copy of jadid

106

Upload: api-20019452

Post on 14-Jun-2015

348 views

Category:

Documents


9 download

TRANSCRIPT

Page 1: Copy of jadid
Page 2: Copy of jadid

پردازش و ماشين بينايیتصوير

ملکیان حامدمدنی حسین 1387پائیز•محمد

Page 3: Copy of jadid

بینایی حس

انسان • حس ترين پيچيدهما 70%• بينايی اشناخت حس با محيط زفيزيکی • تماس بدون اشياء شناخت امکانپردازش • رو چشم از رسيده اطالعات چگونه ما مغز

!؟دميکن

هنوز •مشخص

نیست!

هنوز •مشخص

نیست!

Page 4: Copy of jadid

•. داریم نیاز دیجیتال تصویر به پردازش برای•: دیجیتال تصویر انواع

– : اعداد از ماتريسی سفيد و سياه تصوير–: رنگی تصوير ترکیب عکس وسفید سه سیاه–: باينری 1عکس 0،

روباتیک در تصویر

1 pixel

Page 5: Copy of jadid

•: سفید و سیاه تصویرشدت – عنوان به عدد یک اختصاص

.Intensityروشنایی) پیکسل( هر بهروشنایی – 8bitبرای 255تا 0میزان

Page 6: Copy of jadid

•: رنگی تصویر–RGB :مقادیر برای عدد سه پیکسل R,G,Bاختصاص هر به

–YUV :مشکلRGB تراز ساده وهمچنین ندارد میباشدHSIرا

رباتیک:• .کاربرد

–Y’U’V’: ی شده YUVاصالح

–HIS( :گرافیکی کارهای برای و...(photoshopمناسب

•RGB• ).... ( مانیتورو تصویر یک نمایش برای مناسب•! نیست مناسب تصویر روی پردازش برای اما

های: • مولفه از کدام هر تغییر با دلیل(Red,Green,Blue “ تغییر( ” آن رنگ تنها نه تصویر یک

“ “ “ بودن ” وروشن تیره و روشنایی میزان بلکه میکند “ ” . را پیکسل یک قرمزیت اگر مثال میکند تغییر هم آن

پیکسل شدن قرمزتر بر عالوه دهیم افزایش ) ( نامطلوب اثر میابد افزایش هم آن روشنایی شدت

: نظیر رنگ سیستمهای سایر از استفاده حل HSIراه

•RGB• ).... ( مانیتورو تصویر یک نمایش برای مناسب•! نیست مناسب تصویر روی پردازش برای اما

های: • مولفه از کدام هر تغییر با دلیل(Red,Green,Blue “ تغییر( ” آن رنگ تنها نه تصویر یک

“ “ “ بودن ” وروشن تیره و روشنایی میزان بلکه میکند “ ” . را پیکسل یک قرمزیت اگر مثال میکند تغییر هم آن

پیکسل شدن قرمزتر بر عالوه دهیم افزایش ) ( نامطلوب اثر میابد افزایش هم آن روشنایی شدت

: نظیر رنگ سیستمهای سایر از استفاده حل HSIراه

Page 7: Copy of jadid
Page 8: Copy of jadid
Page 9: Copy of jadid

تصویر ی ذخیره

اعداد • ی )R,G,Bذخیره خام صورت (RAWبه

وتبدیل • سازی فشرده–JPEG–TIFF–…

می • بین از را عکس از اطالعاتی سازی فشردهبرد.

Page 10: Copy of jadid

سنسورهای • تصویر: انواع–CCD–CMOS

Page 11: Copy of jadid

CCD

تصویر • سنسور ترین استفاده پرازفتوسل: • بعدی دو شبکه ساختمانمتصل: • نوری دیود فتوسل

خازن یک بهبین • .µF40تا 5خازنها

• : خازنها دشارژ کار اساسدریافتی متناسب نور شدت با

بین • Mp 20تا 0.2رزولوشن

Page 12: Copy of jadid

سطری • پردازش• ( نزدیک پایین های فرکانس به نسبت حساسیت

قرمز(. باالتراست

•: ها فتوسل 10000تا 50بین ISOحساسیت

Page 13: Copy of jadid

CCD رنگی

• : هر از استفاده اول عنوان 4روش به 1سلپیکسل.

