Mudanças entre as edições de "Resultados do Estéreo Neural (VGRAM)"
(4 revisões intermediárias por 2 usuários não estão sendo mostradas) | |||
Linha 1: | Linha 1: | ||
− | Esta página apresenta alguns resultados preliminares interessantes, obtidos com a utilização de um 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. | + | [[category:Carmen]] |
+ | Esta página apresenta alguns resultados preliminares interessantes, obtidos com a utilização de um 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, em que o objetivo principal é o desenvolvimento de um veículo capaz de navegar de forma autônoma em ambientes não estruturados. | ||
− | 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 | + | Após a obtenção do mapa de disparidades, foi possível obter um mapa em V-Disparidade ([[Media:VDisparity.rar|Referências 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 apresentadas nesta página possuem o seguinte formato: 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 muito próximos destacados em vermelho e os obstáculos mais 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. | * 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. |
Edição atual tal como às 17h52min de 14 de setembro de 2012
Esta página apresenta alguns resultados preliminares interessantes, obtidos com a utilização de um 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, em que o objetivo principal é o desenvolvimento de um veículo capaz de navegar de forma autônoma em ambientes não estruturados.
Após a obtenção do mapa de disparidades, foi possível obter um mapa em V-Disparidade (Referências 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 apresentadas nesta página possuem o seguinte formato: 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 muito próximos destacados em vermelho e os obstáculos mais 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.
- 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.