دانلود مقاله تشخیص علائم ترافیکی به کمک پردازش تصویر
تو این پست یه سری مقاله راجبه تشخیص علائم ترافیکی به کمک پردازش تصویر آماده کردم ، خوب شاید بگین تشخیص علائم ترافیکی مثل چراغ راهنمایی ، توقف ممنوع و .... به چه کاری می یاد ؟؟
سیستم های پیشترفته ی کمک راننده ( ADAS ) فن آوری های جدیدی هستند ، که در درجه ی اول به عنوان سیستم های راهنمایی خودکار برای بهبود رانندگی ایمن توسعه داده شده اند. یکی از چالش های بزرگ این نوع سیستم ها ، رانندگی در محیط های شهری است ، که جریان اطلاعات دیداری خیلی متراکم هستند و می توانند باعث خستگی یا گیج شدن راننده شوند.گذشتن از موانع موجود در مسیر حرکت مثل اتومبیل ها ، عابرین پیاده ، علائم جاده و چراغ راهنمایی به طور قابل توجهی واکنش و تصمیمات راننده که باید بلادرنگ باشد را تحت تاثیر قرار می دهد. ناتوانی در تصمیم گیری صحیح می تواند منجر به تصادفات جدی و حتی مرگبار شود . یکی از شایع ترین علل تصادفات جاده ایی در سراسر جهان تخلف ازچراغ راهنمایی است. در این جا بحث ADAS مطرح می شود ، یک بخش بزرگ از این مدل سیستم ها مبتنی بر پردازش اطلاعات دیداری به کمک مدل های بینایی ماشین است ، چه به شکل سیستم های رانندگی تمام خودکارکه تنها از اطلاعات دیداری استفاده می کنن و چه به شکل سیستم های هشدار راننده ، این فن آوری کمک های حیاتی برای کاهش تصادفات رانندگی فرآهم می کند.هر دو مدل ذکر شده باید مجهز به ماژول تشخیص چراغ راهنمایی دقیق و قابل اعتماد باشند، به طوریکه میزان تصادفات در تقاطع ها کاهش یابد.
ایده ی استفاده از بینایی برای ADAS در محیط های شهری به طوریکه تشخیص چراغ راهنمایی را نیز بتوان بدست آورد اولین بار در سال 1990 توسط Loy and Zelinsky معرفی شد که پیشنهاد یک بینایی ماشین مبتنی بر الگوریتم stop & go به کمک یک دوربین آنبرد رنگی بود. با این حال استفاده از بینایی ماشین برای ADAS عرصه ی پیشرفت در دهه ی بعدی شد. به طوریکه سرعت پردازنده ی کامپیوتر به نقطه ایی رسیده بود که می توانست الگوریتم های پیچیده را به صورت بلادرنگ اجرا کند. روش مطرح شده توسط Lindner و همکارانش در سال 2004 ادغام دوربین های رنگی ، GPS و اطلاعات خودرو برای افزایش robustness الگوریتم تشخیص چراغ راهنمایی بود که به وسیله ی مدل طبقه بندی دنبال می شود.
بخش تشخیص چراغ راهنمایی از مقادیر رنگ RGB ، بافت و شکل ویژگی ها استفاده می کند.در فضای رنگ HSV ، آستانه ی رنگ به کمک فیلتر گوسین و تایید کاندید های TL (چراغ راهنمایی) ردیابی می شود ، این رویکرد Hak و همکارانش در سال 2006 برای تشخیص چراغ راهنمایی در چهار راه ها است. یک روش مشابه که توسط Yehu Shen و همکارانش در سال 2009 انجام شد، مبتنی بر تصاویر HSV و یک توزیع گوسی براساس تصاویر آموزشی است. مرحله پس پردازش از شکل واطلاعات مربوط به ثبات زمانی به منظور افزایش نتایج بهره گیری می کند.
فرایند واضح و روشن تر به وسیله ی M. Omachi and Omachi در سال 2009پیشنهاد شده است که نواحی کاندید در فضای رنگ RGB نرمال شده را مکان یابی می کند و نتایج معتبر را به کمک لبه و تقارن تشخیص می دهد.
ترجمه ی بقیه اش با خودتون ..... موفق باشین !!!
---------------------------------------------------------------------------------------------------------------
واژه ها حرف ها و کلام ها در گذر زمان می آییند و میـــــــــرونند
اما خاطره خوش باهم بودن هست که می ماند
افتخاری بود در کنار شما بودن حتی اگر فراموش شدم
اکثر ما موفقیت را قله ای دور از دسترس می بینیم و این گاهی باعث می شود هیچ تمایلی به سعی و تلاش از خود نشان ندهیم. چرا سختی بکشیم وقتی به هر حال این راه طی می شود و به پایان می رسد؟ این تصور از پیروزی اشتباه و مهلک است. اینشتین روز و شب تلاش کرد و بر کاستی ها و مسائل علم فیزیک غلبه کرد اما نه یک شبه! هدفی غایی در ذهن داشت و می دانست با هر گامی که به جلو بر می دارد یک قدم به آن چه در ذهنش دارد نزدیکتر می شود. کار کوچکی که در یک زمان محدود انجام می دهی شاید به نظر بزرگ و مهم نرسد اما بدان که در مقیاس بزرگتر حرکتی است کوچک در مسیری طولانی به سوی هدفی بزرگ !