بخشی از مقاله
چکیده :
تشخیص حرکت در تصاویر ویدئویی بهعنوان یک موضوع کلیدی در مباحث بینایی کامپیوتر محسوب میگردد. در سالهای اخیر، روش های گوناگونی به منظور استخراج عوارض متحرک پیشنهاد شده است ولی یکی از مشکلات در تشخیص اشیا متحرک در سیستمهای پردازش تصویر، سایه اشیا، متحرک است. سایه اشیاء متحرک به دلیل پیوستگی که با خود عارضه متحرک دارند، باعث تغییر ظاهر واقعی شئ متحرک و همچنین اتصال اشیاء به یکدیگر میشوند. هدف اصلی در این تحقیق ارائه یک روش نوین در زمینه تشخیص خودروها بدون سایه با استفاده از ویژگی رنگ و بافت میباشد. به طور کلی اگر سایه خودرو و خود خودرو را دو قسمت جدا از هم در نظر بگیریم، چون سایه و سطح آسفالت از لحاظ رنگ و بافتی که دارند خیلی نزدیکتر به هم هستند تا سایه و خودرو، میتوانیم از استخراج و تلفیق این دو ویژگی برای هر کدام از پیکسلهای تصویر یک وزن اختصاص بدهیم.
وزنی که به پیکسلهای مربوط به قسمت سایه و سطح آسفالت - پسزمینه - اختصاص داده میشوند خیلی نزدیک به هم هستند و زمانی که از عمل تفاضل پسزمینه استفاده میکنیم، سایهها به همراه پسزمینه را استخراج و حذف مینماییم. در این تحقیق از دو پایگاه داده یکی در جعبه ابزار متلب و دومی مربوط به اتوبان امام علی - ع - استفاده شدهاست. معیارهای مورد استفاده برای ارزیابی روش پیشنهادی برای حذف سایهها، HR، FAR و MODP میباشند که با استفاده از این معیارها روش پیشنهادی با سه روش دیگر مقایسه شده است. به طور کلی با توجه به نمودارهای مربوط به هر سه معیار ارزیابی، روش پیشنهادی نسبت به سایر روشها بهتر و کاراتر عمل کرده و دارای دقت و قابلیت عمل بالاتری میباشد.
واژههای کلیدی : استخراج ویژگی ، تشخیص خودرو ، حذف سایه، عوارض متحرک
-1 مقدمه
در سیستمهای نظارت ویدئویی هوشمند اشیاء متحرکعموماً تنها قسمتهای مورد علاقه در یک فریم ویدئو هستند. یکی از مشکلات در تشخیص اشیا متحرک در سیستمهای پردازش تصویر، سایه اشیا، متحرک است. با توجه به اینکه بین سایه یک شئ با خود شئ اتصال و پیوستگی وجود دارد دو مشکل ایجاد میشود؛ اول اینکه قیافه و ظاهر واقعی شئ متحرک به دلیل این پیوستگی تغییر میکند. دوم اینکه سایه یک یا چند شئ متحرک در تصویر ممکن است باعث اتصال اشیاء به یکدیگر شده و به عنوان یک شئ تشخیص داده شوند. بنابرین باید بتوان با شناخت سایه، خصوصیات و ویژگی هایش، آن را تشخیص داده و حذف کرد. روشهای گوناگونی تاکنون برای تشخیص صحیح خودروها و حذف سایه عوارض متحرک در صحنه توسط محققین ارائه شده است که در ادامه به آنها پرداخته شده است.[1] در الگوریتمی به نام Shadow Flash ارائه شدهاست که قادر است مناطق سایه را در شرایطی که تاثیر هر منبع نوری به الگوریتم داده شده باشد تشخیص دهد.
پراتی و میکیک از الگوریتم یادگیرندهای استفاده کردهاند که میتواند سایهها را با اندازهگیری تاثیر سایه بر صحنه مشخص، تشخیص دهد.[2] لوین و پاتوچریا از SVM برای تشخیص کردن محدوده سایه استفاده کردهاند. در مقایسه با دیگر روشهای شرح داده شده، روش آنها به هیچ دانشی در مورد صحنه، نورپردازی و اشیاء احتیاج ندارد.[3] در[4] روشی بر اساس رویکرد تشخیص چرخهای وسیله نقلیه و حذف قسمتهایی از نیمرخ که در زیر چرخ قرار دارند، ارائه شده است. در[5] از مدل گاوس برای حذف سایه استفاده شده است. مشابه این روش روشهای دیگری برای تشخیص سایه درحال حرکت در6]، 7 و [8 ارائه شده است در[10] از 1 NCCبرای تشخیص و حذف سایه استفاده میشود.
