دوره 13، شماره 3 - ( 9-1395 )                   جلد 13 شماره 3 صفحات 79-98 | برگشت به فهرست نسخه ها


XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

hanifelou Z, Monadjemi A H, moallem P. Robust method of changes of light to detect and track vehicles in traffic scenes. JSDP. 2016; 13 (3) :79-98
URL: http://jsdp.rcisp.ac.ir/article-1-510-fa.html
حنیفه لو زهرا، منجمی سید امیرحسن، معلم پیمان. ارائه‌ی روشی مقاوم نسبت به تغییرات روشنایی در آشکارسازی و ردیابی خودروها درصحنه‌های ترافیکی. پردازش علائم و داده‌ها. 1395; 13 (3) :79-98

URL: http://jsdp.rcisp.ac.ir/article-1-510-fa.html


دانشجو دکتری هوش مصنوعی دانشگاه اصفهان
چکیده:   (1217 مشاهده)

در این مقاله روشی سریع مبتنی بر پردازش‌های هوشمند تصویر، جهت آشکارسازی و ردیابی خودروهای متحرک در تقاطع‌ها ارائه ‌شده است. در بخش آشکارسازی، ابتدا از مدل گوسی ترکیبی استفاده ‌شده تا مناطق متحرک به‌دست آید؛ سپس به‌کمک یک مدل آشکارساز که توسط ویژگی‌های هیستوگرام گرادیان جهت‌دار استخراج ‌شده از تصاویر آموزشی و طبقه‌بند آبشاری و ماشین بردار پشتیبان آموزش ‌دیده است، آشکارسازی خودروها صورت می‌پذیرد. در بخش ردیابی، در ابتدا تعدادی نقطه کلیدی بر روی تصویر هر خودرو مشخص می‌شود؛ برای به‌دست‌آوردن این نقاط کلیدی، از مرکز جرم هدف و گوشه‌های آن استفاده ‌شده است؛ زیرا به‌طور اصولی این نقاط در ردیابی اجسام صلب اهمیت بیشتری دارند و معمول‌تر هستند؛ سپس عمل ردیابی این نقاط در قاب‌های متوالی با ایده‌گرفتن از روش‌های تطبیق قطعی صورت گرفته است. همچنین در زمان‌هایی که آشکارساز قادر به آشکارسازی اهداف نبوده، جهت تخمین مکان جدید هدف از فیلتر کالمن استفاده‌ شده است. مزیت عمده این روش نسبت به روش‌های قبلی، مقاومت در برابر تغییرات روشنایی و هم‌پوشانی خودروها است، به‌طوری‌که با دقت 90.80% قادر به آشکارسازی خودروها درصحنه‌های پرترافیک و با دقت 88.75% قادر به ردیابی خودروها شده است.

متن کامل [PDF 4066 kb]   (549 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مقالات پردازش تصویر
دریافت: ۱۳۹۵/۲/۱۴ | پذیرش: ۱۳۹۵/۵/۶ | انتشار: ۱۳۹۶/۲/۳ | انتشار الکترونیک: ۱۳۹۶/۲/۳

