مقاله شمارش افراد با استفاده از فیلتر کالمن و استخراج ویژگی GLCM و کلاس‌بندی SVM

بخشی از مقاله

چكیده

تخمین تعداد افراد نمایش دادهشده در یک تصویر دارای کاربردهای عملی بسیاری ازجمله نظارت بصری و مدیریت منابع عمومی است. مراحل شناسایی و ردیابی افراد با مشکالتی مواجه است که مهمترین آن انسداد افراد بهخصوص درصحنه شلوغ است. در این مقاله یک الگوریتم جدید برای تخمین و شمارش افراد ارائهشده است. برای این هدف ابتدا با استفاده از فیلتر کالمن، اشیاء موجود در تصویر تشخیص دادهشده و از پسزمینه جدا میشوند. سپس با استفاده از ماتریس GLCM، ویژگیهای هر شیء موجود در تصویر که در مرحله قبل تشخیص دادهشده است، استخراج میگردند.

درنهایت با استفاده از ماشین بردار پشتیبان این اشیاء کالسبندی میشوند. بهاینترتیب افراد موجود در تصویر در یک کالس و سایر اشیاء تشخیص دادهشده در تصویر در کالس دیگری قرار میگیرند. درنتیجه با استفاده از موجودیتهای کالسها، تعداد افراد موجود در تصویر مشخص میشوند .الگوریتم پیشنهادی را بر روی دو دیتابیس مورد آزمایش قرار دادیم. نتایج تجربی، کارایی روش پیشنهادی جهت شمارش افراد ازلحاظ دقت، صحت، حساسیت و تشخیص نسبت به روشهای دیگر را نشان میدهد.

-1 مقدمه

شمارش و نظارت عبور و مرور انسانها یک موضوع قابلتوجهی در زمینههایی از قبیل ایمنی و امنیت، منابع مدیریت، برنامهریزی شهری و برنامهریزی سیستمهای حملونقل عمومی است. روشهای بسیار متنوعی برای شمارش افراد به کار گرفتهشده است. بهطورکلی، سیستمهای تخمین و شمارش تراکم جمعیت انسان را میتوان به دو روش اصلی تقسیم کرد: روش مستقیم و غیرمستقیم >1@، روش مستقیم یا بهبیاندیگر روش مبتنی بر تشخیص شی، تلاش به قطعهبندی و تشخیص هر فرد درصحنه جمعیت و سپس شمارش آنها با استفاده از طبقه بندهای مختلف میکند.

در این روش، شمارش انسانها تا زمانی که قطعهبندی بهدرستی انجام گیرد میتواند بهطور همزمان کار کند، اما این پروسه در صورت ایجاد انسداد یا تراکم زیاد میتواند پیچیدهتر شود.>4@ در روش غیرمستقیم، شمارش افراد بهطورمعمول با استفاده از اندازهگیری تعدادی از ویژگیها همراه با الگوریتمهای یادگیری و یا تجزیه و تحلیل آماری از کل جمعیت به منظور دستیابی به پروسه شمارش، انجام میشود >5@ و .>6@ یکی از ویژگیهای تصویر که موردتوجه بسیاری از محققان قرارگرفته، بافت تصویر است. در ادامه روشهای شمارش افراد مبتنی بر ویژگیهای بافت تصویر معرفی خواهند شد.

مارانا و همکاران >7@ و >8@ و >9@ از ماتریس وابستگی سطح خاکستری در 4 زاویه محاسبه کنتراست، انرژی، آنتروپی و همگن برای ایجاد یک بردار 16 پارامتری بکار بردند. سپس شبکه عصبی خودسازماندهی را جهت آموزش بر روی تراکم و روابط بردار اعمال کرد. برحسب پنج کلاس تراکم - خیلی کم، کم، متوسط، زیاد و بسیار زیاد - . درنهایت، تصاویر از هر کلاس به زیرمجموعه آموزش و آزمایش گروهبندی میشوند نتایج برای تراکم کم قابلتوجه نبود اما برای تراکم بالا مناسب و معقول بود.

کارهای بیشتر توسط مارانا و همکاران >10@ شامل تجزیه و تحلیل چهار روش مختلف در بحث تجزیه و تحلیل بافت و سه طبقهبندی مختلف برای تخمین تراکم جمعیت بوده است. آنها عملکرد بین چهار روش مختلف: ماتریس وابستگی سطح خاکستری ، بخشبندی خط مستقیم، تجزیه و تحلیل فوریه، و ابعاد فراکتال، بهمنظور تجزیه و تحلیل استخراج بافت مقایسه و ارزیابی کردند.

