بخشی از مقاله
چکیده
با افزایش مداوم تعداد وسایل نقلیهی ترددکننده در جادهها و بزرگراهها، برنامهریزی صحیح برای مدیریت ترافیک و تخصیص امکانات جادهای و تسهیلاتی لازم، نیازمند اطلاع از تعداد و نوع وسایل نقلیهی عبوری از جادههای کشور میباشد. مشاهده و ثبت این آمار با بکارگیری نیروی انسانی با توجه به گستردگی و پراکندگی زیاد جادهها و همچنین حجم زیاد وسایلنقلیهی تردد کننده از آنها، بسیار مشکل و همراه با خطای بسیار زیاد خواهد بود . در این مقاله به منظور شمارش و تعیین هوشمند نوع وسایل نقلیه با استفاده از سیستمهای نظارت ویدئویی، پس از تخمین پسزمینه، از الگوریتم کنی و فیلتر میانه برای آشکارسازی و ردیابی وسایل نقلیه استفاده شده است. با استفاده از محدودهی مولفههای همبند بدست آمده، تفکیک وسیلهی نقلیه از سطح جاده صورت پذیرفت و روش جدیدی برای تعیین نوع آنها با استفاده همزمان از ویژگیهای ظاهری و هندسی نمای عقب وسایل نقلیه معرفی گردید. در این روش با استخراج بردار ویژگیها توسط الگوی باینری محلی و اعمال آن به طبقهبند آنالیز تفکیک خطی، عملکرد صحیح % 98/21 و % 87/21 به ترتیب در شمارش وسایل نقلیه و تعیین نوع آنها بدست آمد.
کلید واژه: وسیلهی نقلیه، تعیین نوع خودرو، طبقهبندی، حملونقل هوشمند، الگوی باینری محلی، آنالیز تفکیک خطی
-1 مقدمه
نظارت و کنترل ب صری تردد در جادهها با ا ستفاده از رو شهای پردازش ت صویر و بینایی ما شین در سالهای اخیر توجه زیادی را به خود معطوف داشته است. این فناوری کاربرد زیادی در زمینه سیستمهای نظارت بر حمل و نقل، نظارت بر تقاطعها، ردیابی وسایل نقلیه، طبقهبندی و تعیین نوع آنها داشته است. نظارت هوشمند تردد جادهای امکان ت شخیص زودهنگام ترافیک بیش از حد و سایل نقلیه در جاده را فراهم مینماید. ترافیک زمانی به وقوع میپیوندد که تقاضای تردد، از ظرفیت جاده تجاوز نماید که اتلاف وقت، هدر رفتن انرژی، احتمال اختلال در آرامش عصبی رانندگان و در نتیجه افزایش احتمال تصادفات و درگیریها، و همچنین افزایش انتشار گازهای آلوده کنندهی هوا را در برخواهد داشت. مدیریت و کنترل تردد جادهای بدون اطلاع از تعداد و نوع و سایل نقلیهی عبور کننده از هر جاده در ساعتهای مختلف روز وشب، روزهای عادی، تعطیلات و مناسبتهای خاص امکانپذیر نمیباشد.
با ا ستفاده از سی ستم شمارش و تعیین هو شمند نوع و سایل نقلیه، علاوه بر آگاهی از تعداد و سایل نقلیهی عبوری از هر جاده و درصد تردد هر نوع جداگانه از این وسایل، میتوان عواملی را که در تردد روان محور، ایجاد اخلال مینمایند نیز ت شخیص داد. آگاهی از چنین اطلاعاتی امکان برنامهریزی بلندمدت برای افزایش پهنای باند جاده و یا ایجاد جاده جدید را برای مسئولین مربوطه فراهم نموده و همچنین مدیریت کوتاهمدت تردد جادهای مانند چینش بهینهی نیروهای پلیس در سراسر جاده بخصوص در نقاط مشکلساز، ممنوع نمودن عبور وسایل نقلیهی سنگین، یکطرفه نمودن مسیر و ...را امکانپذیر مینماید. همچنین با آگاهی از آمار تردد در هر جاده در ایام عادی، تعطیلات و مناسبتهای ویژه، میتوان به تخصیص گروههای امداد و نجات، و امکانات رفاهی و تسهیلاتی متناسب با حجم عبور و مرور اقدام نمود.
