بخشی از مقاله
چکیده- یکی از کاربردهای عکسهای هوایی، شناسایی جاده و ماشین در تصاویر است. در این مقاله بر روی شناسایی خودروها در جادههای برونشهری تمرکز شده است. یکی از مشکلاتی که در این زمینه وجود دارد موضوع تغییر ارتفاع تصویربرداری است. هدف در این تحقیق پیشنهاد الگوریتمی است که بتواند در ارتفاعهای مختلف تصویربرداری با میزان محاسبات و مراحل اندک، خودروها را در تصویر تشخیص دهد.
درروش پیشنهادی ابتدا با کمک لبهیاب سوبل و پیدا کردن گوشهها توسط فیلتر هریس، نقاط کاندید بهدست میآید. سپس با استفاده از انتگرال تصویر، بلوکهای کاندید استخراج میگردد و درنهایت با استفاده از یک کلاس بند خطی محل خودرو تشخیص داده میشود. نتایج پیادهسازی روش پیشنهادی بر روی تصاویر بهدستآمده از گوگل مپ نشان میدهد که از بین روش های مختلف برای استخراج ویژگی و کلاسبندهای متفاوت، روش پیشنهادی با استفاده از کلاسبند K نزدیکترین همسایه با روش استخراج ویژگی هاگ با دقت %72,41 و بازخوانی %70 دارای بهترین دقت در پیدا کردن خودرو بین روشهای مختلف مقایسه شده میباشد.
-1 مقدمه
شناسایی خودروها از تصاویر هوایی کاربردهای متفاوتی دارد، بهعنوانمثال میتوان از آن برای مدیریت جریان ترافیک، بهرهبرداری مناسب از فضای پارکینگها، نقشههای شهری و شناسایی خودروهای غیرمجاز در مناطق حساس استفاده کرد. پژوهشهای مختلفی برای شناسایی خودروها در تصاویر هوایی انجامگرفته شده است. ازجمله: در پژوهش [1]، با در نظر گرفتن سایهی خودروها در روز با استفاده از فضای رنگی RGB و استفاده از ویژگی رنگ آبی در تصویر به شناسایی سایه خودرو پرداخته است. در پژوهش [2]، با استفاده از روشهای لبه یابی و گوشه یابی تقارن به شناسایی خودرو در تصاویر اقدام نمودند.
در پژوهش [3] نیز با استفاده از ویژگی رنگ چراغقرمز پشت خودروها با سخت افزار ارزان توانستهاند خودرو را در شب تشخیص و ردیابی نمایند، در این روش با به دست آوردن فاصله نسبی و سرعت سایر وسایل نقلیه درآنواحد میتوان وضعیتهای خطرناک در رانندگی را هشدار داد. در پژوهش [4]، با استفاده از شدت روشنایی و محتوای رنگ و فیلتر 1کردن تصویر طی انجام چندین مرحله که شامل اصلاح جاده و کد کردن آن است به تشخیص خودرو میپردازد.
در پژوهش [5] با استفاده از تکنیک AutoColor قادر است وسایل نقلیه را در شرایط مختلف هواشناسی، ازجمله باران و سایههای قوی تشخیص دهد. در پژوهش [6] پردازش بر روی تصاویر ضبطشده از هواپیماهای بدون سرنشین بر روی مناطق برون شهری انجام شده است. در این پژوهش با استفاده از ویژگی گوشه، لبه و رنگ و سپس با استفاده از مجموعهای از روش های استخراج ویژگی و کلاس بندهای مختلف، به شناسایی وسایل نقلیه پرداخته شده است.
یکی از مشکلاتی که در مجموعه کارهای پیشین مطالعه شده وجود دارد، این است که برای تشخیص خودرو در تصاویر ماهوارهای،اولاً میزان محاسبات زیاد بوده و ثانیاً الگوریتمهای تشخیص خودرو نسبت به تغییر ارتفاع تصویربرداری مقاوم نبودند.[6] در روش پیشنهادی در این مقاله سعی شده است که با کاهش حجم محاسباتی، روشی پیشنهاد شود که مستقل از ارتفاع تصویربرداری از جاده، خودروها را در تصاویر ماهوارهای برونشهری تشخیص دهد.
مهمترین مزیتی که روش پیشنهادی نسبت به روش ارائهشده در [6] دارد، این است که نتیجهی اجرا نسبت به فاصلهی تصویربرداری حساس نیست و میتوان با تنظیم پارامترهای کلاسبندی و کنترل ابعاد مستطیلهای پیمایش تصاویر، نتیجهی قابلقبول را از هر فاصلهای به دست آورد؛ بنابراین میتوان از این روش برای شناسایی خودروها در جادهها در تصاویر ضبطشده از فاصلههای مختلف استفاده کرد.
در این مقاله از پایگاه تصاویر هوایی جادهای گوگل مپ2، برای انجام آزمایشها استفادهشده است. از مهمترین ویژگیهای این پایگاه، قابلیت دسترسی برای عموم محققان جهت تحقیقات بعدی است. پس از انتخاب پایگاه تصاویر برای آموزش و آزمایش، طی دو مرحله به شناسایی خودرو در تصاویر میپردازیم. در مرحله اول، پس از شناسایی ویژگیهای خودرو، استخراج چگالی ویژگیها و پالایش بر اساس رنگ، شناسایی سریع اولیه خودرو انجام میگیرد.
