بخشی از مقاله
چکیده
بینایی ماشین و پردازش تصویر یکی از روش های مهم در زمینه شناسایی وسایل نقلیه و استخراج پارامترهای ترافیکی آن در اتوبان ها و خیابان ها می باشد. در این پژوهش از برخی عملیات پایهی پردازش تصویر و تکنیک آنالیز حباب برای شمارش و طبقه بندی خودروها استفاده شده است. ابتدا تصاویر ویدیویی را به فریم ها تبدیل می کنیم. سپس عملیات استخراج پس زمینه و نویزگیری انجام می شود تا حبابهای مربوط به وسایل نقلیه مشخص گردند. با پردازشهایی که بر روی حبابهای استخراج شده در مرحله استخراج پسزمینه انجام میشود، خودروهای مختلف شناسایی و شمارش میگردند.
از پارامترهای خروجی آنالیز حباب، یعنی مساحت، طول و عرض، و مختصات مرکز حباب شناسایی شده، با استفاده از دو روش مبتنی بر دانش و روش آموزش شبکه عصبی برای طبقه بندی خودروها به سه دسته خودروی شخصی، موتورسیکلت و اتوبوس استفاده شده است. در آزمایشات انجام گرفته از یک ویدئو شامل 1037 فریم استفاده شده است. در 425 فریم از ویدیو که مورد بررسی قرار گرفت، از 1670 خودروی موجود در تصاویر، 1346 خودروی قابل شمارش توسط آنالیز حباب و 1159 خودرو مورد شناسایی قرار گرفت که دقت این روش را برابر با 86/7 درصد نتیجه میدهد که نسبت به پژوهش های قبلی افزایش قابل توجهی داشته است.
-1 مقدمه
یکی از روش های شناسایی وسایل نقلیه و استخراج پارامترهای ترافیکی آن پردازش تصویر میباشد. در این پژوهش یک الگوریتم مبتنی بر پردازش تصویر برای اندازه گیری پارامترهای تعداد وسایل نقلیه ارائه شده است. هدف از انجام این پژوهش، پردازش تصاویر ویدیوئی صحنههای مربوط به ترافیک شهری برای تشخیص و ردیابی وسایل نقلیههای متخلف می باشد.
اگر بتوان وسایل نقلیههای موجود در صحنه مورد نظر را به درستی تشخیص و آنها را ردیابی کرد در این صورت به سادگی می توان وسایل نقلیه های متخلف را شناسایی نمود بنابراین موضوع اصلی این پژوهش به تشخیص و ردیابی صحیح وسایل نقلیه ها معطوف شده است . با توجه به مشکلاتی که در روشهای دیگر تشخیص و ردیابی وسایل نقلیه مشاهده شده است سعی شده است که الگوریتم جدیدی پیشنهاد شده در این پژوهش ، مراحل عملکرد سیستم تشخیص وسایل نقلیه را جهت شناسایی مورد بررسی قرار دهد.
سیستم تشخیص در ابتدا از محل عبور وسایل نقلیه اطلاعات بینایی را توسط یک دوربین وارد کامپیوتر میکند. کامپیوتر با دریافت متوالی این تصاویر آنها را جهت شناسایی وجود خودرو در یک پنجره مناسب مورد بررسی و پردازش قرار میدهد و با شناسایی خودرو فریم مربوط به آن را در حافظه کامپیوتر ذخیره میکند. تشخیص و شمارش اتومبیل ها در بزرگراه ها همواره مسئله ای چالش برانگیز بوده ا ست از برنامه ارائه شده می توان در کنترل جریان ترافیک و همچنین بررسی جریان و سرعت متوسط وسایل نقلیه و حرکت تراکم وسایل نقلیه در اتوبا ها و بزرگراه ها استفاده کرد علاوه بر این با انجام عملیاتی امکان پیش بینی وضعیت و ساختار ترافیک وجود دارد که کمک بسیار مهمی برای جلوگیری از تراکمهای بیجا است.
یکی از این سیستمها ،سیستم تشخیص وسایل نقلیه جادهای در تصاویر دوربینی با نرخ فریمی پایین میباشد. اجزای پایهای وسایل نقلیه از تصاویر استخراج می شودوسپس توسط دسته کنندههای برداری با نام - SVM - با یکدیگر ترکیب می شوند.این قبیل سیستم ها ، مشکل اساسی تشخیص وسایل نقلیه را در تصاویر ایستا برطرف نموده اند ، بعلاوه از تکنیکهای مبتنی بر نمونه های جمع آوری شده استفاده می کنند.