پردازش ت صویر مهمترین بخش از مراحل تعیین سرعت و سیله نقلیه در این مقاله میباشد. بطوری که در این مرحله باید پسزمینهها که شامل اشیاءی ساکن و بدون حرکت است، به روش فیتلر میانگین ا ستخراج شده و از محا سبات پیشزمینه که عمدتاً شامل ا شیاءی متحرک همانند خودروها، پرندگان، عابرین پیاده و... است، حذف شود. در اینجا، پیشزمینه بر اساس مقدار و اشباع استخراج میشود. سپس سایر تصحیحات شامل اعمال فیلتر بر تصاویر ناخواسته و حذف سایه و... انجام میشود.
-2 کالیبراسیون دوربین
کالیبراسیون دوربین از جنبههای مهم این مطالعه میباشد. مکان وسیله نقلیه در تصاویر گرفته شده توسط دوربین، دوبعدی ا ست، با این وجود که و سایل نقلیه در واقعیت، سهبعدی ه ستند اما بدلیل اینکه وسایل نقلیه نمیتوانند از سطح جاده جدا شوند، حرکت وسایل نقلیه، دوبعدی فرض میشود - شکل . - 2 که در آن جابجایی مختصات تصویر و مختصات وسیله نقلیه یک نگاشت دو بعدی به دوبعدی است و بطور دقیق میتوان با استقاده از فرمول محاسبه کرد. در این بخش محاسبه تابع الگو بین مختصات وسیله در تصویر و مختصات واقعی انجام میشود. اینکه دوربین ویدیو در زمان گرفتن عکس ویدیو از ترافیک جاده، چطور ن صب می شود و چه مشخصاتی در آن استفاده می شود باید تعیین شود. همانند آنچه که در شکل 3 نشان داده شده دوربین در ارتفاع H بالای سطح جاده با زاو یه 1 - زاو یه بین محور د ید دوربین و خط عمود بر جاده - در جاده تنطیم میشود. رابطه بین زاویههای لنزهای دوربین و دامنه فضای تحت پوشش دوربین با استفاده از معادله های هندسی قابل تعیین است.
-3 محاسبه زاویه و خط عمودی میدان دید دوربین
زاویه شیب افقی دوربین برای سه نوع ت صویر هوایی در شکل 4ن شان داده شده ا ست. ت صاویر زیری، شبکههای خطوط ق سمتی ازجاده هستند که در انواع مختلف زاویه دوربین توسط دوربین مشاهده میشود. در این مقاله، ما سرعت وسیله نقلیه را زمانی که وسیله وارد صحنه میشود و دو سوم جاده را طی میکند محاسبه میکنیم. ناحیهای که در یک سوم صحنه ا ست و در زیر ت صویر قرار میگیرد، ناحیه تشخیص نامیده میشود. در این مورد زمانی که وسیله نقلیه به ناحیه تشخیص میرسد، مرکز ثقل وسیله نقلیه نزدیک خط میانه تصویر است.
ارتفاع تصویر 120 پیکسل و ناحیه تشخیص در میانه تصویر، چ هار متر بالاتر از انت های زیری تصویر قرار دارد. ب نابراین، طول هرپیکسل تقریباً چهار تقسیم بر شصت متر است - . - 0/067 برای کالیبراسیون و سیستم تشخیص سرعت از وسیله نقلیه مشخصی که با سرعت پنجاه کیلومتر بر ساعت حرکت میکند، ا ستفاده کردهایم. ضریب کالیبراسیون برای افزایش دقت اندازه گیری، مورد استفاده قرار میگیرد.
-4 تشخیص سرعت وسیله نقلیه متحرک
پردازش تصویر در این مطالعه موضوع مهم و مولفه پیچیده دیگری است. این کار به پردازش دادهها، استخراج و حذف پسزمینه، تشخیص وسیله نقلیه متحرک و مکان یابی، حذف سایه وسیله نقلیه، اعمال فیلتر برای تصحیح تصویر و محاسبه سرعت وسیله نقلیه نیازمند است. دادههای گرفته شده از طریق دوربین، ترکیبی از فریمهای تصاویر متوالی است و هر فریم شامل مقادیر عددی پیکسلهاست که دو نوع داده پسزمینه و پیشزمینه را شامل میشود. پسزمینه، شامل اشیا ساکن همانند پارکینگ وسیله نقلیه، سطح جاده و ساختمان یا هرجسم ایستا است و همچنین شرایط آب و هوایی و زمان روز وشب میباشد. پیشزمینه حرکت اشیا متحرک همانند عابر پیاده، وسیله نقلیه متحرک یا هر شی متحرک است. به منظور پیدا کردن سرعت وسیله نقلیه اولین مرحله یافتن پسزمینه و حذف آن است. بنابراین، پیشزمینه که شامل دادههای ارزشمندی است میتواند استخراج شده و برای اطلاعات مورد نیاز همانند سرعت، قطعه بندی و شمار وسایل نقلیه مورد استفاده قرار گیرد.