سبز – برای سل دو و قرمز و آبی برای سل یک–. شود: ¼ می رزولوشن عیب

Page 14: Copy of jadid

•: دوم یک روش از استفادهCCD . رنگ هر برایدیسک – از استفاده

منشور – از استفاده

–. بودن: گرانقیمت عیب

Page 15: Copy of jadid

White Balance:رنگ – مرجع تنظیم

CCDعیوب •دینامیک – نور در نامناسب تصویر–Bloomingبه – نسبت باال CMOSقیمت

Page 16: Copy of jadid

CMOSComplementary Metal-oxidesemiconductor) )

از شبکه• cmosایcmosمزایای •

– ( انرژی محدودیت مصرفتر کم و ارزانتر ) روباتیک درکوچکتر – ی اندازه– ( از نیاز بی موازی پردازش memoryو clock )

Page 17: Copy of jadid

:معایب•– ( معموال پایین (100حساسیت کمتر یاپایین – یا svga 800x600معموال (رزولوشن

xvga1024x768)

روباتیک • و موبایل های گوشی در کاربرد

Page 18: Copy of jadid

تصویر سنسور خروجی

آنالوگ.1–NTSC –PAL

دیجیتال.2–Usb,usb2.0–IEEE1394–( سریال RS-232)پورت

Page 19: Copy of jadid

در تصویر پردازش کاربردهایمکاترونیک

•Mobile Robotsمحیط – درکسنجی – موقعیتسنجی – فاصلهسنجی – جابجاییاشیاء – با تعاملخاص – شخص یا شی تشخیص

....-

Page 20: Copy of jadid

صنعتی • روباتهای–( کیفیت QC)کنترلمحصول – شمارشمعیوب – محصول شناسایی

Page 21: Copy of jadid

Vision انواع

•Passive visionثابت – گر مشاهده

•Active Vision–. دارد تعامل محیط با گر مشاهده–zoom,diaphragm,field of vision . است تغییر قابل

Page 22: Copy of jadid

سنجی فاصله

•. است مهم بسیار متحرک های روبات در( vision based،لیزری،تصویری)Ultrasonicانواع: •

Page 23: Copy of jadid

تصویر کمک به سنجی فاصله

•. : کند می حذف را عمق دوبعدی عکس اصلی ی مسئلهاطالعات آبدست • ک 3وردن بعدی دو عکس از ر ابعدی

!ستسختي• : تصویر یک جای به تصویر چند یا دو از استفاده حل راه

–. باشند متفاوت حرکت الگوریتم دید ی زاویه در تصویر دو•Depth from stereo

میدان )– عمق در تصویر .focusدو باشند ( متفاوت•Depth from focus•Depth from defocus

Page 24: Copy of jadid

Depth from focus

•1/f=1/p+1/q اتوماتیک • دیجیتال های دوربین عملکرد مشابه

به – تا میکند تغییر تصویر ی صفحه و لنز ی فاصله.برسیم sharpnessبیشترین

–q=Lδ/2r

Page 25: Copy of jadid
Page 26: Copy of jadid

) (. موتور: سرو از استفاده است کند روش این عیب : دوربین چند از استفاده حل راه

. ثابت و مختلف کانونی فاصله باسنکرون – صورت به دوربینها

. گیرند می ثانیه در عکس چند

و شده تقسیم قسمت چند به عکس هر هر sharpnessمعموال. میشود محاسبه جداگانه قسمت

تخمین و برخورد از جلوگیری برای و نیست دقیق روش این. شود می استفاده فاصله

Page 27: Copy of jadid

Depth from Defocus

عکس • یکسان زاویه یک از متفاوت دوربین دومیگیرند.

مزایا:•–). ( ندارد سرچ الگوریتم به نیازی زیاد بسیار دقت و سرعتوجود – دوربینها از یکی در جسم تصویر نداشتن مشکل

). گیرند. ) می عکس زاویه یک از دوربین دو ندارد

Page 28: Copy of jadid

را • دوربینها از یکی pinhole apertureمعموال(. کنیم می ( L=0فرض

مجهول – یک معادله یک به محاسبات تقلیل–. است دقیق میکروسکوپی های اندازگیری برای روش این

(97)%–. شود می کم دقت فاصله افزایش بادر – نور شدت بودن کم normalizeنیازبه ) pinholeمشکل

کردن(

Page 29: Copy of jadid

Depth from Stereo Vision

روباتیک • در مشاهده روش کاربردترین پرانسان • چشم مشابه ساختار

می – عکس مختلف زاویه دو از مشابه دوربین دوگیرند.

