دوره 21، شماره 2 - ( 8-1403 )
جلد 21 شماره 2 صفحات 78-67 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
sanei arani H, esmaili M, Afshar kazimi M A. Choosing the Best Installation Paths In the Development of Urban CCTV Cameras. JSDP 2024; 21 (2) : 6
URL: http://jsdp.rcisp.ac.ir/article-1-1402-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1402-fa.html
صانعی آرانی حسن، اسماعیلی مهدی، افشار کاظمی محمد علی. انتخاب بهترین مسیرهای نصب در توسعه دوربین‌های مداربسته شهری. پردازش علائم و داده‌ها. 1403; 21 (2) :67-78
دانشجوی دکترای مدیریت فناوری اطلاعات، دانشکده مدیریت و حسابداری، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
چکیده: (110 مشاهده)
دوربین‌های مداربسته یکی از مهم‌ترین ابزارهایی است که در شهرها برای سامانه کنترل ترافیک استفاده می‌شود. شهروندان روزانه مسافرت‌های درون‌شهری زیادی انجام می‌دهند و عملکرد سامانه‌های نظارت شهری نیز پایش این مسیرهاست. در روش پیشنهادی، نقشه واقعی شهر به‌عنوان یک مدل انتخاب شده‌است. با جداسازی مسیرهای اصلی از سایر مکان‌ها، گرافی از مسیرها به‌دست می‌آید؛ سپس با انتخاب تصادفی مجموعه‌ای از زوج‌رأس‌ها از گراف، به‌عنوان مبدأ و مقصد یک سفر داخل شهری و مسیریابی بین آن‌ها با الگوریتم دایکسترا، ترافیک مجازی ساخته می‌شود. برای تطابق ترافیک مجازی با ترافیک واقعی، احتمال انتخاب نقاط پر رفت‌و‌آمد بیشتر درنظرگرفته می‌شود. با ایجاد یک‌صدهزار مسیر برای مدل مورد مطالعه، می‌توان یالها را با بالاترین تکرار به‌عنوان نتایج نهایی پیدا کرد و برای نصب دوربین پیشنهاد داد. ارزیابی نتایج نهایی با تکرار آزمایش‌های تصادفی و با استفاده از ضریب تشابه ژاکارد انجام گرفته است و میزان تشابه نتایج خروجی بررسی می‌شود. پایایی روش پیشنهادی با تحلیل ریاضی و با رسم نمودارها بیان می‌شود و تأثیر پارامترهای تأثیرگذار مانند تعداد مسافرت شهری، میزان احتمال انتخاب نقاط، تأثیر توپولوژی شهر و تعداد نتایج خروجی به‌شکل تحلیلی بیان شده و میزان تشابه نتایج، 98درصد به‌دست آمد. مزیت روش پیشنهادی وابسته‌نبودن به ابزار خاص مانند دوربین‌های سنجش ترافیک و همچنین بدون وابستگی به مکان و توپولوژی خاص است.
شماره‌ی مقاله: 6
واژه‌های کلیدی: جانمایی دوربین مداربسته شهری، ترافیک مجازی، ضریب تشابه ژاکارد، الگوریتم دایکسترا، شهر هوشمند
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش تصویر
دریافت: 1402/7/23 | پذیرش: 1403/8/14 | انتشار: 1403/8/14 | انتشار الکترونیک: 1403/8/14
دریافت: 1402/7/23 | پذیرش: 1403/8/14 | انتشار: 1403/8/14 | انتشار الکترونیک: 1403/8/14
فهرست منابع
1. Z. Su, Q. Zhang, Z. L¨u, C.-M. Li, W. Lin, and F. Ma, "Weightingbased variable neighborhood search for optimal camera placement," Proc. Conf. AAAI Artif. Intell., vol. 35, no. 14, pp. 12400-12408, 2021. [DOI:10.1609/aaai.v35i14.17471]
2. P. Bischoff, "Surveillance camera statistics: which cities have the most CCTV cameras?" Comparitech, 15-Aug-2019. [Online].Available: https://www.comparitech.com/vpn-privacy/the-worlds-mostsurveilled-cities/. [Accessed: 06-Jun-2023].
