چکیده: صنعت حمل و نقل یکی از صنایع فعال در جهان است و ایمنی در جاده ها از مهم ترین حوزه های تحقیق و توسعه در این صنعت است. سیستم تشخیص خطوط جاده و سیستم تشخیص موانع از جمله تجهیزات ایمنی هستند که در خودروهای هوشمند به کار می‌روند تا وسیله نقلیه را در بین خطوط جاده هدایت کنند و از انحراف خودرو و بروز تصادفات در برخورد با موانع جلوگیری کنند. تصاویر ویدیویی حاوی اطلاعات بسیار ارزشمندی درباره محیط اطراف خودرو هستند و نقش اساسی در تشخیص خطوط جاده و موانع ایفا می کنند. با توجه به اینکه در تشخیص خطوط جاده و موانع در تصاویر ویدیویی با یک محیط طبیعی روبه رو هستیم، عوامل متعددی مانند شرایط مختلف جوی، سایه ساختمان ها و درختان کنار جاده ها، سایه اتومبیل ها، وضعیت تابش نور خورشید در ساعات مختلف روز مسئله تشخیص خطوط جاده و موانع را با مشکلات متعددی مواجه می کنند. از طرف دیگر با توجه به حجم محاسبات زیاد جهت پردازش اطلاعات تصویر و همچنین نیاز به بلادرنگ بودن سیستم تشخیص خطوط جاده و مانع، پایین آوردن پیچیدگی حاصل از محاسبات پردازش‌های موجود و در نتیجه بالا بردن کارایی سیستم از جهت توان محاسباتی باید در نظر گرفته شود. در این رساله، هدف تشخیص خطوط جاده و موانع روبه روی خودرو با استفاده از تصاویر ویدیویی گرفته شده از جاده و تعیین شرایط رانندگی در جاده است. بدین منظور از دو روش پیشنهادی متفاوت در این پژوهش استفاده نموده‌ایم. ابتدا با استفاده از یک رویکرد کلاسیک مبتنی بر الگوریتم‌های پایه‌ای پردازش تصویر و با به‌کارگیری لبه‌یابی کنی و همچنین الگوریتم تبدیل هاف، اقدام به شناسایی خطوط جاده با رویکرد بدون ناظر نموده‌ایم. از جمله نوآوری‌هایی که در این روش علاوه بر بلادرنگ بودن که به‌عنوان هدف اصلی در روش اجرایی صورت گرفته است، انجام یک ماسک‌گذاری پویا برای تشخیص ناحیه مورد علاقه در تصویر است. در روش پیشنهادی دوم، با استفاده از یک رویکرد مبتنی بر یادگیری ‌عمیق و با به‌کارگیری یک شبکه مولد رقابتی نیمه‌نظارتی اقدام به شناسایی خطوط و در ادامه آن با به‌کارگیری یک توصیف‌گر هیستوگرام مبتنی بر گرادیان، اقدام به شناسایی موانع روبروی خودرو نموده‌ایم. از جمله نکات حائز اهمیت در روش دوم، استفاده از یک شبکه عمیق مولد رقابتی نیمه‌نظارتی در فرایند قطعه‌بندی و همچنین پیچیدگی محاسباتی پایین‌تر آن نسبت به معماری‌های شبکه‌های عمیق شناخته‌شده نظیر ResNet50، AlexNet و VGG19 است. همچنین در الگوریتم تشخیص مانع، با به‌کارگیری سیاست ماسک‌گذاری پویا، به افزایش سرعت اجرایی در تشخیص خودروهای روبرویی دست یافته‌ایم. در واقع ماسک‌گذاری به‌کار گرفته‌شده، ایده‌ای بسیار ساده، در جهت افزایش سرعت پردازشی الگوریتم است. نتایج حاصل از به‌کارگیری روش پیشنهادی اول بیان‌گر دقت تشخیص خطوط 78/96 درصد به‌صورت بلادرنگ بر روی پایگاه داده IROADS مورد استفاده در شرایط متفاوت محیطی است. همچنین نتایج حاصل از به‌کارگیری روش پیشنهادی دوم جهت تشخیص خطوط جاده، دارای دقت پیکسلی 78/90 درصد می باشد که بیان گر این نکته است که علاوه بر درصد نسبتاً مناسبی که روش اجرایی نسبت به رویکردهای نظارت‌شده دارد، از لحاظ پیچیدگی محاسباتی در تعداد پارامترهای آموزشی بکارگرفته‌شده، با 21 میلیون پارامتر آموزشی، بهبود قابل توجهی نسبت به شبکه‌های عمیق نامبرده‌شده داشته است. در نهایت لازم به ذکر است که خروجی الگوریتم تشخیص موانع روبروی خودرو نیز با توجه به معیار کیفی که برای دقت عمل‌کردی آن تعریف شده است، از دقت 3/92 درصد در تشخیص موانع برخوردار است.