عکس – 3Dبه 2Dتبدیلدر – ولی است متغیر عدسی دو زاویه چشم در

. موازیند عدسی دو معموال روباتیک

Page 30: Copy of jadid

مقایسه

P

P’ P’’

Fixationpoint F

Page 31: Copy of jadid
Page 32: Copy of jadid
Page 33: Copy of jadid

:stereo visionخصوصیات •دوربین disparityافزایش – دو ی فاصله افزایش با

نداشتن: • احتمال دوربین دو ی فاصله افزایش با محدودیت. شود می بیشتر آنها از یکی در تصویر

–Disparity. دارد عکس نسبت فاصله با عکس دو

–( تصویر دو روی متناظر های نقطه Conjugateزوجpair )رویepipolar line. دارند قرار

Page 34: Copy of jadid

Stereo VisionStereo Vision

داشتن با جسم فضایی تصویر تشکیل آن 2چگونگی از تصویر

تصویر • صفحهسمت دوربین

چپ

تصویر • صفحهسمت دوربین

راست

کانون کانون

Page 35: Copy of jadid

Stereo VisionStereo Vision

Page 36: Copy of jadid

Stereo VisionStereo Vision

Page 37: Copy of jadid

Stereo VisionStereo Vision

Page 38: Copy of jadid

Stereo VisionStereo Vision

Page 39: Copy of jadid

Stereo VisionStereo Vision

Page 40: Copy of jadid

Stereo VisionStereo Vision

Page 41: Copy of jadid

Stereo VisionStereo Vision

Page 42: Copy of jadid
Page 43: Copy of jadid

•:a راست و چپ تصویر•b :لبه فیلتر اعمال•d:disparity) فاصله) میزان

Page 44: Copy of jadid

در اصلی ی stereo visionمسئله

را • تصویر دو در متناظر نقاط چگونه روباتدهد؟ تشخیص

جستجو – الگوریتم از معموال تشخیص روشهای: کنند می استفاده

•zero crossing of laplacian of gaussian•Gray lavel matching•Epipolar lineروشنایی • شدت تطبیق

Page 45: Copy of jadid

سنجی جابجایی

•Motion field :شده داده اختصاص سرعت بردار. تصویر از نقطه هر به

توان • می تصویر روش به سنجی جابجایی برایسنجش .optical flowاز کرد استفاده

•Optical Flow :با تصویر روشنایی الگوی تغییر. نور منبع یا گر مشاهده یا جسم حرکت

Page 46: Copy of jadid

کنیم • می optical flowبا motion fieldفرض. است متناسب

•: نیست صحیح همواره فرض این البته

Page 47: Copy of jadid

•(u,v) :بردارMotion field

•Et=0•Ex,Ey معلومبردار • .(u,v)جهت آید می بدست

Page 48: Copy of jadid

)Color tracking رنگ )تشخیص

یابی • موقعیت کاربرد برای اشیاء تشخیص ودارد.

سایر: • و دروازه توپ، فوتبالیست روبات مثال: دهد می تشخیص رنگ روی از را ها روبات

Page 49: Copy of jadid

•: رنگ تشخیص مهم امتیاز دوو – مطابقت دارد،مشکالت نیاز عکس یک به تنها

. ندارد را جستجو الگوریتمدارد – تصویر سنسورهای سایر از مستقل عملکردی

. گیرد قرار آنها کنار در میتواند و

Page 50: Copy of jadid

•: رنگ تشخیص سنسور انواع–: افزاری سخت

•Cognachrome color-tracking system •CMUcam robotic vision sensor

–: افزاری نرم•CMVision color tracking software library•Halkon library

Page 51: Copy of jadid

Cognachrome color-tracking system

قدرتمند • و سریع بسیارمحاسبه • فریم 25قدرت هر در آیتم

( FR:60Hz,Res:800x600)رنگ • RGBسیستم•Constant tresholding :را رنگ هر حداقل و حداکثر کاربر

(. فضای در مکعب یک کند می (RGBمشخصفتوشاپ – جادویی عصای ابزار شبیه

•. کند نمی اعمال اصلی ی پردازنده بر باری سنسور این– (. مثل دارد مخصوص ی (Motorola 68332پردازنده

•. است گرانقیمت بسیار

Page 52: Copy of jadid

CMUcam Robotic vision system

•. قبل سیستم از ارزانتر بسیارسنسور • از cmosاستفاده•FR:20Hz,Res:143x80رنگ • YUVیا RGBسیستممجزا • ی SX28پردازنده