3. J. Liu, X. Wang, Y. Li, X. Kang, and L. Gao, "Method of evaluating and predicting traffic state of highway network based on deep learning," J. Adv. Transp., vol. 2021, pp. 1-9, 2021. [DOI:10.1155/2021/8878494]
4. L. Fredianelli et al., "Traffic flow detection using camera images and machine learning methods in ITS for noise map and action plan optimization," Sensors (Basel), vol. 22, no. 5, p. 1929, 2022. [DOI:10.3390/s22051929]
5. A. A. Altahir, V. S. Asirvadam, P. Sebastian, N. H. B. Hamid, and E. F. Ahmed, "Optimizing visual sensors placement with risk maps using dynamic programming," IEEE Sens. J., vol. 22, no. 1, pp. 393-404, 2022. [DOI:10.1109/JSEN.2021.3127989]
6. S. Kov'acs, B. Bolem'anyi, and J. Botzheim, "Placement of optical sensors in 3D terrain using a bacterial evolutionary algorithm," Sensors (Basel), vol. 22, no. 3, p. 1161, 2022. [DOI:10.3390/s22031161]
7. A. M. Heyns, "Optimisation of surveillance camera site locations and viewing angles using a novel multi-attribute, multi-objective genetic algorithm: A day/night anti-poaching application," Comput. Environ. Urban Syst., vol. 88, no. 101638, p. 101638, 2021. [DOI:10.1016/j.compenvurbsys.2021.101638]
8. M. S. S. Suresh, A. Narayanan, and V. Menon, "Maximizing camera coverage in multicamera surveillance networks," IEEE Sens. J., vol. 20, no. 17, pp. 10170-10178, 2020. [DOI:10.1109/JSEN.2020.2992076]
9. A. Bhattacharya and M. Pal, "Vertex covering problems of fuzzy graphs and their application in CCTV installation," Neural Comput. Appl., vol. 33, no. 11, pp. 5483-5506, 2021. [DOI:10.1007/s00521-020-05324-5]
10. Y. Chen, M. Tsukada, and H. Esaki, "Reinforcement learning based optimal camera placement for depth observation of indoor scenes," 2021. [DOI:10.1109/ICNSC52481.2021.9702214]
11. W. J. Yun et al., "Cooperative multi-agent deep reinforcement learning for reliable surveillance via autonomous multi-UAV control," arXiv [eess.SY], 2022. [DOI:10.1109/TII.2022.3143175]
12. D. Susanj, D. Pincic, and K. Lenac, "Effective area coverage of 2D and 3D environments with directional and isotropic sensors," IEEE Access, vol. 8, pp. 185595-185608, 2020. [DOI:10.1109/ACCESS.2020.3029618]
13. [X. Chen, Y. Zhu, H. Chen, Y. Ouyang, X. Luo, and X. Wu, "BIM-based optimization of camera placement for indoor construction monitoring considering the construction schedule," Autom. Constr., vol. 130, no. 103825, p. 103825, 2021. [DOI:10.1016/j.autcon.2021.103825]
14. N. Bisagno, A. Xamin, F. De Natale, N. Conci, and B. Rinner, "Dynamic camera reconfiguration with reinforcement learning and stochastic methods for crowd surveillance," Sensors (Basel), vol. 20, no. 17, p. 4691, 2020. [DOI:10.3390/s20174691]
15. S. Jun, T.-W. Chang, H. Jeong, and S. Lee, "Camera placement in smart cities for maximizing weighted coverage with budget limit," IEEE Sens. J., vol. 17, no. 23, pp. 7694-7703, 2017. [DOI:10.1109/JSEN.2017.2723481]
16. C.-J. Liu, Z. Liu, Y.-J. Chai, and T.-T. Liu, "Review of virtual traffic simulation and its applications," J. Adv. Transp., vol. 2020, pp. 1-9, 2020. [DOI:10.1155/2020/8237649]
17. Z. Xie, X. Liu, Y. Li, H. Zhang, and Q. Xiang, "Camera placement optimization for CCTV in rail transit using BIM," Measurement + control/Measurement and control, vol. 56, no. 9-10, pp. 1499-1509, Mar. 2023. [DOI:10.1177/00202940231163935]
18. M. S. Eran and H. Hasranizam, "The Effectiveness of Crime Prevention Using GIS Technology and CCTV Application for Smart City," Earth and environmental sciences library, pp. 59-75, Jan. 2024. [DOI:10.1007/978-3-031-50848-6_4]
19. G. Li, Y. Chen, Y. Wang, P. Nie, Z. Yu, and Z. He, "City-scale synthetic individual-level vehicle trip data," Sci. Data, vol. 10, no. 1, 2023. [DOI:10.1038/s41597-023-01997-4]
20. V. T. N. Nha, S. Djahel, and J. Murphy, "A comparative study of vehicles' routing algorithms for route planning in smart cities," in 2012 First International Workshop on Vehicular Traffic Management for Smart Cities (VTM), 2012.
21. P. Udhan, A. Ganeshkar, P. Murugesan, A. R. Permani, S. Sanjeeva, and P. Deshpande, "Vehicle route planning using dynamically weighted Dijkstra's algorithm with traffic prediction," 2022.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
