گذشته ، در واقع پیشرفت گسترده ای در زمینه ردیابی و تشخیص اجسام صورت گرفته است . با این وجود بسیاری از الگوریتم های ردیابی اجسام یکسری ترکیبات پرهزینه ای را مثل معیار lone’s با خصوصیات ثابت متحمل می شوند ، گرچه قدرت محاسبات کامپیوتر به طرز چشمگیری بهبود یافته است اما هنوز چنین دیدگاهها و روش هایی محتاج یکسری محاسبات کامپیوتری دقیق و بیشتری برای کاربردهایی با زمان حقیقی هستند.
این سیستم ردیابی با زمان حقیقی حیطه ی پژوهشی گسترده و مهمی دارد و از سیستم کاربردی مفید و سودمندی همچون سیستم اخطار دهنده تصادف رو در روی ماشین ها (شاخ به شاخ شدن) برخوردار است سیستم اخطار دهنده ی تصادف به راننده مانع های سرجاده را نشان می دهد و اورا از تصادف احتمالی آگاه می کند .
این سیستم ردیابی براساس دیدن است و این الگوریتم مسیریاب می تواند برای بهبود کارکرد هشدار برخورد بسیار مثمر ثمر باشند. به عنوان مثال بسیاری از سنسورهای LIDAR به خاطر بررسی مکانیکی و بررسی قبلی اطلاعات و فرآیند پیش پردازش داده ها عکس العمل هایی باتاخیری دارند. این تاخیرات طولانی توانایی و قابلیت سیستم را برای عکس العمل سریع روی خطوط جهت هدایت ماشین محدود می کند.
از طرف دیگر سیستم های بصری کامپیوتری تأخیری ندارند و حتی درشرایط کوتاه بودن زمان پردازش می توانند عکس العمل سریعتر و زمان تاخیر کوتاهتر را ایجاد نماید . علاوه بر این الگوریتم های دید کامپیوتری از قدرت ردیابی افقی بالاتر و دقت ردیابی بیشتری برخوردار می باشند.
هم چنین سیستم ردیابی بینا با همکاری یک الگوریتم ردیابی مسیری (تشخیص خطی ) می تواند به اجرای صحیح سیستم هشدار برخورد کمک نماید. (در شرایط استفاده از سیستم هشدار دهنده تصادف ، دانستن و اطلاع از این که مانع در مسیر مشابه با خود وسیله قرار دارد یا نه بسیار حائز اهمیت است.
این سیستم ردیابی بینا زمانی که در وسیله در line خود باشد کاملا دقیق عمل می کند اما اگر دوربین نیاز به callibre کردن و سنسورهای فعال داشته باشد دچار مشکل می شود.
به عنوان مثال بسیاری از این الگوریتم های بینا فاصله ی یک پیچ را با فرض مسطح بودن زمین تخمین می زنند که اغلب به خاطر یکسری نوسانات و تپه ها و تغییرات وسیله نقلیه اندازه ی حقیقی نیست و دارای خطا می باشد .چنین خطایی وقتی هدف در فاصله ای بیش از ۳۰ متر قرار دارد بسیار چشمگیر خواهد بود. استفاده از ردیاب بینا (با سنسور اتصال) می تواند بسیار مفیدتر باشد . چرا که بیان این مطلب که آیا شئی در یک مسیر مشابه قرار دارد یا خیر کاری بس آسانتر است . به علاوه ، این کار می تواند با حذف خطاهای داخلی موجود در بافت و سازه مختصات وسیله نقلیه به پیشرفت تشخیص خطی کمک شایان ذکری نماید .
با توجه به چنین نیازهایی یک روش ردیابی و الگوریتم مسیر یابی ماشین با زمان حقیقی معرفی می کنیم. این ردیابی براساس آنالیزهای بافتی است و از روش تقسیم ناحیه ای به مثلث های مجاور هم (محدود شده) برای جمع آوری عکس های سریع استفاده می کند. این سیستم ردیابی دارای ساختار کامل و دقیقی است که نتایج ردیابی و مسیریابی می توانند کمبودهای یکدیگر را جبران کنند. در اینجا ابتدا یک سری اطلاعات مربوطه را در بخش دوم به مرور فعالیت های مربوطه پرداخته و دیدگاهمان را به نمایش می گذاریم .
در بخش سوم روش تشخیص به همراه نتایج تجربی و آزمایشی بدست آمده مطرح می شود . الگوریتم پیگیری در بخش چهارم و نتایج طرح در بخش پنجم عنوان شده است.
دیدگاههای پیشنهادی و عملیات مربوطه
تاکنون روش های زیادی برای ردیابی کردن ماشین ها در زمان حقیقی و غیرحقیقی ارائه شده است. بسیاری از اطلاعات مربوط به ردیابی مانع های عمومی به تصاویر سازی وسایل نقلیه می پردازد . در حالی که بسیاری از الگوریتم ها می توانند سرعت تشخیص خوبی برای تصاویر پیچیده و مشکل داشته باشند . اما حتی بخش عمده ای از آنها نزدیک به شرایط فوری هم نیستند.
بسیاری از تلاش های گذشته مربوط به ردیابی ماشین در زمان حقیقی براساس حرکت یا آنالیز Stereo هستند. روش هایی که براساس حرکت هستند از این حقیقت استفاده می کنند که حرکت تصویری از این موانع (در یک سطح عمودی) با حرکت آن بر روی یک سطح صاف (افقی) تفاوت دارد . بنابر این چنین تفاوت و مغایرتی معمولا” بسیارکوچکتر از یک پیکسل است و حداقل یک دقیقه زمان برای پیگیری و تشخیص این تفاوتها در میان آنها نیاز است .الگوریتم های Stereo مختلفی نیز پیشنهاد شده اند. بنا بر این دقت و تفکیک پذیری کیفیت صوت تا حد زیادی محدود شده است . همچنین این مساله بویژه برای کاربردهای هشدار خطر تصادم که نیاز به تشخیص موانع با فاصله ای بین ۳۰ تا ۱۰۰ متر دارد حیرت آور و اندکی مشکل ساز است و افزایش صحت و دقت عمق و کیفیت صوت نیز مشکل دیگری همچون پارامترهای متغیر دوربین را معرفی می کند که ممکن است به دلیل حرکت و لرزش وسیله نقلیه تغییر نماید . هر چه توانایی کامپیوتر بیشتر باشد ردیابی ظاهری ماشین راحتر می گردد .