Page 53: Copy of jadid

CMVison color tracking library

گرافیکی • کتابخانه از Intel computer visionبخشیlibrary

سازی • و CMUcamپیاده افزاری نرم صورت به. اصلی ی پردازنده از استفاده

رنگ • YUVسیستم•FR:30Hz,Res 160x120 (کامپیوتر یک (pentium300Mhzبا

دیگر • مهم گرافیکی ی Halcon library(C++)کتابخانه

Page 54: Copy of jadid

باينری به تبديل

◦ ! اطالعات دادن ازدست يکنواخت؟ کونتيزاسيون◦ patterning◦Dethering◦diffusion

Page 55: Copy of jadid

ست • دوبعدی سيگنال يک کلی حالت در تصويرسيگنال سر که باليی هر خوبی تقريب با 1و

: بياريم ميتونيم هم سرعکس مياوريم بعدیفوريه • تبديلکانولوشن•کردن • فيلتر•..…

کانولوشن

دی کانولوشن

Page 56: Copy of jadid

پایین فیلترگذر

نگذر • پایین فیلتر

Page 57: Copy of jadid

سینوسی

سینوسیفرکانس

باالتر

حوزه درفرکانس:

Sin با متناظر2) نقطه) ضربه

عکس • مکانی دوران

فرکانس حوزه در دوران

Page 58: Copy of jadid

گسسته کانولوشن

پیوسته کانولوشن

Page 59: Copy of jadid

نويز گذر حذف پايين فيلترگيری • ( sink )متوسطآل ايده•گوسی•باترورث•

111111111

*9/1

Page 60: Copy of jadid

Original Uniform Gaussian

Page 61: Copy of jadid

گيری • مشتق

•) دوم) مشتق الپالسينلبه کاربرد:– تشخيصتصوير – های لبه کردن (image sharpeningimage sharpening))تيز

Page 62: Copy of jadid
Page 63: Copy of jadid

SEGMENTATION

تصوير • مختلف های قسمت کردن جدا–) ( تصوير اجزاء بين مرز لبه کردن edge detectionپيدا

خوب • الگوريتم يه معيارندهد – دست ازنويز – وجود با لبه دقيق محل–! دهد تشخيص لبه تشخیص) يک لبه چند را لبه یک نویز وجود با

ندهد(

Page 64: Copy of jadid

لبه تشخيص های :الگوريتم

–Canny–Susan–Contour (snake)–Sobel) مشتق)–....

Page 65: Copy of jadid

Corner Detectors مقایسهOperatorDetection RateLocalizationRepeatability RateRobustness to

NoiseSpeed

BeaudetFairFairPoor for scaling,good for affine transformations

PoorGood

MoravecFairGoodFairFairGood

Kitchen & RosenfeldFairFairFairFairPoor

ForstnerGoodGoodExcellent for affine transformations,fair for scaling

GoodPoor

Plessey

GoodGood for L-junctions, poor for all other types

Excellent for affine transformations if isotropicgradient calculations are used,fair for scaling

FairPoor

DericheFair (?)GoodGoodPoorGood

Wang & BradyGoodGoodGoodFairGood

SUSANGoodBad for blurred images,very good otherwise

Good for scaling, poor for affine transformations

ExcellentGood

CSS

GoodGoodExcellentGoodHighly dependent onedge detector used

Trajkovic & Hedley (4-neighbours)

PoorGoodFair(not rotationally invariant)

Poor

Excellent

Trajkovic & Hedley(8-neighbours)

FairGoodFair+(not rotationally invariant)

GoodExcellent

Zheng & WangGoodGood for L-junctions, fair for all other types

Excellent for affine transformations,fair for scaling

FairFair

Page 66: Copy of jadid

صاف خطوط تشخيص

•Hough transform•Radon trf•Split and merge•Linear regression•Nondeterministic

–RANSAC (Random Sample Consensus.)–Expectation-Maximization

•Incremental (Line-Tracking)

Page 67: Copy of jadid

عکس peakاین در خط یک با متناظرمیباشد

Page 68: Copy of jadid

Houghمیشود نقطه یک به تبدیل خط .هر

Page 69: Copy of jadid

Split-and-merge is the fastest, best real-time applications.

Incremental is also good candidate for SLAM by its low FalsePos.

