Mudanças entre as edições de "Resultados do Estéreo Neural (VGRAM)"
| Linha 3: | Linha 3: | ||
Após a obtenção do mapa de disparidades, foi possível obter um mapa em V-Disparidade com qualidade muito boa. Utilizando técnicas de processamento de imagens e baseado na teoria acerca de mapas em V-Disparidade, foi possível identificar o perfil do plano trafegável e também os obstáculos envolvidos. As imagens a seguir apresentam: à esquerda o mapa em V-Disparidade, ao centro a detecção de planos trafegáveis e obstáculos e à direita a imagem original com os obstáculos próximos destacados em vermelho e os obstáculos distantes destacados em verde. | Após a obtenção do mapa de disparidades, foi possível obter um mapa em V-Disparidade com qualidade muito boa. Utilizando técnicas de processamento de imagens e baseado na teoria acerca de mapas em V-Disparidade, foi possível identificar o perfil do plano trafegável e também os obstáculos envolvidos. As imagens a seguir apresentam: à esquerda o mapa em V-Disparidade, ao centro a detecção de planos trafegáveis e obstáculos e à direita a imagem original com os obstáculos próximos destacados em vermelho e os obstáculos distantes destacados em verde. | ||
| − | * Essa primeira | + | * Essa primeira sequência de imagens apresenta o comportamento do algoritmo ao se aproximar de uma faixa de pedestres. Inicialmente, o pedestre é considerado um obstáculo afastado e sua presença na cena não apresenta riscos de colisão. A medida em que o veículo se aproxima do pedestre, o mesmo passa a ser considerado um obstáculo cada vez mais próximo. |
[[imagem:v_disparity01.png|frame|center|100px|Figura 1: Obstáculo Afastado]] | [[imagem:v_disparity01.png|frame|center|100px|Figura 1: Obstáculo Afastado]] | ||
| Linha 11: | Linha 11: | ||
[[imagem:v_disparity03.png|frame|center|100px|Figura 3: Obstáculo Próximo]] | [[imagem:v_disparity03.png|frame|center|100px|Figura 3: Obstáculo Próximo]] | ||
| − | * A | + | * A sequência de imagens a seguir ilustra que o algoritmo também se mostrou útil para detecção de outros componentes relevantes do tráfego urbano, como postes, placas de trânsito e outros veículos em movimento. |
[[imagem:v_disparity04.png|frame|center|100px|Figura 4: Detecção de Poste]] | [[imagem:v_disparity04.png|frame|center|100px|Figura 4: Detecção de Poste]] | ||
| − | [[imagem:v_disparity05.png|frame|center|100px|Figura 5: Detecção de | + | [[imagem:v_disparity05.png|frame|center|100px|Figura 5: Detecção de Outros Veículos]] |
| − | [[imagem:v_disparity06.png|frame|center|100px|Figura 6: Detecção de | + | [[imagem:v_disparity06.png|frame|center|100px|Figura 6: Detecção de Placas de Trânsito]] |
Edição das 08h58min de 23 de junho de 2011
Esta página apresenta alguns resultados preliminares interessantes, obtidos com a utilização de algoritmo baseado em redes neurais sem peso VGRAM para obtenção de um mapa de disparidades a partir de um par de imagens estéreo. Esses resultados foram obtidos durante o curso da disciplina de Veículos Autônomos, ofertada no semestre 2011/1 pelo Prof. Alberto.
Após a obtenção do mapa de disparidades, foi possível obter um mapa em V-Disparidade com qualidade muito boa. Utilizando técnicas de processamento de imagens e baseado na teoria acerca de mapas em V-Disparidade, foi possível identificar o perfil do plano trafegável e também os obstáculos envolvidos. As imagens a seguir apresentam: à esquerda o mapa em V-Disparidade, ao centro a detecção de planos trafegáveis e obstáculos e à direita a imagem original com os obstáculos próximos destacados em vermelho e os obstáculos distantes destacados em verde.
- Essa primeira sequência de imagens apresenta o comportamento do algoritmo ao se aproximar de uma faixa de pedestres. Inicialmente, o pedestre é considerado um obstáculo afastado e sua presença na cena não apresenta riscos de colisão. A medida em que o veículo se aproxima do pedestre, o mesmo passa a ser considerado um obstáculo cada vez mais próximo.
Figura 1: Obstáculo Afastado
Figura 2: Obstáculo Distante
Figura 3: Obstáculo Próximo
- A sequência de imagens a seguir ilustra que o algoritmo também se mostrou útil para detecção de outros componentes relevantes do tráfego urbano, como postes, placas de trânsito e outros veículos em movimento.
Figura 4: Detecção de Poste
Figura 5: Detecção de Outros Veículos
Figura 6: Detecção de Placas de Trânsito
