مقاله تشخیص عدم رعایت حداقل فاصله طولی خودرو با استفاده از پردازش تصویر

بخشی از مقاله

چکیده

یکی از متداولترین و بهترین روشهای مدیریت و کنترل ترافیک شهری و جادهای، پردازش و تحلیل تصاویر بهدستآمده از دوربینهای ترافیکی میباشد. هرچند در سالهای اخیر با استفاده از سیستمهای حملونقل هوشمند1 پیشرفتهای قابلتوجهی در این زمینه حاصلشده است اما تخمین زده میشود هرساله حدود 2 میلیون نفر در جهان جان خود را براثر تصادف در جادهها از دست میدهند.

بر اساس گزارشهای پلیس، بخش قابلتوجهی از این تصادفها به دلیل عدم رعایت فاصله طولی مجاز خودرو از خودروی جلویی میباشد. بر اساس آییننامه راهنمایی رانندگی، رانندگان موظفاند برای جلوگیری از تصادف، فاصله مناسبی را با وسیله نقلیه جلویی حفظ نمایند. رعایت این میزان فاصله، موجب میشود تا راننده پشت سر در صورت بروز خطراتی نظیر اعمال ترمزهای شدید یا وقوع تصادف توسط خودروهای جلویی، سبقت خطرآفرین خودروهای دیگر و ... فرصت تصمیمگیری و دفع خطرهای احتمالی را داشته باشند.

درروش پیشنهادی با استفاده از پردازش تصویرِ2 دو فریم فیلم دوربین ترافیکی توسط الگوریتم SIFT، خودروی متخلف مشخص میشود. اگرچه دستاوردهای این پژوهش مسیری طولانی تا رسیدن به یک الگوریتم بهینه جهت پیادهسازی عملی در پلتفرمهای هوشمند را دارد، اما با نتیجه عملکرد 98,6 درصد، بهخوبی توانسته انتظارات و معیارهای معرفیشده پژوهش را برآورده نماید.

1.    مقدمه

امروزه رشد روزافزون علوم کامپیوتر و نقش آن در زندگی انسان ها، بسیار حائز اهمیت و چشمگیر می باشد. به عنوان نمونه، پردازش تصویر ازجمله علوم مربوط به کامپیوتر می باشد که در صنعت، شهرسازی، هواشناسی، علوم نظامی و امنیتی، نجوم و فضانوردی، پزشکی، کشاورزی، باستان شناسی، و ... مورداستفاده قرار می گیرد. سیستم های حمل ونقل هوشمند، به عنوان یکی از کاربردهای عملی فناوری اطلاعات در حوزه های شهری و جاده ای که باهدف مکانیزه کردن فرایندهای موردنیاز برای شناسایی وسایل نقلیه، کاربردهای زیادی دارد

شناسایی و ردیابی خودرو بهوسیله تصاویر دریافت شده از دوربینهای ترافیکی و تحلیل و پردازش تصویر یکی از روشهای کاربردی و متداول این سیستمها میباشد. بر اساس آمار سازمان بهداشت جهانی1 ، در جهان بزرگ ما هر 30 ثانیه یک نفر در جادهها کشته میشود. در همین زمان در قبال هر کشته، 20 نفر در جادههای جهان مصدوم میشوند. درگذشتهای نهچندان دور کلیه امور مربوط به کنترل ترافیک مبتنی بر حضور نیروی انسانی بود. با مکانیزه و هوشمند شدن سیستمهای حملونقل، امکان نظارت و کنترل جادهها در تمامی ساعات شبانهروز و با حداقل خطا، فراهم میگردد.

با عنایت به این نکته که » تشخیص عدم رعایت حداقل فاصله طولی خودرو با استفاده از پردازش تصویر توسط الگوریتم «SIFT موضوعی جدید در پژوهشهای مرتبط با پردازش تصویر میباشد، لذا سوابق موجود در این زمینه فقط در مورد تشخیص سرعت خودرو با الگوریتم های مختلف، پلاک خوانی، عبور از چراغ قرمز، .... بوده است.

2.    شرح مسئله

در این پژوهش با استفاده از فیلمهای دوربینهای ترافیکی موجود در سطح شهر و جاده، خودرویی که حداقل فاصله مجاز از خودروی جلویی خود را رعایت نکرده باشد، شناسایی میگردد. این تخلف به استناد قانون ذیل ثبت خواهد شد:

»طبق مواد آییننامه راهنمایی و رانندگی به ازای هر 15 کیلومتر سرعت فاصله خودرو با خودروی جلویی باید حداقل 6 متر یا یک طول خودرو باشد و یا روش بهتر تعیین فاصله مناسب با خودروهای جلویی روش دو ثانیه است که در این روش با تعیین یک شاخص در مسیر باید فاصله زمانی عبور خودروی جلویی تا خودروی پشت سر از شاخص تعیینشده دو ثانیه و یا بیشتر باشد«ضمناً. با توجه به شرایط برخی از مسیرها و یا شرایط آبوهوا، این فاصلهها توسط پلیس راهور، بیشتر در نظر گرفتهشده است که راننده از طریق تابلوها هشداردهنده از آن مطلع میگردد.