-5 استخراج پسزمینه
همانطور که قبلا اشاره شد، استخراج پسزمینه و حذف آن یکی از بخشهای مهم تشخیص وسیله نقلیه است که برای جمع آوری داده های پیشزمینه مفید می باشد. بعلاوه، اگر اختلاف تصویر پسزمینه بدون بروزسانی تصویر پسزمینه باشد، این امر منجر به نتایج نامناسب و غیرصحیح خواهد شد. بنابراین اگر تغییرات محیطی در صحنه ترافیکی وجود دا شته با شد، باید پسزمینه ب صورت پویا و مکرر محاسبه شده و در فرایند تشخیص وسیله نقلیه تاثیر داده شود. بدلیل اینکه پسزمینهی رنگ اصلی مورد نیاز است، جهت استخراج پسزمینه، از روش فیتلر میانه استفاده کردهایم. همچنین است فاده از این روش، در تغییرات کم نور و در حالتی که دوربین ساکن ا ست، جهت تولید پسزمینه موثر ا ست. معادله مورد ا ستفاده بصورت زیر معرفی میشود: که در آن n تعداد فریمها، f xy t n مقدار پیکسل نقطه x , y در فریم n ام است، k xy t n مقدار متوسط پیکسل نقطه x , y در فریم n ام متوسط شده حول فریمهای j قبلی، و j شمار فریمهایاستفاده شده جهت محاسبه متوسط مقدار پیکسلهاست.
-6 ا ستخراج پیشزمینه و ت شخیص و سیله نقلیه با استفاده از روش الگوریتم کنی
در اینجا جهت تعیین پیشزمینه، از روش ترکیب مقدار و اشباع و یا بطور مخفف، CVSاستفاده شده است. اساساً، روشی که برای استخراج پیشزمینه مورد استفاده قرار میگیرد بر اساس اختلاف فریمها همانند فرمول زیر بیان میشود. پیکسل - x,y - در فریم n ام است. T مقدار اولیه مورد استفاده برای تمایز بین پیشزمینه و پسزمینه است. معایب این روش آن است که در ابتدا، یک حد آستانهی ثابت به تمام پیکسلها اعمال میشود و وقتی که اشیاء با سرعت پایین حرکت میکنند، تفاوتهای فریم، ناچیز میشود و بنابراین استفاده از یک حد آستانهی پایین، میتواند پیشزمینه را استخراج کند، اما میزان رکوردهای پسزمینه در این حالت بیشتر از پیشزمینه خواهد بود. به بیان دیگر، انتخاب یک حد آستانه بالا باعث تولید ناقص تشخیص پیش زمینه خواهد شد. بعلاوه، این مشکل در استخراج پیشزمینه گاووسی نیز پدیدار میشود که در آن انحراف استاندارد برای تعیین حد آستانه مورد استفاده قرار میگیرد. و نقاط پیشزمینه، ممکن است به اشتباه بعنوان پسزمینه در نطر گرفته شود. در این مقاله روش CVS برای محاسبه پیشزمینه معرفی میشود.
مهمترین نتیجهای که در مطالعه بدست میآید این است که در صورت عدم وجود تغییر در میزان نور تابشی، رنگ یا پردهرنگ در هر فریم تحت تاثیر قرار نمیگیرد و تقریباً مقداری ثابت است. اما در تغییرات شدت نور در روز، دچار تغییرات میشود و بر روی فریمها تاثیر میگذارد. بنابراین لازم است مدل رنگی موثر و سودمند مثل HSI - پردهرنگ، اشباع، شدت - در مقایسه با طیف رنگی RGB - قرمز، سبز، آبی - استفاده شود. بدلیل اینکه مدل HSI در نرمافزار متلب تعریف نشده است، ما از مدل طیف رنگی HSV - پردهرنگ، اشباع، مقدار - بجای آن استفاده میکنیم.طیف رنگی :HSI این مدل طبق آنچه که ما برای تشخیص و شناسایی پیشنهاد کردهایم، بترتیب زیر میباشد: در ابتدا بر اساس مقدار و اشباع، پیشزمینه استخراج میشود، سپس مقدار بدست آمده در مرحله اول از فریم فعلی که آن هم بر اساس مقدار و اشباع است
