Resultados do Estéreo Neural (VGRAM) - Histórico de revisão

Administrador em 20h52min de 14 de setembro de 2012

2012-09-14T20:52:48Z

Administrador em 20h27min de 14 de setembro de 2012

2012-09-14T20:27:41Z

Vazevedo em 12h06min de 23 de junho de 2011

2011-06-23T12:06:45Z

Vazevedo em 12h06min de 23 de junho de 2011

2011-06-23T12:06:22Z

Vazevedo em 12h03min de 23 de junho de 2011

2011-06-23T12:03:38Z

Vazevedo em 12h00min de 23 de junho de 2011

2011-06-23T12:00:34Z

Vazevedo em 11h58min de 23 de junho de 2011

2011-06-23T11:58:58Z

Vazevedo em 11h53min de 23 de junho de 2011

2011-06-23T11:53:35Z

Vazevedo em 11h51min de 23 de junho de 2011

2011-06-23T11:51:11Z

Vazevedo: New page: 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 disparida...

2011-06-23T11:43:04Z

New page: 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 disparida...

Página nova

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 sequencia de imagens apresenta o comportamento do algoritmo ao se aproximar de uma faixa de pedestres. A medida em que o veículo se aproxima do pedestre, o mesmo passa a ser considerado um obstáculo cada vez mais próximo.

[[imagem:Svn_checkout.png|frame|center|100px|Figura 1: SVN Checkout Option]]

* A sequencia 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.

← Edição anterior		Edição das 20h52min de 14 de setembro de 2012
Linha 1:		Linha 1:
−	[[category:~~Publicações~~]]	+	[[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.		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.

← Edição anterior		Edição das 20h27min de 14 de setembro de 2012
Linha 1:		Linha 1:
		+	[[category:Publicações]]
	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.		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.

@@ 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, 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 [[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.
+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.

@@ 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, 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 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.
+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.

@@ 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.
+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 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 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.

← Edição anterior		Edição das 12h00min de 23 de junho de 2011
Linha 1:		Linha 1:
−	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.	+	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.

	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.

@@ 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.
-* Essa primeira sequencia de imagens apresenta o comportamento do algoritmo ao se aproximar de uma faixa de pedestres. 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.
 [[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]]
-* A sequencia 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.
+* 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_disparity05.png|frame|center|100px|Figura 5: Detecção de Placas de Trânsito]]
+[[imagem:v_disparity05.png|frame|center|100px|Figura 5: Detecção de Outros Veículos]]
-[[imagem:v_disparity06.png|frame|center|100px|Figura 6: Detecção de Outros Veículos]]
+[[imagem:v_disparity06.png|frame|center|100px|Figura 6: Detecção de Placas de Trânsito]]

@@ Linha 5: / Linha 5: @@
 * Essa primeira sequencia de imagens apresenta o comportamento do algoritmo ao se aproximar de uma faixa de pedestres. A medida em que o veículo se aproxima do pedestre, o mesmo passa a ser considerado um obstáculo cada vez mais próximo.
-[[imagem:Svn_checkout.png|frame|center|100px|Figura 1: SVN Checkout Option]]
+[[imagem:v_disparity01.png|frame|center|100px|Figura 1: Obstáculo não relevante]]
 * A sequencia 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.