علاوه بر این، آنها سه نوع طبقه بند برآورد جمعیت که شامل شبکه عصبی خودسازماندهی ، طبقهبندی بیزی آماری و روش مبتنی بر عملکرد اتصالات را مقایسه کردند با توجه به مفاهیم کارهای انجامشده توسط مارانا و همکاران، در سال Xiaohua 2006 و همکاران >11@ پیشنهاد روش استخراج بافت با استفاده از ترکیب تجزیه و تحلیل چندین مقیاس و ماشین بردار پشتیبانی را دادند.

درروش آنها، الگوریتم ابتدا تصویر جمعیت را به فرمتهای چندین مقیاس بر اساس تبدیل موجک گسسته دوبعدی تبدیل میکند، سپس تراکم جمعیت را با استفاده از ساختار درختی طبقهبندی مبتنی بر SVM بهمنظور تشخیص بردار ویژگی از یک تصویر را با چهار سطح تراکم مختلف: کم، متوسط، زیاد و خیلی زیاد، تخمین زده میزند.

در سال Xinyu Wu 2006 و همکاران >12@ پیشنهاد استفاده از ماتریس وابستگی سطح خاکستری برای هر سلول بهمنظور استخراج بردارهای ویژگی بافت دادند. این بردارها برای آموزش سیستم به ماشین بردار پشتیبان و استخراج 15 ویژگی بافتی با تراکم واقعی صحنه اعمال میشود. روش ماشین بردار پشتیبان برای حل رگرسیون غیرخطی و مشکلات طبقهبندی تشخیص توزیع تراکم غیرطبیعی استفاده میشود.

در سال 2008 اما و همکاران از 3 روش مختلف برای تخمین تراکم جمعیت استفاده کردند >13@ و>14@ و .>15@ در روش اول، پیشنهاد بردار ویژگی الگوی باینری محلی پیشرفته بهعنوان توصیفگر بافت چندین مقیاس دادند. درروش دوم، از توصیف الگوی باینری محلی برای تخمین تراکم جمعیت استفاده کردند ابتدا الگوی باینری محلی را از هر بلوک تصویر محاسبه و بر روی یک دیتابیس کوچک از تصویر مورد آزمایش قرار دادند، در نهایت از خوشه بند K-mean برای طبقهبندی استفاده کردند.

.>14@ درروش سوم، پیشنهاد استفاده از ماتریس هم رخداد جهت گرادیان برای استخراج ویژگی دادند. ماتریس هم رخداد جهت گرادیان یک ماتریس 9×9 استخراجشده از نقشه گرادیان G است و پیکسلهای خواندهشده مرجع و پیکسلهای همسایه را در یکزمان را بررسی میکند. از الگوریتم K-mean برای کلاسبندی استفادهشده است .>15@

-1-1 الگوریتمهای آشکارسازی اشیاء متحرک

الگوریتمهای آشکارسازی اشیاء متحرک بهروش حذف پسزمینه یکی از روشهای رایج برای تشخیص و جداسازی اشیا متحرک در تصویر، حذف پسزمینه است. تا زمانی که دوربین ثابت باشد، آشکارسازی اشیا متحرک میتواند با مقایسه هر فریم جدید با مدلی از پسزمینه و قرار دادن یک مقدار آستانه برای میزان اختلاف بین آنها انجام شود. به این روند، حذف پسزمینه و به نحوه ارائه صحنه، مدل پسزمینه گفته میشود. الگوریتمهای اصلی حذف پسزمینه را بر اساس نحوه مدل کردن زمینه میتوان به دودسته کلی تقسیم کرد.

-1-1-1  الگوریتمهاي غیر بازگشتي

در این روشها مدل زمینه بر اساس N فریم ذخیرهشده قبلی تخمین زده میشود. بنابراین به یک حافظه موقت برای ذخیره کردن فریمهای قبلی نیاز است. ازجمله الگوریتمهای غیر بازگشتی میتوان به تفاضل فریمهای متوالی >16@، فیلتر میانگین >17@، فیلتر میانه >18@ اشاره کرد. از معایب اصلی روشهای غیر بازگشتی میتوان به حجم بالای حافظه موردنیاز و حساس بودن به تغییرات روشنایی و نویز اشاره کرد.

در این روشها نیازی به وجود حافظه موقت برای ذخیره کردن N فریم قبلی نیست. زمینه با استفاده از چند فریم اولیه مدل میشود. سپس با ورود هر فریم جدید و از طریق روابط بازگشتی، مدل زمینه بهروز میگردد. ازجمله الگوریتمهای بازگشتی میتوان به خوشهبندی >19@، تخمین میانه >18@ و فیلتر کالمن >20@ اشاره کرد. هدف این مقاله ارائه الگوریتم جدید برای شمارش افراد موجود در تراکم جمعیت با استفاده از فیلتر کالمن و استخراج ویژگیهای بافت تصویر و طبقه بند، ماشین بردار پشتیبان است. باقیمانده مقاله به شرح زیر سازماندهی شده است. در بخش 2 روش پیشنهادی برای شمارش افراد بیان میگردد. در بخش 3 به بررسی نتایج روش پیشنهادی و همچنین مقایسه میپردازیم و درنهایت در بخش 4 جمعبندی میگردد.

