Sistema de Visión Estereoscópica para Navegación Autónoma de vehículos no tripulados
description
Transcript of Sistema de Visión Estereoscópica para Navegación Autónoma de vehículos no tripulados
Sistema de Visión Estereoscópica para Navegación Autónoma de vehículos no tripulados
Realizado por: Daniel Martín Carabias Raúl Requero García Jose Andrés Rodríguez Salor
Esquema
1. Problema a solucionar2. Soluciones propuestas3. Evolución del proyecto4. Aplicación desarrollada5. Dificultades encontradas6. Colaboración con otro proyecto de SSII7. Resultados y conclusiones8. Bibliografía y preguntas
1. Problema a solucionar
Navegación autónoma de vehículos no tripulados Visión estéreo Detección de obstáculos
2. Soluciones propuestas
Visión estéreoAlgoritmo de correlaciónAlgoritmo de Lankton
Detección de obstáculosHaartrainingBasado en color
2. Soluciones propuestas.Algoritmo de correlación Establece la correspondencia de un píxel de la
imagen izquierda en la imagen derecha. Busca en la línea epipolar de la imagen derecha
el píxel que más se parece al escogido de la imagen izquierda.
Utilización de una ventana.
Ejemplo de ejecución.
2. Soluciones propuestas. Algoritmo de Lankton Basado en planos de disparidad para
mayor precisión. Uso del gradiente.
Ejemplo de ejecución.
2. Soluciones propuestas.Haartraining Incluido en librería OpenCV Sistema CBR de entrenamiento para
detección de un objeto dado. Necesita gran cantidad de imágenes para
llevarlo a cabo.
2. Soluciones propuestas.Basado en color Filtrado de la imagen a partir de color
dado.
Obtención del centroide a partir de las posiciones de los pixeles no eliminados
Ejemplo de ejecución.
3. Evolución del proyecto
Investigación
Diseño
Implementación
Pruebas
3. Evolución del proyecto.
Investigación inicial. Uso de librerías Aforge, OpenCV.
Algoritmo de correlación Diseño e implementación. Primeras pruebas. Vuelta atrás.
3. Evolución del proyecto
Investigación posterior. Algoritmo de Lankton.
Diseño e implementación. Pruebas. Vuelta al paso de diseño. Se
modifica parte del algoritmo.
3. Evolución del proyecto
Investigación de la detección de objetos. HaartrainingBasado en color
Diseño e implementación de los dos métodos.
Pruebas. Se descarta Haartraining.
4. Aplicación desarrollada
Aplicación con interfaz gráfica basada en WPF (Windows Presentation Foundation)
Desarrollada en C# Permite la ejecución de todos los
algoritmos mencionados, además de la creación de anaglifos.
4. Aplicación desarrollada
5. Dificultades encontradas
Mostrar los mapas de disparidad en un formato comprensible
Mejorar el rendimiento de los algoritmosHilosPunteros a memoria
6. Colaboración con otro proyecto de SSII Generación de una librería para ser integrada en
otras aplicaciones. Interfaz de programación pública y
documentada. Intercambio de información de la detección de
objetos en formato XML y gráfico, opcionalmente.
Problemas: Requisitos pedidos vs Resultados de nuestra aplicación
7. Resultados y conclusiones
Imágenes del simulador (TrueVision)
7. Resultados y conclusiones
Algoritmo de correlación
7. Resultados y conclusiones
Algoritmo de Lankton
7. Resultados y conclusiones
Imágenes reales
7. Resultados y conclusiones
Imágenes reales
7. Resultados y conclusiones
Detección de objetos
Bibliografía Y. Freund and R. Schapire. A desicion-theoretic generalization of
on-line learning and an application to boosting. In Computational Learning Theory, pages 23-37. Springer, 1995.
A. Klaus, M. Sormann, and K. Karner. Segment-based stereo matching using belief propagation and a self-adapting dissimilarity measure. In Pattern Recognition, 2006. ICPR 2006. 18th International Conference on, volume 3, 2006.
Shawn Lankton. 3D Vision with Stereo Disparity, 2007. G. Pajares and J.M. De la Cruz. Visión por computador. Imágenes
digitales y aplicaciones. RA-MA, 2007. R.S. Pressman and D. Ince. Software engineering: a practitioner's
approach. McGraw-Hill New York, 2005. P. Viola and M.J. Jones. Robust real-time face detection.
International Journal of Computer Vision, 57(2):137-154, 2004.
¿PREGUNTAS?