1-2 معرفی مفاهیم

در ادامه این بخش، به معرفی برخی از مفاهیم و اصطلاحاتی که در ادامه به آنها نیاز داریم، میپردازیم:

1-1-2 نقاط کلیدی

نقاط کلیدی، نقاط ویژهای در تصویر هستند که با توجه به معیارهای خاصی کاندید میشوند. الگوریتمهای متفاوتی برای استخراج نقاط کلیدی در تصویر معرفیشدهاند که میتوانند نقاط کلیدی را با روش خود به دست آورند. این نقاط بیشتر بهمنظور تناظر یابی دو تصویر کاربر دارد. الگوریتم SIFT با استفاده از همین نقاط، تناظر یابی مینماید.

2-1-2 تناظر یابی

تناظر یابی، فرایند تعیین مطابقت میان دو یا چند تصویر از یک منظره یکسان می باشد که در زمان های مختلف، از موقعیت های متفاوت و یا به وسیله سانسورهای مختلفی دریافت شده اند. این فرآیند به طور گسترده در آنالیزهای مختلف در فتوگرامتری و سنجش از راه دور کاربرد دارد و مرحله اساسی از عملیات نظیر مرتبط سازی تصویر2، کشف تغییرات، تلفیق تصاویر، موزاییک کردن تصاویر، استخراج داده های مکانی سه بعدی و مثلث بندی هوایی خودکار به شمار می آید

3-1-2 الگوریتم SIFT

یک استراتژی تناظر یابی مبتنی بر ویژگی3 است که توسط

David Lowe در سال 1999 ابداع گردید و جهت فرآیند شناسایی الگو در تصاویر بصری ارائهشده است. این الگوریتم از دو مرحله اصلی شامل استخراج ویژگی و ایجاد توصیفگر، تشکیل گردیده است. این الگوریتماساساً برای حل مسئله اختلاف مقیاس میان تصاویر طراحیشده و بهعلاوه مستقل از اختلافات چرخشی میان تصاویر بوده و در برابر اختلافات روشنایی، تغییر شکل ناشی از تغییر منظر اخذ تصویر و نویز نیز پایدار است.

SIFT یک روش برای آشکارسازی و استخراج نقطه مشخصههای کلیدی از تصاویری است که میتواند برای کاربردهایی نظیر تناظر یابی بین تصاویر، شناسایی اشیاء، بازسازی سهبعدی صحنهها و غیره مورداستفاده قرار میگیرد. ویژگیهای اصلی نقاط کلیدی مناسب عبارتاند از:

·    باید بسیار مشخص و متمایز باشند.

·    باید بهآسانی استخراج شوند.

·    نسبت به مقیاس1، دوران2، تغییرات زاویه دید، تغییرات در روشنایی روشنایی تصویر و میزان نویز3 تصویر باید مقاوم باشند.

3.    بیان مراحل روش پیشنهادی

درروش پیشنهادی، با استفاده از تصاویر بهدستآمده از دوربینهای ترافیکی و کنترلی موجود در سطح شهر و جاده، خودرویی که حداقل فاصله مجاز از خودروی جلویی خود را رعایت نکرده باشد، شناسایی مینماید. نمودار 1-3 مراحل انجام کار را بهصورت مختصر نمایش میدهد:

چند نمونه از فیلم موردنیاز توسط دوربین موبایل در ساعات متفاوت روز - ظهر و بعدازظهر - و در شرایط مختلف نور محیط تهیهشده است. نکته قابلتوجه اینکه در این نمونه فیلمها سعی بر این شد که سایر عوامل جانبی و طبیعی تصویر مانند سایه، موتورسیکلت، درختان و تابلوهای اطراف اتوبان نیز وجود داشته باشد.

شکل : 1-3 نمونه فیلمبرداری در نور کم و سایه

2.    متغیرهای برنامه میبایست بر اساس فیلم بارگذاری شده کالیبره شوند. این عملیات برای دوربین ثابت،صرفاً یکبار و با دقت بالا انجام میگردد. منظور از کالیبره شدن، آشکارسازی نسبت »نقطه تشخیص خودرو« با دوربین و همچنین به دست آوردن تعداد فریم فیلم جهت تشخیص میزان جابجایی، سرعت و تعیین فاصله مجاز میباشد.

نمودار : 1-3 مراحل انجام کار

روش کلی کار به صورت زیر میباشد:

1.    فیلم تهیه شده از دوربینهای ترافیکی، به عنوان ورودی در برنامه متلب با پسوند .avi بارگذاری میشود