بخشی از مقاله
چکیده- در این مقاله روشی کارا بمنظور کالیبراسیون دوربین و بدستآوردن ابعاد خودروها بصورت تمام اتوماتیک و بدون نیاز به تنظیمات کاربر ارائه دادهایم. در این روش، ابتدا با استفاده از چندین فریم ویدئوی ورودی مشخصات دوربین و مختصات نقاط محوشدگی مشخص میگردد. سپس با شناسایی خودروهای متحرک و استفاده از پارامترهای دوربین، جعبه محیطی خودرو تشکیل می-شود و با تصویر کردن جعبه خودرو بر روی صفحه زمین، پس از شناسایی چند خودرو، ضریب متریک با توجه به اطلاعات آماری خودروها بدستمیآید.
تصویر کردن جعبه خودروها بر صفحه زمین و استفاده از ضریب متریک این امکان را فراهم میکند که ابعاد واقعی خودروها در هر قاب مشخص گردد. ساختار روش پیشنهادی قابلیتهای مناسبی برای آن در کاربردهای آنالیز ترافیک فراهم می-کند، بعنوان مثال میتواند در الگوریتمهای تشخیص نوع و سرعت خودروهای متحرک مورد استفاده قرار گیرد. بررسی نتایج روش پیشنهادی بیانگر دقت بالا و سرعت مناسب این روش است.
-1 مقدمه
در حال حاضر در بسیاری از جادهها از ابزارهایی مانند رادار و لیزر برای بررسی ترافیک استفاده میشود که اطلاعات حاصله از این روشها محدود است و غالبا فقط سرعت خودرو یا نوع خودرو را مشخص میکنند. همچنین هزینه سختافزاری بالایی نیز دارند. یکی از زمینههای مورد علاقه در بینایی ماشین و پردازش تصویر در سالهای اخیر، استفاده از ویدئوی دوربینهای جادهای برای آنالیز ترافیک و بدستآوردن سایر پارامترهای مربوط به وسایل نقلیه میباشد. از اصلیترین مسائل در رابطه با استفاده از دوربینهای جادهای برای تحلیل ترافیک، کالیبراسیون دوربین است.
کالیبراسیون یعنی تخمین پارامترهای داخلی و خارجی مدل دوربین؛ کالیبرهکردن دوربین امکان مقابله با پرسپکتیو و اندازهگیری ابعاد واقعی اجسام موجود در صحنه را فراهم می-کند.[1] اکثر روشهایی که تاکنون برای کالیبراسیون دوربین ارائه شدهاند نیازمند تعیین برخی پارامترهای مربوط به جاده یا دوربین مانند فاصله بین خطوط جاده [2] یا متوسط سرعت خودروها در جاده [3] و یا ارتفاع دوربین از سطح جاده [4,5, 6]توسط کاربر هستند. کَدی[7] و همکارانش برای کالیبره کردن دوربین از یک نقطه محوشدگی استفاده کردهاند و برای تعیین مختصات این نقطه محوشدگی از راستای خطوط جاده بهرهبردهاند.
در این روش برای تبدیل پیکسل به متر، ضریب متریک با توجه به طول خطوط جاده بر حسب پیکسل در تصویر و طول واقعی خطوط جاده بر حسب متر، بدستآمدهاست. در[8] ابتدا خودروها شناسایی میشوند، سپس پلاک خودروها آشکار میگردد و با ردیابی پلاک، سرعت خودرو مشخص میشود. در [9] برای شمارش تعداد خودروها و بدستآوردن پارامترهای خودرو در شب، چراغهای خودرو شناسایی و ردیابی میشوند. برای کالیبره کردن دوربین این روش نیازمند زاویه و ارتفاع دوربین از سطح جاده است.
اکثر روشهایی که مورد بررسی قرار دادیم برای کالیبراسیون نیازمند ورود اطلاعاتی در مورد صحنه یا دوربین توسط کاربر هستند، به این معنی که تنظیمات این روشها برای هر جاده متفاوت است. علاوه بر این اطلاعاتی که در اختیار کاربر قرار می-دهند محدود است. برای استفاده راحتتر از روشهای تحلیل ترافیک، نیازمند روشی هستیم که بطور تمام خودکار و بدون نیاز به تنظیم دستی امکان استفاده در جادهها را داشتهباشد. همچنین برای تحلیل دقیقتر رفتار خودروها در جاده نیازمند روشی هستیم که اطلاعات جامعتری در مورد خودروها در اختیارمان قرار دهد.
دوبسکا و همکارانش در [10] روشی تمام خودکار برای کالیبراسیون دوربین و آنالیز ترافیک ارائه دادهاند. در این روش با توجه به حرکت خودروها نقاط محوشوندگی اول و دوم در راستای موازی با جاده بدستمیآیند و با استفاده از این دو نقطه پارامترهای دوربین و نقطه محوشدگی سوم که در راستای عمود بر سطح جاده است، مشخص میشوند. سپس با مدل کردن پس-زمینه و شناسایی محدوده خودروی متحرک، جعبه محیطی خودرو تشکیل میشود و نهایتاً با اعمال یک نگاشت و استفاده از ضریب متریک ابعاد واقعی خودرو بر حسب متر بدستمیآید.
