بخشی از مقاله
چکیده
در این مقاله الگوریتمی کارا جهت ردیابی اتومبیل در تصاویر ویدئویی با استفاده از ویژگی های رنگ و شکل اتومبیل ها و به کار گیری فیلتر ذره ای ارائه شد که به منظور بالاتر بردن دقت شناسایی فیلتر ذره ای در مرحله باز نمونه برداری آن از الگوریتم ژنتیک استفاده شد.
الگوریتم ژنتیک با کمک عملگرهای آمیزش و جهش می تواند از نمونه های با کیفیت بالا تولید نسل جدید کند و آنها را جایگزین نمونه های ضعیف تر کند. نتایج بدست آمده بیانگر این مطلب است که روش پیشنهادی قابلیت ردیابی مطمئن اتومبیل را با دوربین متحرک را دارد و توانسته است دقت عملکرد فیلتر ذره ای را در شناسایی، با کمک الگوریتم ژنتیک تا حدود قابل توجهی بالاتر ببرد.
-1 مقدمه
ردیابی شی یک مرحله ی مقدماتی برای بسیاری از کاربردهای سطح بالای بینایی ماشین است و با گسترش کاربردهای بینایی ماشینی در زندگی روزانه ی انسان هر روز بر اهمیت آن افزوده می شود. در ساده ترین شکل ردیابی می تواند بعنوان مساله ی تخمین مسیر حرکت یک شی وقتی که شی در صحنه حرکت می کند تعریف شود. از خروجی سیستم تشخیص و ردیابی اشیاء می توان در پردازش های مرتبه بالاتر مانند تعبیر و تفسیر حرکت، تشخیص نوع رفتار و نظایر آن استفاده نمود.
با توجه به کاربرد فراوان موضوع ردیابی در تکنولوژی های جدید، اهمیت این مسئله، بالاخص ردیابی اتومبیل ها آنقدر بالا است که بخشی از تحقیقات را به خود اختصاص دهد به همین منظور در این تحقیق، سعی بر آن شده است تا با ارائه روشی، بتوان بهبودی در عملکرد روشهای موجود ایجاد نمود تا سیستم هایی بادقت بالاتر طراحی شوند. در این مقاله هدف ردیابی اتومبیل در جاده است که توسط یک دوربین متحرک فیلمبرداری شده است.
سیستم های متنوع زیادی هستند که از الگوریتم های مختلف برای ردیابی اتومبیل و اشیا بر روی تصاویر و یا فیلم استفاده می کنند . مختصری از روشهای پردازش تصویر در [1] معرفی شده است که شامل آستانه گیری، لبه یابی، تفریق پس زمینه و تفریق داخل فریمی می باشند. از آنجاییکه این مقاله در رابطه با ردیابی اتومبیل بر روی فیلم است به جزئیات روشهای فوق اشاره نمی کنیم و مختصری از روشهای ردیابی در فیلم های ویدئویی را در اینجا بررسی می کنیم.
تکنیک هایی مانند کالمن فیلتر1، رشته های مارکوف مونت کارلو2، جریان نوری3 و فیلتر ذره ای4 به عنوان روشهای شناخته شده ی ردیابی اشیا هستند. اگرچه تعداد روشهای ارائه شده در این زمینه زیاد است ولیکن هر روش مزایا و معایب خاص خودشان را دارند. به عنوان نمونه، فیلتر کالمن، وضعیت شی را تخمین میزند و از اندازه گیری برای بروز رسانی تخمین حالت استفاده می کند. بنابراین کالمن فیلتر یک تخمین زننده است که فرآیندهای خطی را پیش بینی و حالت شی را تصحیح می کند
برای حل مسائل غیرخطی، کالمن فیلتر توسعه یافته می تواند استفاده شود تا روابط محاسباتی مربوط به اندازه گیری و تخمین را خطی نماید.
زنجیره مارکوف مونت کارلو نیز یکی از تکنیک هایی است که به منظور ردیابی خودرو استفاده می شود.[4] اگرچه این الگوریتم قادر به ردیابی اتومبیل های هم پوشانی شده با سایز نمونه های تطبیقی است اما این الگوریتم همچنان ناپایدار است و خطای نتایج ردیابی وجود دارد. علاوه بر این موارد، جریان نوری نیز به عنوان تکنیک شناخته شده ای برای ردیابی اشیا به کار می رود.
در تحقیقات [5] جریان نوری برای شناسایی و ردیابی اهداف متحرک به کار رفته است. ولیکن جریان نوری زمینه حرکتی تصویر گرفته شده را منعکس می کند. بنابراین زمانی که هم پوشانی اتفاق می افتد و یا اینکه شی متحرک توسط موانع گم می شود ، جریان نوری به سختی بر روی شی متحرک قرار گیرد. بنابراین فیلتر ذره ای به عنوان الگوریتم ردیابی در این مقاله مورد استفاده قرار گرفته است. زیرا این یک روش مطمین است که می تواند بر شرایط غیر خطی غلبه کند .
