بخشی از مقاله
چکیده
در مبحث بینایی ماشین تشخیص اشیا و دستهبندی آنها جزئی از عملیات پایهای محسوب میشود، از اینرو برای تشخیص و دستهبندی اشیا روشها و الگوریتمهای متنوعی وجود دارد. توسعه این روشها میتواند کمک شایانی به انسان نمایند، در این پژوهش نیز روشی برای آشکارسازی خودرو در صحنههای ترافیکی ارائه شدهاست. آشکارسازی خودرو شامل دو مرحلهی ساخت فرضیه و وارسی فرضیه میباشد. در این تحقیق، در اولین مرحله مکان محتمل حضور خودرو به عنوان فرضیه در نظر گرفته میشود و در مرحلهی دوم همهی فرضیهها وارسی میشوند و به دو دستهی خودرو وغیر خودرو تقسیم میشوند. در مرحله ساخت فرضیه ابتدا فریمهای ورودی خوانده شده سپس بعد از انتقال تصویرهای ورودی به فضای رنگی HSV، از روش تفاضل پس زمینه نیز استفاده شده و فریمهای متوالی از یکدیگر کسر شده و حاصل ویدئویی شده است که با استفاده از فیلتر میانه نویزهای آن حذف و عملگرهای مورفولوژیکی روی آن اعمال میشود .
سپس از فیلتر سایز برای حذف نواحی خیلی کوچک یا خیلی بزرگ استفاده میشود. سپس در مرحلهی وارسی فرضیه با استفاده از تبدیل موجک هار، ضرایب ها را استخراج کرده و با فرستادن تصاویر پسزمینه به کلاسبند SVM از قبل آموزش دیده، توسط ماشینبردار پشتیبان آنها دستهبندی میشود و محدودهی خودرو در تصویر تعیین میگردد. پس از آن با ردیابی ویژگیهایی مانند مرکز جرم، ابعاد و نقاط مشخصشده با روش پیشنهادی مسیر حرکت خودروها تعیین میشود. آزمایشهای ما نشان دادند مرحلهی ساخت فرضیه پیشنهادی قابلیت تشخیص مکان حدودی خودروها را با دقت مطلوبی داراست و همچنین مرحله وارسی فرضیه پیشنهادی به دقت دستهبندی 97/3درصد بروی تصاویر تست دست یافته است.
کلمات کلیدی: آشکارسازی خودرو، ساخت فرضیه، وارسی فرضیه، تبدیل موجک هار، ردیابی خودرو، حذف پسزمینه از تصاویر، ماشینبردار پشتیبان.
.1 مقدمه
سوانح ترافیکی در سطح جادهها و خیابانها از عمدهترین عوامل تهدید کنندهی سلامتی انسانها به شمار میروند. آمارهای مربوط به صدمات و جراحات سازمان بهداشت جهانی1 در سال 2000 نشان میدهد که تلفات ناشی از جراحات سوانح ترافیکی جادهای % 23 تمام مرگهای ناشی از جراحات است که آن را عمدهترین عامل مرگ در بین سایر عوامل کرده است - کروپیتس و کروپر2، . - 2003 برای تشخیص خودرو روشهای متعددی وجود دارد، آنچه در این میان حائز اهمیت است بالا بودن دقت این روشهاست. این پژوهش میتواند در کنترل ترافیک و امنیت تشخیص خودروهایی مختلف به پلیس راهنمائی و رانندگی کمک کند. به دلیل شرایط محیطی و همچنین شرایط نوری متفاوت و همچنین در نظرگرفتن شرایطی که در انتخاب آن دخیل هستیم مانند محدوده تشخیص خودرو - FOD - 3، دور بودن یا نزدیک بودن خودرو از دوربین، قرار گرفتن خودرو در کادر مورد نظر، در نظر گرفتن سایز کادری که خودرو در آن قرار میگیرد و همچنین میزان دادههای آموزشی به سیستم، همهی روشها کارایی مطلوب از خود نشان نمیدهند و یا از قدرت بالایی برخوردار نیستند.
در این پژوهش با در نظرگرفتن شرایط گفته شده و انتخاب سایز مناسب برای کادر انتخابی و استخراج ویژگیهای هار سعی بر این شدهاست تا به یک نتیجهی مطلوب دست پیدا کنیم. آشکارسازی خودرو دارای دو مرحلهی اصلی است - هربرت4، - 2000، - سان5 و همکاران،. - 2002 مرحلهی اول که ساخت فرضیه یا HG نامیده میشود که به معنی یافتن مکانهایی در تصویر است که احتمال میرود خودرو در آن قرار داشته باشد. مرحلهی دوم آشکارسازی، وارسی فرضیه یا HV بدست آمده از مرحلهی ساخت فرضیه است - مارولا6، - 1989 که در این مرحله مکان مذکور را بررسی میکنیم تا وجود خودرو یا عدم وجود خودرو را تعیین کنیم. در - سان و همکاران، - 2002 روشی برای پیشگیری از تصادف با یک دوربین ساده درون خودرو به صورت زمان واقعی ارائه شده است. در این مقاله از ویژگی لبه و ساختار اصلی خودرو در سطح وضوح چندگانه استفاده شده است.