ضریب متریک در این روش بطور خودکار و با استفاده از اطلاعات آماری ابعاد خودروها تعیین میشود. تشخیص ابعاد خودرو اهمیت فراوانی در الگوریتمهایی که اخیراً برای شناسایی کلاس و نوع خودرو ارائه شده دارد[11]، مقایسه ابعاد بدستآمده توسط الگوریتم با ابعاد متعلق به خودروها امکان شناسایی بهتر نوع خودرو را فراهم میکند.
در روش پیشنهادی هدف اصلی ارائه الگوریتمی تمام اتوماتیک و کارا در زمینه تحلیل ترافیک است. در این روش نقاط محوشدگی، پارامترهای دوربین و ضریب مقیاس بصورت اتوماتیک با توجه به حرکت و اطلاعات آماری ابعاد واقعی خودروها مشخص میشوند، بدستآوردن سه نقطه محوشدگی و ضریب مقیاس این امکان را فراهم میکند که بتوانیم با توجه به محدوده خودروها ابعاد سه بُعدی خودروها را مشخص کنیم. ساختار روش پیشنهادی به گونهای است که نسبت به روش مشابه دوبسکا[10] برتری دارد.
بعنوان مثال روش دوبسکا در مقابل سایه و تغییرات نورپردازی محیط مقاومت مناسبی ندارد و در مواردی قادر نیست خودروهای متحرک را به خوبی و دقیق شناسایی کند که این خود باعث ایجاد خطا بر روی ابعاد تخمینی میشود. همچنین بدلیل پیچیدگی محاسباتی برخی از مراحل، این روش از سرعت کمی برخوردار است. در الگوریتم پیشنهادی برای آشکارسازی خودروهای متحرک از روشIGMM[12] استفاده کردیم که دقیق است و مقاومت مناسبی در مقابل سایه و تغییرات نورپردازی دارد. همچنین سعی کردیم تا حد امکان الگوریتم طوری طراحی شود که محاسبات اضافی نداشتهباشد و سرعت افزایش یابد. در ادامه مقاله مراحل روش پیشنهادی را بطور کامل تشریح میکنیم و در پایان به بررسی و مقایسه نتایج روش پیشنهادی با سایر روشها خواهیمپرداخت.
-2 الگوریتم پیشنهادی
تصویر شکل1 مراحل الگوریتم پیشنهادی را نمایش می-دهد، با توجه به شکل روش پیشنهادی در حقیقت از دو بخش کلی تشکیل شدهاست. بخش اول که درون کادر قرمز رنگ قرار گرفته در حقیقت نوعی پیشپردازش است. در این بخش نقاط محوشوندگی و فاصله کانونی دوربین با استفاده از مسیر حرکت و اطلاعات لبهای خودروها در چند قاب اول ویدئوی ورودی تعیین میشوند، لازم به ذکر است این پارامترها فقط یکبار در ابتدای کار محاسبه میشوند.
در بخش دوم که در شکل 2 با کادر سبز رنگ مشخص شده، ابتدا پیشزمینه با حذف اثرات نامطلوب نویز و سایه مشخص می-شود و محدوده محیطی خودروها بطور دقیق تعیین میگردد. سپس با استفاده از نقاط محوشدگی جعبه محیطی خودرو بدستمیآید. با مشخص شدن جعبه خودرو نوبت به محاسبه ابعاد واقعی خودرو میرسد. مراحل مربوط به محاسبه ابعاد واقعی در شکل با کادر خط چین مشخص شده. برای این منظور در مرحله اول مختصات گوشههای جعبه هدف بر روی صفحه زمین تصویر میشود تا مختصات معادل گوشهها بر صفحه زمین مشخص شود.
در ادامه با توجه به مختصات گوشههای هدف بر روی صفحه زمین، طول، عرض و ارتفاع خودروها بر حسب پیکسل محاسبه-میشود. لیکن برای بیان این پارامترها بر حسب متر نیاز به یک ضریب متریک داریم که با توجه به اطلاعات آماری ابعاد متریک خودروها، ضریب متریک در فریمهای اول پس از شناسایی چند خودرو محاسبه میشود. لازم به ذکر است ضریب متریک ضریبی ثابت است و فقط یکبار و در چند فریم اول ویدئو محاسبه می-گردد. در فریمهای بعدی با استفاده از ضریب متریک ابعاد واقعی هر خودرو با دقت بالا بدستمیآید. در ادامه هر کدام از مراحل روش پیشنهادی را بطور کامل مورد بررسی قرار میدهیم.
