1 / 27

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. Problema a solucionar Soluciones propuestas Evolución del proyecto Aplicación desarrollada

denzel
Download Presentation

Sistema de Visión Estereoscópica para Navegación Autónoma de vehículos no tripulados

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Sistema de Visión Estereoscópica para Navegación Autónoma de vehículos no tripulados Realizado por: Daniel Martín Carabias Raúl Requero García Jose Andrés Rodríguez Salor

  2. Esquema • Problema a solucionar • Soluciones propuestas • Evolución del proyecto • Aplicación desarrollada • Dificultades encontradas • Colaboración con otro proyecto de SSII • Resultados y conclusiones • Bibliografía y preguntas

  3. 1. Problema a solucionar • Navegación autónoma de vehículos no tripulados • Visión estéreo • Detección de obstáculos

  4. 2. Soluciones propuestas • Visión estéreo • Algoritmo de correlación • Algoritmo de Lankton • Detección de obstáculos • Haartraining • Basado en color

  5. 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.

  6. 2. Soluciones propuestas. Algoritmo de Lankton • Basado en planos de disparidad para mayor precisión. • Uso del gradiente. • Ejemplo de ejecución.

  7. 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.

  8. 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.

  9. 3. Evolución del proyecto

  10. 3. Evolución del proyecto. • Investigación inicial. • Uso de librerías Aforge, OpenCV. • Algoritmo de correlación • Diseño e implementación. • Primeras pruebas. Vuelta atrás.

  11. 3. Evolución del proyecto • Investigación posterior. Algoritmo de Lankton. • Diseño e implementación. • Pruebas. Vuelta al paso de diseño. Se modifica parte del algoritmo.

  12. 3. Evolución del proyecto • Investigación de la detección de objetos. • Haartraining • Basado en color • Diseño e implementación de los dos métodos. • Pruebas. Se descarta Haartraining.

  13. 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.

  14. 4. Aplicación desarrollada

  15. 5. Dificultades encontradas • Mostrar los mapas de disparidad en un formato comprensible • Mejorar el rendimiento de los algoritmos • Hilos • Punteros a memoria

  16. 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

  17. 7. Resultados y conclusiones • Imágenes del simulador (TrueVision)

  18. 7. Resultados y conclusiones • Algoritmo de correlación

  19. 7. Resultados y conclusiones • Algoritmo de Lankton

  20. 7. Resultados y conclusiones • Imágenes reales

  21. 7. Resultados y conclusiones • Imágenes reales

  22. 7. Resultados y conclusiones • Detección de objetos

  23. 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.

  24. ¿PREGUNTAS?

More Related