این مرحله بهمنظور کاهش محاسبات نهایی در تشخیص خودرو گنجاندهشده است. در مرحله دوم، پس از شناسایی اولیه خودروها در ارتفاعهای مختلف تصویربرداری در مرحله اول، بلوکهای کاندید خودرو از طریق روشهای استخراج ویژگی مشخصشده و به کلاس بندهای مختلف داده میشود. ادامه این مقاله بهصورت زیر سازماندهیشده است در بخش دوم الگوریتم پیشنهادی که شامل دو مرحله اصلی است، بهتفصیل بیانشده است. در بخش سوم به ارزیابی روش پیشنهادی و نتایج اجرای الگوریتم با متدهای مختلف استخراج ویژگی، بر روی کلاس بندهای مختلف پرداختهشده است و درنهایت در بخش چهارم، جمعبندی روش پیشنهادی و گامهای بعدی تحقیق آوردهشده است.
-2 الگوریتم پیشنهادی
الگوریتم پیشنهادی برای تشخیص خودروها، شامل دو مرحله اصلی است:
الف - شناسایی اولیه
ب - کلاسبندی اهداف
نمایی کلی از الگوریتم پیشنهادی در شکل 1 نمایش دادهشده است. مرحله شناسایی اولیه شامل 3 بخش شناسایی ویژگیها، استخراج چگالی و پالایش اولیه رنگ است. هرکدام از این بخشها بهتفصیل در ادامه بیانشده است. در مرحله دوم نیز عملیات کلاسبندی بر روی بلوکهای کاندید با استفاده از روشهای مختلف استخراج ویژگی انجام میگیرد و درنهایت خودروها در تصویر شناسایی میشوند.
-1-2 مرحله اول: شناسایی اولیه
-1-1-2 شناسایی ویژگیها
مرحله اول الگوریتم، شناسایی ویژگیهایی است که در وهلهی اول سبب تمایز خودرو از دیگر اشیاء تصویر میشود، درواقع فرآیندی است که در آن با انجام عملیاتی بر روی تصاویر، ویژگیهای بارز و تعیینکننده خودرو مشخص میشود. در این بخش با استفاده از این ویژگی که اتومبیلها نسبت به اشیا طبیعی دارای لبهها و بخصوص گوشههای بیشتری هستند، عملیات شناسایی ویژگیها بر اساس لبهها و گوشههای تصویر با استفاده از فیلتر هریس>7@3 انجام میگیرد که در آن ابتدا با استفاده از فیلتر سوبل [8]4 لبههای تصویر مشخص میشوند و سپس بر روی خروجی حاصل از فیلتر، عملیات گوشه یابی انجام میشود.
شکل 2 مربوط به جادهای در نزدیکی لاسوگاس در جنوب ایالت نوادا در آمریکا است. در شکل 3 نقاطی از تصویر که گوشه تشخیص دادهشدهاند بارنگ قرمز مشخصشدهاند. همانطور که مشاهده میشود، نقاطی از زمینه ی تصویر نیز دارای گوشه هستند؛ اما در مرحلهی بعد بیشتر این نقاط حذف میشوند. نکتهی مهم در این رابطه حجم محاسبهی بسیار کم آن است. در شکل 4 نواحی دارای نقاط قرمزرنگ، دارای بیشترین چگالی ویژگی و نواحی دارای نقاط آبی دارای کمترین چگالی ویژگیها هستند و مناطقی که با نقاط زرد نشان دادهشده دارای چگالی مابین مناطق قرمز و آبی هستند.
-2-1-2 استخراج چگالی ویژگیها
این مرحله شامل استخراج چگالی ویژگیها است، درواقع مناطق مستطیل شکلی از تصویر که دارای تعداد گوشههای بیشتری باشند، دارای چگالی بیشتری نیز خواهند بود و احتمال آنکه تعداد زیاد این گوشهها مشخصکننده گوشههای اتومبیل باشند، بالا خواهد بود. تعداد ویژگیها از طریق محاسبهی انتگرال چهارگوشهی مستطیل محاسبه میشود.
پس از تعیین میزان چگالی ویژگیها در تصویر با مشخص کردن حد آستانه، نواحیای که مقدار چگالی ویژگیهای آنها کمتر از مقدار آستانهی تعریف شده باشد دور ریخته میشوند. در این تحقیق نتیجه برای مقادیر آستانهی مختلف بررسی شد که از میان آنها مقدار 10 بهترین نتیجه را داشته است. این بخش با دور انداختن نواحی زائد، پایان مییابد و تصویر حاصل به بخش بعدی فرستاده میشود.
-3-1-2 پالایش5 بر اساس رنگ
بخش سوم از مرحله اول، پالایش تصویر بر اساس ویژگی رنگ است، که در آن نقاطی که همرنگ پس زمینه هستند حذف میشوند. در مرحله ی قبل تعدادی از نواحی اضافی با تعیین حد آستانه حذف شدند و در این مرحله بر اساس ویژگی رنگ پالایش انجام میشود. لزوماً هر ناحیهی مستطیل شکلی اتومبیل نیست و ممکن است برخی از نواحی زمینه به شکل مستطیل باشند؛ بنابراین با توجه به میزان پراکندگی رنگ های موجود در مستطیل و مشخص کردن مقدار آستانه، تعدادی از نواحی که تنها حاوی پسزمینه هستند - به دلیل یکنواختی رنگها در آن - ، حذف میشوند. مشکلی که در اینجا ممکن است به وجود آید، عدم تشخیص وسایل نقلیهی همرنگ زمینهی تصویر است.