فهرست منابع
1. [1] Y. Wu, J. Lim, and M.-H. Yang, "Online object tracking: A benchmark," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2013, pp. 2411–2418. [DOI:10.1109/CVPR.2013.312]
2. [2] R. A. Priyadharshini, S. Arivazhagan, and L. Sangeetha, "Vehicle recognition based on Gabor and Log-Gabor transforms," in Advanced Communication Control and Computing Technologies (ICACCCT), 2014 International Conference on, 2014, pp. 1268–1272. [DOI:10.1109/ICACCCT.2014.7019303]
3. [3] Y. Zhu, D. Comaniciu, M. Pellkofer, and T. Köhler, "System and method for vehicle detection and tracking." Google Patents, 2010.
4. [4] D. Balcones, D. F. Llorca, M. A. Sotelo, M. Gavilán, S. Álvarez, I. Parra, and M. Oca-a, "Real-time vision-based vehicle detection for rear-end collision mitigation systems," in Computer Aided Systems Theory-EUROCAST 2009, Springer, 2009, pp. 320–325.
5. [5] A. Akula, N. Khanna, R. Ghosh, S. Kumar, A. Das, and H. K. Sardana, "Adaptive contour-based statistical background subtraction method for moving target detection in infrared video sequences," Infrared Phys. Technol., vol. 63, pp. 103–109, 2014. [DOI:10.1016/j.infrared.2013.12.012]
6. [6] J. Gleason, A. V Nefian, X. Bouyssounousse, T. Fong, and G. Bebis, "Vehicle detection from aerial imagery," in Robotics and Automation (ICRA), 2011 IEEE International Conference on, 2011, pp. 2065–2070. [DOI:10.1109/ICRA.2011.5979853]
7. [7] B. Tian, Y. Li, B. Li, and D. Wen, "Rear-view vehicle detection and tracking by combining multiple parts for complex urban surveillance," Intell. Transp. Syst. IEEE Trans., vol. 15, no. 2, pp. 597–606, 2014. [DOI:10.1109/TITS.2013.2283302]
8. [8] J.-Y. Choi, K.-S. Sung, and Y.-K. Yang, "Multiple vehicles detection and tracking based on scale-invariant feature transform," in Intelligent Transportation Systems Conference, 2007. ITSC 2007. IEEE, 2007, pp. 528–533. [DOI:10.1109/ITSC.2007.4357684]
9. [9] J. Ning, L. Zhang, D. Zhang, and W. Yu, "Joint registration and active contour segmentation for object tracking," Circuits Syst. Video Technol. IEEE Trans., vol. 23, no. 9, pp. 1589–1597, 2013. [DOI:10.1109/TCSVT.2013.2254931]
10. [10] G. Hu, N. Gans, N. Fitz-Coy, and W. Dixon, "Adaptive homography-based visual servo tracking control via a quaternion formulation," Control Syst. Technol. IEEE Trans., vol. 18, no. 1, pp. 128–135, 2010. [DOI:10.1109/TCST.2008.2009227]
11. [11] X. Cao, Z. Shi, P. Yan, and X. Li, "Collaborative Kalman filters for vehicle tracking," in Machine Learning for Signal Processing (MLSP), 2011 IEEE International Workshop on, 2011, pp. 1–6. [DOI:10.1109/MLSP.2011.6064581]
12. [12] Y. Liu, Y. Lu, Q. Shi, and J. Ding, "Optical flow based urban road vehicle tracking," in Computational Intelligence and Security (CIS), 2013 9th International Conference on, 2013, pp. 391–395. [DOI:10.1109/CIS.2013.89]
13. [13] J. Kokkala and S. Särkkä, "Combining particle MCMC with Rao-Blackwellized Monte Carlo data association for parameter estimation in multiple target tracking," Digit. Signal Process., vol. 47, pp. 84–95, 2015. [DOI:10.1016/j.dsp.2015.04.004]
14. [14] A. Jazayeri, H. Cai, J. Y. Zheng, and M. Tuceryan, "Vehicle detection and tracking in car video based on motion model," Intell. Transp. Syst. IEEE Trans., vol. 12, no. 2, pp. 583–595, 2011. [DOI:10.1109/TITS.2011.2113340]
15. [15] C. Wang, "Moving Vehicle Detection Combined Contourlet Transform with Frame Difference in Highways Surveillance Video," in Advances in Electrical Engineering and Electrical Machines, Springer, 2011, pp. 65–71.
16. [16] C.-C. Wong, W.-C. Siu, P. Jennings, S. Barnes, and B. Fong, "A smart moving vehicle detection system using motion vectors and generic line features," Consum. Electron. IEEE Trans., vol. 61, no. 3, pp. 384–392, 2015. [DOI:10.1109/TCE.2015.7298299]
17. [17] Z. Sun, G. Bebis, and R. Miller, "On-road vehicle detection: A review," Pattern Anal. Mach. Intell. IEEE Trans., vol. 28, no. 5, pp. 694–711, 2006. [DOI:10.1109/TPAMI.2006.104] [PMID]
18. [18] H.-H. Lin, J.-H. Chuang, and T.-L. Liu, "Regularized background adaptation: a novel learning rate control scheme for Gaussian mixture modeling," Image Process. IEEE Trans., vol. 20, no. 3, pp. 822–836, 2011. [DOI:10.1109/TIP.2010.2075938] [PMID]
19. [19] P. Viola and M. Jones, "Rapid object detection using a boosted cascade of simple features," in Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, 2001, vol. 1, pp. I–511. [DOI:10.1109/CVPR.2001.990517]
20. [20] M. Bertozzi, A. Broggi, M. Del Rose, M. Felisa, A. Rakotomamonjy, and F. Suard, "A pedestrian detector using histograms of oriented gradients and a support vector machine classifier," in Intelligent Transportation Systems Conference, 2007. ITSC 2007. IEEE, 2007, pp. 143–148. [DOI:10.1109/ITSC.2007.4357692]
21. [21] H. Tan, B. Yang, and Z. Ma, "Face recognition based on the fusion of global and local HOG features of face images," Comput. Vision, IET, vol. 8, no. 3, pp. 224–234, 2014. [DOI:10.1049/iet-cvi.2012.0302]
22. [22] A. Yilmaz, O. Javed, and M. Shah, "Object tracking: A survey," Acm Comput. Surv., vol. 38, no. 4, p. 13, 2006. [DOI:10.1145/1177352.1177355]
23. [23] S. Shantaiya, K. Verma, and K. Mehta, "Multiple Object Tracking using Kalman Filter and Optical Flow," Eur. J. Adv. Eng. Technol., vol. 2, no. 2, pp. 34–39, 2015.
24. [24] J. Black, T. Ellis, P. Rosin, and others, "A novel method for video tracking performance evaluation," Proc. IEEE Int. Vis. Surveill. Perform. Eval. Track. Surveill. (VS-PETS 03), pp. 125–132, 2003.
25. [25] L. Oliveira and U. Nunes, "On integration of features and classifiers for robust vehicle detection," in Intelligent Transportation Systems, 2008. ITSC 2008. 11th International IEEE Conference on, 2008, pp. 414–419. [DOI:10.1109/ITSC.2008.4732545]

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
کد امنیتی را در کادر بنویسید

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها می باشد.