fa ارائه‌ی روشی مقاوم نسبت به تغییرات روشنایی در آشکارسازی و ردیابی خودروها درصحنه‌های ترافیکی مقالات پردازش تصویر Paper پژوهشي Research <p class="body" dir="RTL" style="text-align: justify;"><strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">در این مقاله روشی سریع مبتنی بر پردازش‌های هوشمند تصویر، جهت آشکارسازی و ردیابی خودروهای متحرک در تقاطع‌ها ارائه</span></span></strong> <strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">‌شده است. در بخش آشکارسازی، ابتدا از مدل گوسی ترکیبی استفاده</span></span></strong> <strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">‌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.</span></span></strong> <strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">همچنین در زمان‌هایی که آشکارساز قادر به آشکارسازی اهداف نبوده، جهت تخمین مکان جدید هدف از فیلتر کالمن استفاده‌ شده است.</span></span></strong> <strong><span style="font-family:b nazanin;"><span style="font-size:10.0pt;">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.</span></span></strong></p> <p class="body" dir="RTL"></p> <p dir="RTL" style="text-align: justify;"><strong>In this paper, according to the detection and tracking of the moving vehicles at junctions, a rapid method is proposed which is based on intelligent image processing. In the detection part, the Gaussian mixture model has been used to obtain the moving parts. Then, the targets have been detected using HOG features extracted from training images, Ada-boost Cascade Classifier and the trained SVM. At the tracking part, a number of key points on the image of the vehicle were identified at first. The center of mass of the object and the edges were used to obtain these key points because these points are primarily important and more common in tracking rigid bodies. Then, these points were tracked in consecutive frames using definitive adaptive procedures. Also, the Kalman filter has been used to estimate new locations when the detector&nbsp; is not able to detect the targets. The major advantage of this method&nbsp; in comparison with the previous methods is its resistance against vehicle&#39;s overlapping and changes in Illuminations, so that the detection accuracy is 90.80% on overloaded traffic scenes and 88.75% on the tracking vehicles.</strong></p> آشکارسازی, ردیابی بصری, HOG, Ada-boost, فیلتر کالمن, ردیابی خودرو, روش‌های تطبیق قطعی نقاط, تابع هزینه Detection, Tracking, Ada-boost, Kalman Filter, Vehicle tracking, Deterministic Methods Corresponding, Cost Function 79 98 http://jsdp.rcisp.ac.ir/browse.php?a_code=A-10-224-1&slc_lang=fa&sid=1 zahra hanifelou زهرا حنیفه لو hanifelo@eng.ui.ac.ir 10031947532846004847 10031947532846004847 Yes faculty of computer engineering, university of isfahan دانشگاه اصفهان Amir Hassan Monadjemi سید امیرحسن منجمی monadjemi@eng.ui.ac.ir 10031947532846004848 10031947532846004848 No faculty of computer engineering, university of isfahan دانشگاه اصفهان peyman moallem پیمان معلم p_moallem@eng.ui.ac.ir 10031947532846004849 10031947532846004849 No Faculty of Engineering,Department of Electrical Engineering,university of isfahan دانشگاه اصفهان