الفهرس 
Chapter One: IntroductionOnly 14 pages are availabe for public view
 |  | from | 424 |  |  |
| | | from | 424 | | |
Abstract
في الملاحة داخل المباني، يمكن استخدام الكاميرات كوسيلة مساعدة للملاحة بالقصور الذاتي. أيضًا، تعد المطابقة السريعة والدقيقة للصور هدف مهم يستخدم في تطبيقات مختلفة في العديد من المجالات (مثل computer vision, visual odometry).
تتوفر مؤخرًا العديد من تقنيات الكشف عن النقاط ووصفها ومطابقة الصور. تم إجراء مقارنة بين الخوارزميات المختلفة التي تقدمها مكتبة OpenCV لإظهار الخوارزمية الأفضل والأكثر قوة ضد تشوهات الصورة. أظهرت النتائج أن كاشف ORB، وواصف ORB، وإما مطابقات BruteForce-Hamming أو BruteForce-HammingLUT هي المفضلة للاستخدام في البيئات الداخلية للمباني.
علاوة على ذلك، تم تقييم أداء بعض حلول الملاحة للمركبات في داخل المباني. وقد أظهرت نتائج التجربة أن تقنية stereo visual odometry هي الطريقة الأكثر دقة، ولكن يجب دعمها مع قيود الجدار من أجل تحسين دقة تحديد موضع التنقل وقد تم استخدام هذه التقنية لتشكيل قاعدة بيانات للنقاط. تحتوي قاعدة بيانات المكونة على العديد من النقاط الموصوفة جيدًا والتي كانت إحداثياتها ثلاثية الأبعاد معروفة.
يركز الجزء الرئيسي من هذه الأطروحة على تطوير خوارزمية بسيطة ودقيقة تستخدم لملاحة للمشاة اعتمادا على مستشعرات الهواتف الذكية. وقد كان الحل المقترح لملاحة المشاة هو الحل المعتمد على مستشعرات الحركة بمساعدة حل monocular visual odometry.
يحتاج هذا الحل المقترح إلى بعض التحضير قبل البدء في التنقل. يجب تصوير منطقة الاختبار باستخدام كاميرتين لتطبيق مبدأ stereo visual odometry وتشكيل قاعدة بيانات للنقاط لهذه المنطقة. أيضًا، يجب عمل رفع مساحي لمنطقة الاختبار هذه لاستخدامها عند تطبيق قيود الجدار.
أثناء التنقل، سيتم تحديد موضع المستخدم بناءً على قراءات مستشعرات الحركة. عندما ينحرف الحل مع مرور الوقت، يجب على المستخدم التوقف والتقاط صورة باستخدام الكاميرا الخاصة به. يمكن تحديد الموقع المصحح للمستخدم من خلال
مقارنة الصورة الملتقطة بقاعدة البيانات. أيضًا، يساعد هذا الموقع الصحيح على تقدير طول خطوة المستخدم الصحيحة. بالإضافة إلى ذلك، يجب تطبيق قيود الجدار لتحسين نتائج التنقل. كانت دقة هذا الحل المقترح حوالي 1.7 متر مع خطأ إغلاق حوالي 0.3%.