Page 70: Copy of jadid

–Morphologyمجموعه :اساس– نظريه

•Dilation چاق•Erosion الغر•Opening چاق بعد الغر اول•Closing برعکس حاال•Hit and miss خاص الگوي يک مطابقت•Thining

–Skeltanize

Page 71: Copy of jadid

Dilation Erosion Opening ClosingOpening IoB= )IB)BDilatation IBErosion IBImage I

Closing I•B= )IB)B TopHat)I)= I - )IB) BlackHat)I)= )IB) - IGrad)I)= )IB)-)IB)

Page 72: Copy of jadid

حذف •سیمهای

تصویر aبرقتصویر bدر

حذف •سیمهای

تصویر aبرقتصویر bدر

حذف •خطوط

تصویر افقیوسط

حذف •خطوط

تصویر افقیوسط

Page 73: Copy of jadid

Skletanizeبه رسیدن تا جسم های لبه استخوان تراشیدن

(!)

Page 74: Copy of jadid

های • segmentationالگوريتم–Histogram–Region based seg.

•Seed growing•Region split•Watershed•Pattern recognition

▫texture

Page 75: Copy of jadid
Page 76: Copy of jadid

Cognition•Cognitionو هدفمندانه گیری تصمیم از است عبارت

هدف یک به نیل برای سیستم یک توسط آن اجرای.باال سطح

این روبات یک در• navigation مسئله متوجه امر متحرک اطالعات داشتن با روبات تا میشود باعث که است موقعیت به بتواند سنسورها مقادیر و محیط از جزئی.برسد هدف

•Navigation برای عمليات سری یک اجرای شامل (planing )میشود هدف به رسیدن

Page 77: Copy of jadid

Path planning امر یک متحرک روباتهای برای مسیریابی مسئله•

صنعتی رباتهای برای از قبل اما است اساسی زمینه این در زیادی مطالعات و بوده مطرح نیز

.است شدهعلت • روباتهای آزادی درجات محدودیت به

از تر ساده آنها برای مسئله این متحرک.میباشد صنعتی روباتهای

Page 78: Copy of jadid

Obstacles

Free Space

Robot

x,y

Page 79: Copy of jadid

Obstacles

Free Space

Robotشود ( می درنظرگرفته نقطه عنوان x,y)به

Page 80: Copy of jadid

Path Planning داشته وجود محیط از مناسب نقشه یک که میشود فرض•

:باشدتوپولوژیک• متریک•دو از ترکیبی یا• این

گسسته نقشه یک به نقشه تبدیل مسیریابی از مرحله اولین•:شود انجام است ممکن طریق چند به اینکار. است

•Visibility Graph•Voronoi Diagram•Cell Decomposition Connectivity Graph•Potential Field

Page 81: Copy of jadid

Visibility Graph

•G: non-directed graph ها • ضلعی چند رئوس و هدف و شروع نقطه از عبارتند ها گرهبدست • نقطه دو اتصال از که مستقیمی خطوط از عبارتند ها یال

. نمیکنند قطع را مانعی هیچ و آیند می

qinit

qGoal

Page 82: Copy of jadid

Voronoi Diagram

Page 83: Copy of jadid

The Wavefront planner کوتاهترین تعیین برای میتوان الگوریتم این از•

.نمود استفاده نقطه دو بین فاصله انجام breadth first جستجوی یک حقیقت در•

.میدهد:اولیه دهی مقدار•

میشود گذاری عالمت 0 با آزاد فضای–.میشوند گذاری عالمت 1 با موانع–.میشود گذاری عالمت 2 با مقصد–

Page 84: Copy of jadid

The Wavefront planner

Page 85: Copy of jadid

The Wavefront planner مجاور سلولهای و کرده شروع هدف نقطه از•

.میدهیم افزایش یکواحد را آن

Page 86: Copy of jadid

The Wavefront planner.میکنیم عمل مجاور سلولهای برای ترتیب همین به•

Page 87: Copy of jadid

The Wavefront planner از شروع با مسیر کوتاهترین کردن پیدا برای•

عددی مقدار که میکنیم حرکت درجهتی مبدا.شود کمتر سلولها

Page 88: Copy of jadid

Potential Field Path Planning نقشه در گرادیانی یا و میدان یک روش این•

میکند ایجاد روبات تحت که میشود فرض نقطه یک بصورت روبات•

روبات. دارد قرار U(q) پتانسیل میدان یک تاثیر مسیر دارد قرار سرازیری در که توپی همانند.میکند دنبال را میدان