-2 روش پیشنهادی

مراحل روش پیشنهادی بهمنظور شمارش افراد موجود در تراکم جمعیت در شکل 1 نشان دادهشده است.

-1-2 جداسازی شیء از پسزمینه

در مرحله اول که مدلسازی پسزمینه و جداسازی اشیاء متحرک است، از فیلتر کالمن استفادهشده است. فیلتر کالمن یک تکنیک بازگشتی است که بهطور گستردهای در سیستمهای دینامیک خطی که تحت تأثیر نویز گوسی قرار دارند، استفاده میشود و انواع مختلفی از آن برای مدل کردن زمینه پیشنهادشده است، که تفاوت آنها به فضای حالت استفادهشده برمیگردد. سادهترین نوع آن فقط از شدت روشنایی پیکسلها استفاده میکند. در برخی موارد از مقادیر شدت و مشتقهای زمانی و در نمونههای دیگری از شدت و مشتقهای مکانی استفادهشده است. حالت داخلی سیستم بهوسیله شدت پسزمینه   و مشتق زمانی آن   مشخص میشود که با استفاده از روابط زیر بهصورت بازگشتی بروز میگردند.

-2-1-1 عملیات ساختاری

عملیات ساختاری به عملیاتی گفته میشود که بر روی تصاویر باینری اعمالشده و هدف از آن ایجاد تغییر و یا تصحیح در اجزا داخل یک تصویر باینری است. این عملیات معمولاً یک مرحله قبل از عملیات پردازش نهایی انجام میشود. از میان این عملیات دو نوع از مهمترین آنها یعنی عملیات افزایش و عملیات فرسایش بر روی تصاویر دیتابیس Pets2009 اعمال شده است که نتایج آن در شکل 3 نشان داده شده است.

-2-2 استخراج ویژگی

مرحله دوم استخراج ویژگی از اشیاء متحرک جداسازی شده در مرحله قبل است. در استخراج ویژگی به دنبال ویژگیهایی هستیم که توسط آنها بتوان تصویر و اشیاء درون آن را بهخوبی توصیف کرد. بافت معیاری از تغییرات شدت روشنایی سطح است، که ویژگیهایی مثل نرمی، یکنواختی و ... را کمیسازی میکند. در مقایسه با رنگ، بافت به یک مرحله پردازش بیشتر برای تولید توصیفکنندههای آن نیاز دارد.

تعداد متنوعی از توصیفکنندههای بافت وجود دارد مثل LBP، MRF، ویژگیهای حوزه فرکانس و ویژگیهای آماری مربوط به اطلاعات متقابل بین دو تصویر و ویژگیهای مربوط به مسیر حرکت شیء است. در روشهای آماری ، اطلاعات مربوط به بافت از ویژگیهای آماری پیکسلها استخراج میشود. در روش پیشنهادی از ویژگیهای آماری مرتبه دوم استفاده شده است. آمار مرتبه دوم علاوه بر اندازه سطح خاکستری هر پیکسل، ارتباط آن پیکسل و پیکسلهای مجاور را نیز در نظر میگیرد.

-2-2-1 ماتریس هم رخداد سطح خاکستری

ماتریس هم رخداد سطح خاکستری - GLCM - اولین بار توسط هارالیک معرفی شد GLCM .>21@ یک ماتریس Ng x Ng است، که در آن Ng تعداد سطحها خاکستری در تصویر ورودی است. تعداد تکرار جفت پیکسل در ماتریس هم رخداد سطح خاکستری شمارش و بروز میگردد. GLCM میتواند برای چهار جهت مختلف 0 و 45 و 90 و 135 ایجاد شود. شکل 4 اعمال ماتریس GLCM در دو جهت 0 و 45 را نشان میدهد.

برای استخراج ویژگیهای آماری مرتبه دوم، ماتریس هم رخداد سطح خاکستری باید نرمالیزه و متقارن شود. برای ایجاد یک ماتریس متقارن، ابتدا باید ترانهاده GLCM را بگیریم و آن را به GLCM اصلی اضافه کنیم. برای به دست آوردن یک ماتریس نرمالیزه، مجموع تمام عناصر در یک GLCM را محاسبه و هر یک از عناصر ماتریس را از مجموع بهدستآمده، تقسیم میکنیم. از GLCM متقارن نرمالیزه شده، ویژگیهای بافت استخراج میشوند. مراحل استخراج ویژگیهای آماری مرتبه دوم در شکل 5 نشان دادهشده است.