گاهی اوقات اجزایی از وسایل نقلیه در تصاویر قابل دسترسی نیستند و با موانعی مسدود شدهاند.با کمک یک الگوریتم تشخیص وسایل نقلیه مبتنی بر مشخصات محلی روی تصاویر بدست آمده از طریق مادون قرمز ، این مشکل حل می شوند.سیستم های ویدیویی نصب شده برروی سکوهای هوایی براساس انعطاف پذیری وتغییر پذیری آنها معرفی می شوند وتوانایی دارند نواحی وسیعی را جهت تشخیص از روی تراکم زمانی وفضایی داده ی نمونه پوشش دهند.
در مرجع [1] برای شناخت رفتار حرکتی وسایل نقلیه در قسمت اصلی آزادراه از دیدگاه خرد لازم است، موقعیت این وسایل در آزادراه در هر بازه زمانی مشخص باشد. در این پژوهش سیستمی ابداع شده است که با استفاده از الگوریتم های ساده پردازش تصاویر، موقعیت هر یک از وسایل نقلیه در آزادراه را تعیین می کند. ورودی سیستم تهیه شده یک فیلم ویدیویی از حرکت وسایل نقلیه وخروجی آن جدول موقعیت هریک از وسایل نقلیه مشاهده شده در فیلم مورد نظر است. به عنوان یکی از کاربردهای این سیستم نحوه تشخیص وسیله نقلیه ای که فاصله مطمئنه را رعایت نکرده معرفی شده است.
در مرجع [2] الگوریتم شمارش خودرو به تفکیک خودروهای سبک و نیمه سنگین و سنگین با کاربرد سیستم کنترل و نظارت، طراحی و پیادهسازی نمودند. در این مقاله یک الگوریتم مبتنی بر پردازش تصویر برای اندازهگیری پارامترهای تعداد خودرو ارائه شد. در الگوریتم ارائه شده پردازش بر روی هر فریم بهصورت جداگانه انجام گرفت. با استخراج یک پسزمینه دقیق، وسایل نقلیه بدون خطا شناسایی و بهطور همزمان دنبال و شمارش شد.
در مرجع [3] کاربردهای بینایی ماشین در حیطه ترافیک ومعرفی نظارت ترافیکی را بررسی نمودند. برای حل مسئله ترافیکخصوصاً برای کلان شهرها، استفاده از راهحلهای ابتدایی بر مبنای افزایش تعداد باندها ویا عریض سازیها به علت مشکلات ومحدودیتهای اجرایی خاص آنها چندان مقرون به صرفه بنظرنرسید.ازآنجاییکه استفاده از بینایی ماشین برای نظارت ترافیکی یکی از متداولترین روشهای کنترل ترافیک است ودر بسیاری از موارد بهترین کارایی را دارد، در این مقاله به کاربردهای بینایی ماشین در حملونقل وترافیک پرداخته شد.
در مرجع [4] ازتکنیکهای پردازش تصویر برای کنترل ترافیک هوشمند با استفاده از یک دوربین ثابت بهره بردند.آنها در ابتدا با استفاده از روش تفریق پسزمینه وعملیات مورفولوژی وسایل نقلیه عبوری را تشخیص دادند. این تصاویر از وسایل نقلیه را درون حباب پردازش قرار دادند ومرکز هر حباب بهعنوان نقطه ردیابی برای هر خودرو در نظر گرفته شد. سپس بهوسیله مختصات هندسی فاصله خودرو تا دوربین،سرعت متوسط وتعداد خودروهای عبوری نیزبه دست آمد. در مرحله آخر وسایل نقلیه عبوری نزدیک به دوربین انتخابشده وبا استخراج ویژگیها،طبقهبندی نیز صورت گرفت.
در مرجع [9] ادغام ویژگی را برای شناسایی وردیابی وسایل نقلیه با دوربینهایی با زاویه کم، موردبررسی قراردادند. در این مقاله، به مشکل شناسایی وردیابی وسایل نقلیه با استفاده از دوربینهایی با زاویه کم،با ترکیب شناسایی شیشه جلو اتومبیل وویژگی خوشهبندی نقاط و به طورمؤثر ترکیب چندین ویژگی اولیه تصویر مانند رنگ، لبه و نقطه موردعلاقه پرداخته شد.