در تحقیقات [7] یک فیلتر ذره ای معمولی ، در طول ردیابی با مسئله انحطاط ذرات1 روبرو شد. پدیده انحطاط ذرات بدلیل پایین بودن وزن ذراتی است که پس از چند تکرار انتخاب می شوند بنابراین این مسئله جلوی پیشرفت های بیشتر الگوریتم را می گیرد.
در [8] بیان می شود که انحطاط ذرات با پیاده سازی تعداد زیادی ذره در این الگوریتم و یا با بارنمونه برداری2 ذرات حل می شود. ولیکن، پیاده سازی تعداد زیاد ذرات همواره بدلیل حجم عظیم محاسبات غیر عملی است. بنابراین، بازنمونه برداری ذرات راه حل مناسبی برای غلبه بر این مشکل می باشد .[9] علاوه بر این، ویژگی رنگ در تحقیقات [8] برای ردیابی اتومبیل و اشیای غیرصلب به کار رفته است. با توجه به نتایج نشان داده شده در آنها، الگوریتم با ویژگی رنگ می تواند به دقت اتومبیل را ردیابی نماید زیرا ویژگی رنگ نسبت به تغییر مقیاس، چرخش و مسدود شدن اتومبیل ها مقاوم است. ولیکن ویژگی رنگ در زمانی که پارازیت هایی در پس زمینه است و یا رنگ پس زمینه به هدف شبیه است ایجاد محدودیت می کند.
بعلاوه ، در تحقیقات [10] نشان داده شده است که الگوریتم ردیابی با چندین ویژگی نتایج ردیابی دقیق تری خواهد داشت. بنابراین در این مقاله با استخراج چند ویژگی از اتومبیل و به کار گیری فیلتر ذره ای و استفاده از عملگر ژنتیک در مرحله بازنمونه برداری، به ردیابی اتومبیل پرداخته است. نتایج آزمایشات نشان میدهد که با روش پیشنهادی اتومبیل هدف می تواند با دقت بیشتری ردیابی شود.
-2 فیلتر ذره ای
فیلتر ذره ای به دسته ای از فلیترها اطلاق می گردد، که در آن ها از روش های مونته کارلو - مونته کارلو دنباله ای - برای تخمین توزیع پسین استفاده شود. [11] قدرت این روش ها به توانایی آنها در توصیف مدل های غیرخطی - غیرگوسی مربوط می شود. به بیان دیگر از آنجایی که فیلتر ذره ای یک روش عددی برای تخمین سیگنال می باشد ، غیر خطی بودن مدل و یا غیر گوسی بودن نویز برای آن اهمیت ندارد. سادگی پیاده سازی آنها نیز از دیگر دلایل محبوبیت این دسته از روش ها می باشد.
فلیتر ذره ای در اصل پیاده سازی مبتنی بر نمونه برداری است که در آن چگالی احتمال پسین با مجموعه ای از ذرات وزن داده شده تخمین زده می شود . [12] در حالت کلی روش فیلتر ذره ای بر پایه سه مرحله مهم که مرحله پیش بینی3، اندازه گیری4 و بازنمونه برداری می باشد ، قرار دارد. در این مقاله در مرحله پیش بینی مجموعه ای از ذرات که انتقال حالت مدل اتومبیل را نشان میدهد تولید می شود. مرحله اندازه گیری مرحله ای است که وزن ذرات را بر اساس اندازه گیری احتمال محاسبه می نماید.
مرحله بازنمونه برداری نیز از وقوع مشکلات انحطاط ذرات جلوگیری می کند. در این مطالعه، فیلتر ذره ای برای ردیابی اتومبیل با وجود تغییرات دینامیکی توسعه داده شده است. بنابراین تابع چگالی احتمال پیشین p - xt|zt - و تابع چگالی احتمال مشاهده p - zt|xt - که در الگوریتم فیلتر ذره ای محاسبه می شوند اغلب غیرگوسین هستند. در تابع چگالی احتمال پیشین ، بردار حالت xt فضای حالت اتومبیل ردیابی شده را مشخص می کند در حالیکه zt تمام تقریب های فضای حالت را مشخص می کند.
ایده اصلی فیلتر ذره ای تقریب توزیع پیشین بر اساس مجموعه ی محدودی از نمونه های تصادفی وزن دهی شده است که به عنوان ذره Np نامیده می شوند. به علاوه هر نمونه وزن دهی شده رسم می شود تا تقریب حالت اتومبیل هدف را بر اساس توزیع قبلی نشان دهد . Xti حالت اتومبیل هدف را تعیین می کند و Wti وزن مربوط به ذره را مشخص می کند.