-1-2 کالیبره کردن دوربین با توجه به جاده و حرکت خودروها
در الگوریتم پیشنهادی بمنظور کالیبره کردن دوربین از روش ارائه شده در [1] استفاده میکنیم. این روش قادر است مختصات نقاط محوشوندگی و فاصله کانونی دوربین را بطور تمام خودکار با استفاده از چند قاب اول ویدئوی نظارتی بدستآورد. شکل شماره 2 راستای نقاط محوشدگی را برای یک ویدئو نمایش میدهد. در این شکل محور قرمز راستای نقطه محوشدگی اول، محور سبز راستای نقطه محوشدگی دوم و محور آبی راستای نقطه محوشدگی سوم را نشان میدهد. همچنین مرکز تصویر - نقطه - با دایره کوچک سبز رنگ مشخص شده. لازم به ذکر است مختصات نقاط محوشوندگی همچنین فاصله کانونی فقط یکبار و با استفاده از چند دقیقه از ویدئوی ورودی محاسبه میشوند و در ادامه نیازی به محاسبه آنها نیست.
-3-2 تشکیل جعبه خودرو
تشکیل جعبه محیطی خوردر روال ثابت و مشخصی دارد که در [10,11,13]هم از همین روال استفاده شدهاست. گام اول برای تشکیل جعبه خودرو، بدستآوردن خطوط مماس با بیشترین و کمترین زاویه نسبت به هر نقطه محوشدگی میباشد. بدین منظور از هر پیکسل که خودرو تشخیص دادهشده به تک-تک نقاط محوشدگی خطی رسم و زاویه این خط را بدستآورده و در انتها بیشینه و کمینه زاویه را برای هر نقطهی محوشدگی شناسایی میکنیم.
این دو زاویه دو خط را برای هر نقطه محوشدگی نشان میدهند که از دید آن نقطه محوشدگی خودرو بین این دو خط میباشد، شکل 3 خطوط مماس برای یک خودرو را نشان میدهد. در این شکل خطوط ابی رنگ مماسهای ترسیم شده به سمت نقطه محوشدگی سوم، خطوط قرمز رنگ مماس-های ترسیمی به سمت نقطه محوشدگی دوم و خطوط سبزرنگ مماسهای ترسیم شده به سمت نقطه محوشدگی اول هستند.
-2-2 شناسایی محدوده خودروهای در حال حرکت
با توجه به متحرک بودن خودروها، میتوان برای شناسایی محدوده خودروها از روشهای آشکارسازی پیشزمینه استفاده کرد. تاکنون روشهای متعددی برای مدل کردن پسزمینه و شناسایی پیشزمینه ارائه شدهاست. در روش پیشنهادی انتخاب روش مناسب برای شناسایی محدوده دقیق خودروها از اهمیت ویژهای برخوردار است و تاثیر بسزایی در افزایش کارایی و بهبود پاسخ آن دارد.
همچنین مدل کردن پسزمینه و شناسایی پیش-زمینه با چالشهای فراوانی از جمله نویز فراوان، تغییر نور محیط و بروز سایه در طول روز روبرو است. بر همین اساس و با توجه به انجام آزمایشهای متعدد بر روی روشهای مختلف؛ استفاده از روش ارائه شده در [12] را برای مدل کردن پسزمینه و شناسایی خودروهای متحرک پیشنهاد میکنیم. این روش که یک روش وفقی بهبود یافته بر اساس مدل ترکیبی گوسی - - 1IGMM است، سرعت بالایی دارد و مقاومت خوبی در برابر سایه نرم و نویز از خود نشان میدهد. ضمن اینکه قابلیت بروزرسانی در طول زمان را دارد.
گام دوم بدستآوردن مختصات گوشهها و ترسیم جعبه محیطی خودرو است. جعبه خودرو باید بگونهای بدستآید که خودرو را بطور کامل در برگیرد و تاحد امکان کوچکتر و یا بزرگتر از محدوده سه بُعدی خودرو نباشد. بسته به نحوه قرارگیری خودرو در جاده ترسیم جعبه میتواند کمی متفاوت باشد. نحوه ترسیم و بدستآوردن مختصات جعبه در [13] بطور کامل مورد بررسی قرار گرفته و در اینجا بصورت مختصر این موضوع را برای یک خودرو مورد بررسی قرار میدهیم.
پس از بدستآوردن خطوط مماس برای خودرو، نقاط A، B، C، D،F، G از برخورد دو خط مماس بدستمیآیند. دقت شود این نقاط باید بگونهای در نظر گرفتهشوند که چند ضلعی ABFGDC محدوده خودرو را بطور کامل دربرگیرد و از طرفی پیکسلهای پسزمینه تا حد امکان در محدوده این چند ضلعی قرار نگیرند، تصویر سطر اول شکل 4 نقاط نامبرده را برای یک خودرو نشان میدهد.