آنها با مطالعه ویژگیهای مختلف ناهمگن وچند مدل خودرو، حداقل به دو مورد بهبود نسبت به روشهای موجود دست یافتند دقت تشخیص بالاتر و توانایی تشخیص انواع مختلفی از وسایل نقلیه وآزمایشهای انجامگرفته در دنیای واقعی،در ویدئوهای ترافیک، علاوه بر بیان مزایای ادغام، ویژگی عملکرد را نیز بهبود داد. در مرجع [10] یک سیستم شمارش ویدئویی مبتنی بر زمان واقعی با استفاده از روش پسزمینه تطبیقی را ارائه دادند.
در این مقاله یک راه حل مبتنی بر ویدئو برای زمان واقعی تشخیص خودرو، بهمنظور شمارش با استفاده از یک دوربین نظارتی بریکمحل نسبتاً بالا برای دستیابی به جریان ویدئوئی ترافیک ارائه شد. دو روش عمده مورد استفاده در این سیستم عبارتاند از: تخمین پسزمینه تطبیقی وحذف سایه گاوسی. 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.
-2 روش پیشنهادی
در این بخش، چندین روش برای تشخیص،ردیابی،طبقه بندی وشمارش انواع وسیله نقلیه در بزرگراه ها توسعه یافته اند. درادامه در زیربخشهای جداگانه هریک از متدهای ارائه شده را تشریح مینمائیم.
-2-2 حذف نویز از تصاویر
در تصاویر جداسازی شده - شکل-1ب - خطوط جاده و درخت ها دیده می شود. برای اینکه بتوان خودروها را تشخیص داد باید نویز تصاویر حذف شوند. برای حذف نویز تصاویر از فیلتر imopen استفاده شده است. 12]و[13 در شکل - 2 - تصویر نویزگیری شده از تصویر -1ب آورده شده است.
-1-2 تشخیص اشیای متحرک
معمول ترین روش برای آشکارسازی حرکت در یک دنباله از تصاویر تفاضل پسزمینه میباشد که بهوسیله آن بین دو فریم ورودی و یک مدل پسزمینه فیلم ویدیویی به دست می آید. در اینجا ما از روش foreground detector استفاده کرده ایم. این روش در تصاویر ویدیویی تصویر پیش زمینه را با استفاده از مدل مخلوط گوسی تشخیص می دهد.[11] تکنیک foreground detector در تصاویر رنگی یا سیاه سفید ویدیویی تک تک پیکسل ها برای تشخیص پیش زمینه بودن یا پس زمینه بودن پیکسل را مقایسه می کند، سپس ماسک پیش زمینه را محاسبه می کند.
-3-2 آنالیز حباب
درآنالیز حباب یک ناحیه مستقل در تصویر که به آن حباب نیز گفته میشود.متناظر با شیء تحت ردگیری قرار داده شده وسپس بااستفاده از یک روش محاسبه همبستگی متقابل با یک معیار فاصله مانند فاصله اقلیدسی ،این قطعه درطول زمان ردگیری میشود.نوعاً فرآیند ردگیری با روش تفاضل زمینه آغاز میگردد.این رهیافت درجایی که اشیاء بهطور آزاد وبدون تماس با یکدیگر در حال حرکت هستند خوب عمل میکند.ولی هنگامیکه تصاویر اشیا همپوشانی دارند.
عمل تقطیع یک شی بطورجداگانه بسیار مشکل میگردد.تصاویر اشیا به هم چسبیده یا رویهم افتاده با یکدیگر ترکیب شده وتشکیل یک حباب بزرگ درتصویر اشیا را میدهند. [8] درروش حباب از نقاط برجستهای برای مسیریابی اجسام متحرک استفاده میکنیم. اینروش نتیجهای که به ارمغان می آورد، وجود انسداد نسبی است که برای ردیابی اجسام متحرک روشهای مختلفی مانند روش حباب به وجود میآورد. در شکل - - 3 آنالیز حباب انجام شده روی تصویر شکل -1الف آورده شده است. خودروهای تشخیص داده شده با روش حباب با مستطیل مشخص شده است. تعداد خودروهای شخیص داده شده برابر با تعداد حباب های تشخیص داده شده می باشد.
