Saistītie risinājumi. CarMote grupas aktivitātēm tuvākie saistītie risinājumi ir Pothole Patrol [1] un Nericell [6], kuru tematika ir dažādu ceļa īpatnību detektēšana, izmantojot sensoru datus un to apstrādi. Atšķirībā no minētajiem risinājumiem, mūsu pieeju raksturo mobilas konvenciālas datortehnikas izmantošana pētījumu sākotnējā posmā [5], vēlāk veidojot speciālas iegultas iekārtas, kas implementē pētījumu sākotnējā posmā izstrādātās datu ieguves un apstrādes metodikas. Turpinot darbu pie CarMote iegultās iekārtas prototipa aparatūras izstrādes, tika implementēti vairāki komunikācijai paredzēti moduļi - WiFi saskarne, Bluetooth saskarne, kā arī USB host saskarne. WiFi saskarnes modulis ir paredzēts CarMote iegultās iekārtas komunikācijai, izmantojot IEEE 802.11b/g standarta bezvadu sakaru tīklus. Tas implementēts, izmantojot Roving Networks komponentu RN-131C [2]. Savienojumam ar iegulto iekārtu tiek izmantota RS232 saskarne. Bluetooth saskarnes modulis ir paredzēts CarMote iegultās iekārtas bezvadu komunikācijai īsās distancēs. Tas implementēts, izmantojot Rayson Class 1 komponentu BT-220A2 [4]. Savienojumam ar iegulto iekārtu tiek izmantota RS232 saskarne. USB host saskarnes modulis ir paredzēts CarMote iegultās iekārtas komunikācijai ar ārējām USB iekārtām vadošās (master) iekārtas režīmā. Tas implementēts, izmantojot Future Technology Devices International komponentu VNC1L [3]. Savienojumam ar iegulto iekārtu tiek izmantota RS232 saskarne. Lai nodrošinātu iespēju veikt pieslēgšanos auto elektroniskajai sistēmai un sekojošu datu ieguvi, tika veikta OBDII saskarnes moduļa implementācija, par pamatu ņemot Xxxxx Xxxxxxx izstrādāto konstrukciju [7]. Modulis nodrošina datu pieslēgumu, izmantojot K-line un L-line kopnes. Savienojumam ar datoru vai iegulto iekārtu tiek izmantota RS232 saskarne. Nepieciešamības gadījumā var tikt veikta arī konvertēšana uz USB saskarni, izmantojot atbilstošu aparatūras risinājumu. Sadarbībā ar MansOS grupu, ir uzsākta augstāk minētos saskarnes moduļus atbalstošās iegultās iekārtas programmatūras izstrāde. Programmatūra sastāv no četriem paralēliem servisiem:
Saistītie risinājumi. 4.2.1 MansOS
Saistītie risinājumi. ASDM blokshēma parādīta 6.1. attēlā. Tas sastāv no integratora ar parametru κ un Xxxxx trigera ar parametriem δ and b. Šo parametru vērtības nosaka vidējo trigera pārslēgumu skaitu sekundē un līdz ar to arī ASDM ķēdes enerģijas patēriņu [3].
Saistītie risinājumi. 4.2.1 Tīkla protokoli
Saistītie risinājumi. Šobrīd visizplatītākās ir ESPAR antenas ar 6 pasīvajiem elementiem. Antenas ar nelielu parazītisko elementu skaitu parasti netiek pētītas. Kā izņēmumu var minēt [1], kur apskatīta antena, kuru veido viens aktīvs gredzens un divi pasīvi gredzeni ar vadāmiem kapaciatīviem elementiem, rezultālā iegūstot plakanu, automašīnas logā nostiprināmu antenu.
Saistītie risinājumi. Literatūras izpētes rezultātā tika apkopotas dažādas metodes, algoritmi automašīnu detektēšanai. Pilnvērtīgs dažādu metožu pārskats piedāvāts publikācijā [3]. Secināms, ka metožu dažādība ir plaša, tādēļ izvēlēties vienu konkrētu pieeju uzdevuma risināšanai vadoties tikai no literatūras bez eksperimentāliem testiem nebūtu optimāli. Pirmais uzdevums, ko veiks sistēma, ir mašīnu detektēšana. Tika apskatītas vairākas publikācijas un patenti, kuros piedāvāti algoritmi konkrētā uzdevuma risināšanai, kā arī grāmatas par ciparu attēlu apstrādi, kuros šie algoritmi aprakstīti sīkāk. Avotos [7] un [5] piedavāts samērā vienkāršs paņēmiens kustīgu objektu nodalīšanai no ceļa - izmantojot blakus kadru starpību, kas atstāj apstrādātajā kadrā tikai izmainījušos pikseļu vērtības. Tā kā metode ļauj detektēt tikai kustībā esošas automašīnas, tad lielāka uzmanība tiek vērsta uz nevis blakus kadru starpības izmantošanu, bet gan uz kadra un fona bildes starpības iegūšanu. Lai algoritms efektīvi darbotos mainīgajos āra apstākļos, fona attēlam jabūt adaptīvam. Publikācijas [6] un [2] piedāva vairākas metodes adaptīva fona attēla iegūšanai. Fonam nepiederošs objekts var arī nebūt automašīna, tādēļ algoritmam izdalītajā objektā jameklē arī kādi transporta līdzekli raksturojoši parametri (piemēram, izmērs), kas ļaus to klasificēt kā mašīnu. Rakstos [1], [4] par šādu parametru tiek piedāvāts automašīnas kontūrs, kā arī blakus pikseļu intensitāšu vērtību veidotas robežas automašīnai atbilstošajā kadra apgabalā. Robežas ir parametrs, kas saglabājas maz mainīgs pie dažāda apgaismojuma (neskaitot nakts stundas) un dažādos laikapstākļos, tādēļ, veidojot mūsu risinājumu, šim parametram tika pievērsta uzmanība. Sistēmas izstrāde notiek MATLAB Simulink vidē, kas ļauj ērti simulēt izveidoto shēmu un simulācijas laikā mainīt dažādus sistēmas parametrus. Visi turpmākie algoritmi tika pielietoti nekrāsainam video, pirms tam konvertējot krāsainu materiālu. Šādā gadījumā katram pikselim piemīt tikai viena skaitliska vērtība – intensitāte.
Saistītie risinājumi. Piedāvātās metodikas ir Local Binary Patterns operatora paplašinājums [2]. Tomēr kombinācija no MSLBP un ieejas attēla filtrācijas ļauj izveidot stabilāku deskriptoru un ievērojami paaugstināt sejas atpazīšanas sistēmas precizitāti.
Saistītie risinājumi. Ideja izmantot LBP operatoru objektu detektēšanai attēlos nav jauna. Pirmais sejas detektēšanas algoritms, kas balstījās uz LBP uz SVM tika izveidots 2004. gadā [2]. Vēlāk pētnieki šo ideju attīstīja arī citu objektu detektēšanai, aizvietojot SVM klasifikatoru ar ātrākiem klasifikācijas paņēmieniem. Tomēr piedāvātajiem algoritmiem ir viens liels trūkums: dažāda izmēra objektu Att. 1.1: LBP sejas histogrammas aprēķināšanas princips, reģionu skaits ir 6×6. detektēšanai tiek veikta ieejas attēla samazināšana, kas rezultātā noved pie informācijas zudumiem un pasliktina detektora precizitāti.