موانع و جاذب نیروی یک بصورت هدف نقطه–.میکنند عمل دافع نیروهای بصورت

Page 89: Copy of jadid

Potential Field Path Planning

Page 90: Copy of jadid

Parabolic Well for GoalExponential Source for Obstacle

Page 91: Copy of jadid

Obstacle Avoidance

میتواند فقط مسیریاب یک• از که بگیرد نظر در را اشیائی

.باشند مشخص قبل یک در است ممکن عمل در•

اشیا وجود بعلت پویا محیط نقشه دقت عدم یا و جدید

با روبات سنسورهای قرائت نقشه در موجود مقادیر

.باشد نداشته همخوانی

Page 92: Copy of jadid

Obstacle Avoidance: Bug2

دور را مانع محیط روبات روش این در هدف بسوی راهی اینکه محض به و میزند

.میشود جدا آن از کرد پیدا

Page 93: Copy of jadid

نقشه

•Grid-based map–Egocentric (بهview point). دارد بستگی روبات

–Allocenteric (چند (Egocentricترکیبالگوریتم • محیط monte carloبا در را خود موقعیت

. دهد می تشخیص

ی – Grid mapتهیه•Sonar sensorلیزر•

Page 94: Copy of jadid

Graph-based maps

•Topological mapگراف: – ی نظریه اساس– ( محیط نامشخص مشخص،مکان جسم ماهیت

دینامیک(–Node ها :)... ( در،دیوار استاتیک اجسام

Page 95: Copy of jadid
Page 96: Copy of jadid

مسیر ) Path Planning) انتخاب

•. است بهتر طوالنی مسیرهای برای توپولوژیکال ی نقشهو • توپولوژیک ی نقشه ترکیب از معموال

Accupancy) (. باال بازده شود می استفاده–Thrun and Bucken

•Global path planning–Snapshot . شود می ذخیره گره یک در محیط یک–)... (. و زاویه،اندازه ندارد متریک اطالعات–Schoelkopf and Mallot–Homing Algorithm

يک • در محاسبه snapshotروبات مجاور های گره تمام به مسير است، .ميشود

Page 97: Copy of jadid

•( محلی مسیر Local path planning)انتخابTaniتوسط •مراحل:•

ی – نقشه ی topologicalتهیهمسیر – کوتاهترین انتخاب–. نباشد آن در مانع که هایی مکان

Page 98: Copy of jadid

Globalو Localتلفیق •Heinze و taubigتوسط •

–. کند می کار خوب ساختمان داخل های محیط در–Local و دهد، می پیشنهاد انتخاب globalچند را یکی

. کند می

Page 99: Copy of jadid

Self Localization

Monte Carloو markovالگوریتم •مقاوم: – سنسورها اشتباه و نویز به نسبت ویژگی

است.نسبی – ماکسیمم چند شدن پیدا به منجر الگوریتم

احتمالی موقعیت یک متناظر کدام هر که شود می. است روبات

محاسبات – حذف maxتمام cyclicبا یکی جز را ها. کند می

) احتمال) از استفاده با

Page 100: Copy of jadid

Depth Reconstruction

اشیاء • شناسایی و یابی جهت برای ضروری•: ها الگوریتم

دیده – مختلف ی نقطه دو از جسم یک((stereovisionشود.

–Focusingنسبی – عمق

occlusionآنالیز •

–Structured Light

Page 101: Copy of jadid

3D reconstruction with edge gradian

•Winkelbach,wahlو • دوربین نورمورب 2یک منبعمورب • خطهایگرادیان • عملگرآوردن • Local surface Normalبدست

Page 102: Copy of jadid

Image sequence Analysis

محیط • اشیاء از بعدی سه اطالعات•. دارد نیاز دوربین یک به تنهاتخمین • از Kalman استفاده

مراحل:–• ) اطراف ) دینامیکی محیط حالت معادالت تشکیل• ) حاالت ) دانستن با محیط بعدی وضعیت حالت تخمین برای تالش

قبل

Page 103: Copy of jadid

Self learning Algorithm

عصبی • های شبکه•Self organizing mapبوسیله • ربات هدایت معموال

فازی یا عصبی شبکه های الگوریتممیگیرد صورت

Page 104: Copy of jadid

Extended Rapidly-Exploring Random Trees

Page 105: Copy of jadid

تجربه یک در ها الگوریتم ی مقایسه

•High-pass :ساختمان داخل های محیط برای. است خوب

•Gabor. کند: می کار خوب متغیر نور در•Sobel

•Color feature. نیست: خوب داخل محیط برای

Page 106: Copy of jadid

منابع• اینترنت• Gonzales,Image processing• Russ,Handbook of image processing• NOURBAKHSH, Introduction to Autonomous Mobile Robots• Stefan Florczyk ,Robotic vision