بخشی از مقاله
چکیده
امروزه افزایش وسایل نقلیه و جوابگو نبودن سیستم های کنترل سنتی، باعث ایجاد سیستم های کنترل ترافیک بهصورت هوشمند شده است. این عامل، سبب کنترل و مدیریت بهتر شهری و افزایش ضریب اطمینان جاده ها و بزرگراه ها میشود. هدف اصلی این تحقیق تشخیص و شمارش وسایل نقلیه با استفاده از تکنیک های یادگیری و بینایی ماشین میباشد.
در این پژوهش ما از یک دوربین ثابت که در ارتفاعی مناسب از سطح جاده و با زاویه کم قرار می گیرد برای عملیات نظارت ترافیکی استفاده کردهایم. برای انجام روشهای ارائهشده ، یک قسمت از بزرگراه را انتخاب میکنیم تا پردازش های لازم در محدوده موردنظر انجام گیرد. الگوریتم استفادهشده شامل سه مرحله کلی میباشد.
ابتدا با تکنیک های پردازش تصویر وسایل نقلیه متحرک درصحنه های ترافیک تشخیص داده میشود. در مرحله بعدی وسایل نقلیه نزدیک به دوربین انتخابشده و عمل پردازش و استخراج ویژگیهای موردنظر انجام میگردد. این ویژگی ها به شبکه عصبی اعمال میگردد، به صورتی که خروجی شبکه عصبی تعداد وسیله نقلیه عبوری را مشخص میکند.
مدل ارائه شدهقادربهتشخیص وشمارشخودروهایسبکوسنگینمیباشد. الگوریتم پیشنهادشده قادر به شمارش وسایل نقلیه عبوری در زمان واقعی میباشد. برای این منظور ما از چهار روش استفاده کردیم. روش اول استفاده از الگوریتم حباب بود الگوریتم دیگر ارائهشده استفاده از روش دایره ،کرنر و ترکیب آنها میباشد. نتایج بدست آمده از آزمایشات ارزیابی سیستم نشان می دهد که روش ترکیب با بهره گیری از شبکه عصبی کمترین خطا را در تشخیص تعداد خودروها را دارد.
مقدمه
یکی از معضلات زندگی مدرن در سالهای اخیر رشد سریع ترافیک شهری و بهتبع آن افزایش زمان تلفشده خودروها پشت صفهای طولانی ترافیک، اتلاف سوخت و افزایش آلایندههای زیستمحیطی است که بهصورت مستقیم بر کیفیت زندگی شهری اثر نامطلوب دارد. از کاربردهای مهم بینایی ماشین میتوان به نظارت بر ترافیک بزرگراهها اشاره نمود.
مشکل شناسایی وردیابی وسایل نقلیه با استفاده از دوربینهایی با زاویه کم، با ترکیب شناسایی شیشه جلو اتومبیل و ویژگی خوشهبندی نقاط و بهطور مؤثر ترکیب چندین ویژگی اولیه تصویر مانند رنگ، لبه و نقطه موردعلاقه موردبررسی قرارگرفته است.در این پژوهش بامطالعه آنها بامطالعه ویژگیهای مختلف ناهمگن و چند مدل خودرو، حداقل دو مورد بهبود نسبت به روشهای موجود به دست آمد.دقت تشخیص بالاتر و توانایی تشخیص انواع مختلفی از وسایل نقلیه. آزمایشهای انجامگرفته در دنیای واقعی، در ویدئوهای ترافیک، علاوه بر بیان مزایای ادغام ویژگی عملکرد را نیز بهبود داد - حقیقت وصفا بخش،. - 1382
با توجه به ماهیت زاویه کم دوربینهای مداربسته ترافیکی نصبشده در دنیای واقعی، تشخیص خودرو در چنین مواردی، با یک چالش و مانع اساسی روبهرو میشود. یانگ وهمکاران بهجای تشخیص خودرو در کل، یک الگوریتم تشخیص خودروبر اساس شیشه جلو خودرو پیشنهاد نمودند. با تشخیص شیشه جلو اتومبیل بهطور مستقیم، الگوریتم مناسب در تشخیص موانع به دست آمد. همراه با کالیبراسیون دوربین وردیابی خودرو، سیستم قادر به ارائه تخمین حالت ترافیکی بهصورت مطمئن بود. آزمایشها بروی ویدیوها با ترافیک واقعی عملکرد بهتری از سیستم ارائهشده در مقایسه با آخرین تکنولوژی موجود را نشان داد - . - yang et al,2010
مشکل خوشهبندی ویژگیها با فرموله نمودن و استفاده از MCMC برطرف شد. روش پیشنهادی دو مزیت نسبت به روشهای موجود ارائه میداد. استفادههای مدل بیزین عمومی که قادر به بررسی توابع هدف دلخواه بودند و MCMC که یکراه حل بهینه جهانی را ضمانت مینمود. الگوریتم پیشنهادی دنباله ویدئوئی در دنیای واقعی را بهصورت معتبر و موثق ارائه میداد و نتایج نشان دادند که روش به کار گرفتهشده، بهتر از آخرین فناوریهای موجود عمل نمود - yang et . - al,2009
در پژوهش دیگر،شرایط بزرگراه پرازدحام و شلوغ که در آن ردیابی خودروهای شخصی در ترافیک سنگین یک مشکل به شمارمی رفت موردبررسی قرار گرفت. چراکه در آن حالت وسایل نقلیه موجب بسته شدن راه همدیگر و یا اتصال به هم توسط سایهشان میشدند. علاوه بر این، صحنههای مربوط به ویدیوهای مانیتورینگ ترافیکمعمولاً به دلیل شرایط آب و هوایی و یا فشردهسازی ویدئوئیمعمولاً داری نویز بود.