برخی دیگر از روشهای ارائه شده در زمینه شناسایی سایه همانند 5]، 9، 10، 11، 12 و [13 از تصاویر ویدیویی رنگی استفاده کردهاند. تصاویر رنگی اطلاعات بیشتری در ارتباط به سایه در اختیار قرار میدهد ولی در عین حال پیچیدگی محاسباتی زیادی دارند و به همین جهت همچنان کار در زمینه تصاویر غیررنگی ادامه دارد.[14] علاوه بر آن تقریبا تمامی روشها فرضیاتی را در شروع کار خود در نظر گرفتهاند. روش بهینه روشی است که با در نظرگرفتن کمترین فرضیات بهترین نتیجه را بدهد.هدف اصلی در این تحقیق ارائه یک روش نوین در زمینه تشخیص خودروها بدون سایه با استفاده از ویژگی رنگ و بافت میباشد.
در این روش چون سایه و سطح آسفالت از لحاظ رنگ و بافتی که دارند خیلی شبیه به هم هستند از استخراج و تلفیق این دو ویژگی برای هر کدام از پیکسلهای تصویر یک وزن اختصاص میدهیم. وزنی که به پیکسلهای مربوط به قسمت سایه و سطح آسفالت - پسزمینه - اختصاص داده میشوند خیلی نزدیک به هم هستند و زمانی که از عمل تفاضل پسزمینه استفاده میکنیم، امیدواریم که سایهها به همراه پسزمینه را استخراج و حذف نماییم.ساختار کلی مقاله در ادامه به این صورت است که در بخش دوم روش پیشنهادی ارائه شده است. شرح پیاده سازی الگوریتمپیشنهادی در بخش سوم انجام شده است. نتایج آزمایشگاهی و مقایسات در بخش چهارم ارائه شده است. نهایتا جمعبندی در بخش پنجم صورت گرفته است.
-2 روش پیشنهادی برای حذف سایه
برای استخراج عوارض متحرک همانند خودروها در تصاویر ویدیویی باید در ابتدا یک پسزمینه تعریف کرد و سپس فریمهای ورودی را از پسزمینه تفریق نمود. چیزی که باقی میماند خودروها یا به عبارت بهتر عوارض متحرک توسعه یک روش نوین مبتنی بر ویژگیهای رنگی و...در تصاویر میباشند. از آنجایی که سایههای خودروها به صورت یکسان و هم جهت با خودروها حرکت میکنند، بخشی از عوارض متحرک به حساب میآیند. در نتیجه سایه خودروها به همراه خودروها شناسایی میشوند. این امر باعث ایجاد مشکلات عدیدهای در پردازش اشیاء متحرک میشود که در مقدمه به آن اشاره شدهاست.
برای استخراج خودروها، همانطور که در شکل - - 1 نشان داده شده است، بعد از استخراج فریمها باید تمامی تصاویر مطابق رابطه های 1 - و - 2 وزندهی شوند. چون یک نقطه مرجع داریم بنابراین میتوان از هر نقطهای برای مقایسه و وزندهی استفاده کرد. برای استخراج ویژگی رنگی بر اساس مقایسه فاصلهی پیکسل - i,j - تا نقطه مرجع، که از رابطه - - 1 بهدست میآید، انجام میشود.
که H - i,j - ، S - i,j - و V - i,j - بهترتیب عناصر H، S و V نقطهی - i,j - بعد از نرمال شدن هستند، H_m، S_m و V_m مقادیر H، S، V پیکسل مرجع هستند.[15]برای استخراج ویژگی بافت هم در این مقاله همانطور که در رابطه2 نشان داده شده از معیار انتروپی استفاده شده است. انتروپی اطلاعات نقطهی - i,j - در تصویر است، m,n ابعاد ماسک تعریف شده میباشد که اطلاعات انتروپیدر تصویر براساس آن استخراج میشود و - - پیکسل - i,j - در محدوده ماسک میباشد..[15] در نهایت با ترکیب کردن دو ویژگی رنگ و بافت به هر کدام از پیکسلهای تصویر یک وزن اختصاص داده شده است - رابطه - . - - 3