در - سان و همکاران، - 2002 با استفاده از ترکیب موجک هار سطح یک و فیلتر گابور روشی برای تشخیص ارائه شده است. در این مقاله فیلتر خطی و محلی گابور برای بهبود نتایج حاصل از تشخیص لبهها و خطوط استفاده شده است. در - افغانی، - 2005 رویکردی برای تشخیص خودرو در سطح جاده به عنوان یک سیستم همکار راننده با استفاده از ویژگی سایه و لبه ارائه شده است. در این روش از پیش پردازش تصاویر ورودی یعنی تبدیل ویدیو به عکس خاکستری استفاده شده است، استفاده از فیلتر کنتراست برای بهبود روشنایی در شرایط آب و هوایی مختلف از نقاط قوت این مقاله است. در - گنکال و همکاران، - 2014 روشی برای تشخیص خودرو مبتنی بر تبدیلات موجک دو بعدی ارائه شده است. در - ون و همکاران، - 2007 از بهبود موجک به همراه کلاسبند بردار پشتیبان استفاده شده است.
در این مقاله ابتدا در بخش 2، مروری بر مسایل پایهای اسپارسیتی، موجک هار و ماشین بردار پشتیبان انجام شده، سپس در بخش 3 سیستم طراحی شده معرفی شده و یک دید کلی از سیستم تشخیص و ردیابی خودرو ترسیم میگردد، در ادامه در بخش 4 سیستم تشخیص با جزئیات دقیقتر مورد بررسی قرار خواهد گرفت این مرحله شامل نقشه راه و بررسی الگوریتم تشخیص خواهد بود، در بخش 5 نحوه ارزیابی و آزمایش سیستم به همراه مجموع داده ارزیابی به چالش کشیده خواهد شد و در بخش پایانی، بخش 6 نتیجهگیری ارائه خواهد شد.
.2 موجک هار و ماشین بردارپشتیبان
1-2 موجک هار
آنالیز موجک روشی جدید است که تاریخچهی کشف آن به قرن نوزدهم بازمیگردد. تئوری موجک برای حل مشکلات تبدیل فوریه مطرح گردیده است. مشکل قبل در این روش با تقسیم سیگنال به بخشهای مختلف با مقیاسگذاری و انتقال دادن آن به تابع حل میشود، این تابع در طول سری انتقال پیدا کرده و برای هر موقعیت اطلاعاتی محاسبه میشود. تبدیل موجک پیوسته تبدیلی است که تابع پیوسته در زمان را به فضای زمانفرکانس میبرد. در ریاضیات تبدیل موجک پیوسته برای تابع پیوسته f - t - که مربع آن انتگرالپذیر باشد، در مقیاسa>0 و در مکان b⍷R به مانند رابطهی - 1 - تعریف میشود. موجک هار گونهای از موجکها و اولین موجک شناخته شده در ریاضیات میباشد که پایه و اساس این مقاله را شامل شده و بهصورت رابطه - 2 - تعریف میشود. تبدیل موجک شامل دو نوع تبدیل موجک پیوسته و تبدیل موجک گسسته است، در این پژوهش از تبدیل موجک گسستهی هار استفاده میشود. دو موجک هار با مقیاس یکسان هیچگاه همپوشانی ندارند. - شکل - 1 نمایانگر این موجک است.
ماشین بردار پشتیبان SVM
طبقهبندی الگوها به معنای انتساب یکسری شیء به دستههایی خاص، که به آنها کلاس میگویند میباشد. این انتساب برای یک مساله طبقهبندی خاص توسط یک طبقهبند7 که میتواند یک نرمافراز کامپیوتری باشد به گونهای انجام میشود که نتایج طبقهبندی بهدرستی و با دقت زیاد انجام شود، اقلامی که وارد طبقهبندی میشوند اصطلاحا ویژگی نامیده میشوند، زیرا این مورد تعیین کننده، قرارگیری آنها در کلاسها مختلف میباشد. به طور کلی دو روش برای توسعهی طبقه بندیها وجود دارد، روش اول یک روش پارامتریک که ابتدا در - فوکوناگا8، - 1990 معرفی شد و مبتنی بر یک دانش پیش بینی برای دادههای توزیع شدهاست و روش دوم، روش غیرپارامتریک که در آن هیچ دانش پیشبینی مفروض نیست، اینگروه از طبقهبندیها از طریق آموزش با استفاده از جفتهای ورودی- خروجی و توابع تصمیمگیری ویژگیها را به کلاسها تخصیص میدهند. این روش نسبتا جدید بوده و از محبوبیت بیشتری برخوردار است و علت آنرا میتوان کارایی خوب نسبت به روشهای قدیمیتر از جمله شبکهعصبی دانست - آبه9 ،. - 2005 مبنای کاری طبقهبندی ماشینبردار پشتیبان دستهبندی خطی دادههاست، در این پژوهش سعی بر این شده است تا خطی انتخاب شود که حاشیهی اطمینان بیشتری داشته باشد. در این مقاله مقادیر آستانه مختلف با در نظر گرفتن ضرایب هار بدست خواهد آمد، بهطور معمول درصدعمدهای از دادههای مجموعه داده مورد آموزش قرار گرفته و درصد باقی مانده مورد ارزیابی قرار میگیرند.
.3 دید کلی از سیستم تشخیص و ردیابی خودرو
سیستم تشخیص و ردیابی خودرو بر اساس سه فاز کلی طراحی شده است، فاز اول، فاز آموزش و فاز دوم، فاز تست که مربوط به مرحله تشخیص خودرو و فاز سوم که مربوط به ردیابی خودرو میباشد. در فاز اول ابتدا از نمونه فیلمهای ورودی ابتدا فریم به فریم عکس گرفته شده وتصاویر خودرو از تصاویر غیر خودرو جداسازی شده است. سایز مطلوب