آنها روشی ارائه دادند که قادر بود وسایل نقلیه را بهوسیله ردیابی حرکات نقاط ویژگی و تخصیص و قطعهبندی قطعات تصویر برای بردار حرکت که بهترین نحوه برای نمایش حرکت قطعه است، جدا نماید. آزمایشها بر روی فیلمهای ترافیک گرفتهشده از بزرگراههای ترکیه، انجام گرفت و روش مورداستفاده با موفقیت قادر به جداسازی صحنههای و شلوغ بود . - Lei et al, 2008 -
یکراه حل مبتنی بر ویدئو برای زمان واقعی تشخیص خودرو، بهمنظور شمارش با استفاده از یک دوربین نظارتی بر یک محلنسبتاً بالا برای دستیابی به جریان ویدئوئی ترافیک توسط یانگ وهمکاران ارائه شد. دو روش عمده مورداستفاده در این سیستم بودند از: تخمین پسزمینه تطبیقی و حذف سایه گاوسی. اولی تشخیص حرکت قوی بهخصوص درصحنههای پیچیده را ممکن ساخت. دومی مبتنی بر فضای رنگ HSV بود که توانایی رویارویی با شدتها واندازههای مختلف سایهها را داشت.
پسازاین دو عملیات یک تصویر همراه با استخراج حرکت وسیله نقلیه به دست آمد، سپس عملیات شمارش توسط یک روش بنام آشکارسازی مجازی به اجزا درآمد - . - yang et al,2011 روش جدید از آنالیز محدوده ویدئوئی برای شمارش وسایل نقلیه که در آن از یک محدوده سازگار با اندازه جعبه - محفظه - برای تشخیص وردیابی وسایل نقلیه مطابق با برآورد فاصله از دوربین با توجه به هندسه دوربین بود،مورداستفاده گردید.
آنها در این پژوهش به ترتیب یک پسزمینه افتراقی سازگار و فیلتر کالمن برای تشخیص جاده یا خودرو وردیابی به کار گرفته شد.آنها اثربخشی روش پیشنهادی برای شمارش خودروها بر اساس چند ویدئو ضبطشده در دورههای زمانی مختلف در یک روز و در یک محل در شهر استانبول را نشان دادند - . - Bas et al,2007 روشهای مبتنی بر مسیر دستهبندی، عملکرد خوبی را در شمارش اجسام در حال حرکت درصحنههای شلوغ نشان دادهاند.بااینوجود،آنها هنوز درصحنههای پیچیده ازجمله مجاورت اجسام در حال حرکت، قطعات اجسام که بهطور آزادانه درحرکت هستند و اندازه مختلف جسم در مکانهای مختلف صحنه، با مشکلاتی مواجه میشوند.
این پژوهش، یک روش جدید راهنماهای ترکیب سرعت و مکان خاص فضایی را در مسیرها برای مقابله با این مشکلات ارائه گردید.تابعی برای اندازهگیری تشابه مسیرهای ادغام کنندهی راهنماهای فضایی و سرعت، معرفی شد.این تابع درروش دستهبندی تغییر متوسط برای کاهش اثر قطعات در حال حرکت آزادانهی اجسام به کار رفت.روشی برای یادگیری توزیع اندازه با مکان خاص در اجسام در مکانهای متفاوت صحنه، بهمنظور نشان دادن مشکل اندازههای متنوع جسم در مناطق مختلف صحنه، پیشنهاد میشود.
نتایج تجربی نشان داد که روش پیشنهادی ما ، عملکرد قابل قبولی را ارائه داد.در مقایسه با سایر روشهای دستهبندی مبتنی بر مسیر، این روش نسبت خطای شمارش را در حدود %10 کاهش داد - . - Hasamzadeh et al,2014 در پژوهش دیگر، یک سیستم کامل برای تحلیل رفتار ترافیکی یک خودرو درزمینه برنامههای کاربردی نظارت فیلم ترافیکی زمان واقعی، نشان داده شد.با دریافت تصاویر از طریق دوربین نظارتی فیلم در فاز اول، میتوان از مدل ترکیب گاوسی در هر فریم برای دستیابی به یک تصویر پسزمینه دقیق استفاده گردید.
این روند تا زمان به دست آمدن، تصاویر پسزمینه دقیق ، ادامه یافت. - مرحله آموزش - در فاز دوم، تصاویر دریافت شده همراه با تصاویر آموزشی برای انتخاب خودروها - اجسام متحرک - بر اساس تحلیل، تجزیهوتحلیل شدند.در فاز سوم، یک بلوک سبز هر خودرو را بهمنظور شمارش آنها احاطه میشود.در جهت حل مشکلات، فاز دوم از ادغام بلوکها که با سایر بلوکها همپوشانی داشتند، برای محاسبه حجم و تراکم دقت ترافیک استفاده شد.در فاز چهارم، جریان نوری برای محاسبه سرعت لحظهای خودروبر اساس روشهای پیشرفته لوکاس- کناد و هورن- شانک به کار میرفت.
