دانلود پایان نامه

دسـته عمـده از روشهـای پردازشـی بـرای بدسـت آوردن اطلاعـات و پارامترهای مورد نیاز از یک صحنه ترافیکیپرداخته میشود. این دسته بندی بر اساس ایستا یا پویـا بـودن ناحیه مورد پردازش هر روش صورت گرفته است.[2] در گروه اول یعنی مبتنی بر ناحیه ثابت، جـستجو و

63

پردازش تنها در یک ناحیه کوچک از تصویر که به صورت ایستا تعیین شده، انجام میپذیرد. ولی در دسته دوم ناحیه جستجو در هر فریم تغییر کرده و به ازای هر خودروکه به تصویر وارد میشـود، یـک مجموعـه جستجوی دنباله دار در نواحی اطراف خودرو آغاز میگردد. این جستجو در هر فریم ادامه پیدا کـرده و بـا خارج شدن خودرو از تصویر پایان میگیرد.

(4-5 نظارت مبتنی بر ناحیه ثابت

در این روش ابتدا ناحیه ای از تصویر انتخاب میشود که علی رغم کوچکی حاوی اطلاعات مفیـد و زیادی باشد. در هر فریم تنها پیکسلهای همین ناحیه پردازش میشوند. سپس در این ناحیه روشی برای تشخیص خودرو اتخاذ میشود. تعیین صحیح ناحیه، تأثیر زیـادی بـر روی کـارایی الگـوریتم دارد. از ایـن گروه میتوان به روشهای زیر اشاره کرد:

(1-4-5 روش حلقه مجازی

این روش در واقع شبیهسازی حلقههای مغناطیسی است که برای شمارش خودروها در زیر آسفالت خیابان نصب میشوند. حلقههای مغناطیسی یکی از حسگرهای ترافیکی است به طور مجزا در هـر بانـد از جاده و در زیر آسفالت جاسازی میشوند تا با عبور یـک خـودرو و تغییـر در جریـان مغناطیـسی، خـودرو تشخیص داده شود. این الگوریتم بسیار ساده و مشابه یک شمارنده عمل مـیکنـد. خطـوط مشخـصی در عرض جاده و در هر باند به طور جداگانه در نظر گرفته میشود. سپس با مقایسه مقادیر پیکسلهـای ایـن خط با مقادیر معادل آن در تصویر پس زمینه، وجود یک خودرو تشخیص داده مـیشـود. در واقـع هـدف اصلی این الگوریتم جداسازی خودروها از یکدیگر است 34]،.[22
الگوریتم در قدمهای زیر خلاصه میشود :

-1اعمال فرایند تشخیص خودرو، برای نمونه محاسبه تفاضل شدت روشنایی پیکـسلهـای یـک خـط بـا

تصویر مرجع و مقایسه آن با مقدار آستانه.

-2در صورتی که خودرو تشخیص داده نشد، به مرحله 1 برو.

-3در صورت تشخیص خودرو نشاندن یک پرچم به عنوان ابتدای یک خودرو.

-4تا هنگامی که خودرو تشخیص داده میشود، فرایند تشخیص خودرو را تکرار میشود.

-5پاک کردن پرچم و اعلام عبور یک خودرو به صورت کامل و در صورت نیاز افزودن شمارنده خودرو. -6به مرحله .1
از این روش بیشتر به منظور شمارش خودروهـا اسـتفاده مـیشـود و یکـی از مـشکلات عمـده آن جداسازی بخش خاصی از عرض جاده برای شناسایی است و این در حالی است که ممکن اسـت نیمـی از یک خودرو و یا دو خودرو از این خط بگذرد. مسئله دیگری که خصوصاً در فواصل نزدیک دوربین با جـاده باید بیشتر دقت داشت، وجود بخشهای غیر همرنگ در خودرو است. به عنوان نمونه شیشه جلـو خـودرو اغلب باعث دو تکه شدن آن میشود زیرا در طول زمانی که شیشه خودرو از این خطـوط عبـور مـیکنـد، چون تنها با بررسی تعداد کمی پیکسل اکتفا شده، ممکن است خودرویی تشخیص داده نشود.

64

(2-4-5 روش پنجره ثابت

در این روش، یک مستطیل ثابت بـر روی مـسیر عبـور خـودرو روی سـطح جـاده در نظـر گرفتـه میشود. با این فرض که هر خودرویی برای عبور از آن باند از ایـن پنجـره مـیگـذرد، تنهـا پیکـسلهـای موجود در این پنجره بررسی شود. نحوه پردازش پیکسلهـای موجـود در ایـن پنجـره هـم مـیتوانـد بـه شکلهای مختلف باشد، مثلاً استخراج لبه و یا تفاضلگیری از پس زمینه.

در روش تفاضل گیری، پس از آنکه تصویر با اعمال آستانه مناسـب، بـه بـاینری تبـدیل شـد، ازدو انتهای چپ و راست پنجره شروع و به طرف مرکز پیش میرود. در هر گام، روشـنایی آن نقطـه از تـصویر باینری را با آستانه مقایسه میشود. از هر طرف اولین نقطه ای که تفاضل روشـنایی آن بـا پـس زمینـه از آستانه بیشتر شد، مرز چپ یا راست را تشکیل میدهد.

روش دیگر برای تشخیص خودرو در یک پنجره ثابت، استفاده از الگوریتمهای تشخیص لبه1 اسـت

.[35] به این ترتیب که در هر فریم با استفاده از یک عملگر تشخیص لبه، پیکسلهای مربـوط بـه لبـه را استخراج شده و معمولاً با توجه به تعداد آنها در یک پنجره، وجود یا عدم وجود خـودرو را تـشخیص داده میشود. زیرا معمولاً سطح جاده به تنهایی و در صورت عدم وجود خودرو، لبـه زیـادی ایجـاد نمـی کنـد.

مقدار آستانه ای که برای مقایسه تعداد پیکسلهای لبه انتخاب میشود، بسیار بـا اهمیـت اسـت. ممکـن است با انتخاب یک مقدار آستانه کوچک، نویزها و سایهها را نیز به عنوان یک خودرو تشخیص داده و یا با انتخاب یک مقدار آستانه بزرگ، خودروهایی که همرنگ جاده هستند و یا تنها نیمی از آنها از پنجره عبور کنند، تشخیص داده نشوند. بنابراین در اینجا بحث تکنیکهای آستانه گیری اتوماتیـک ماننـد روشهـای آستانه گیری دوگانه2 و یا آستانه گیری3 تکراری مطرح میشود که در آنها با توجـه بـه شـرایط محیطـی مانند شدت روشنایی زمینه، به طور اتوماتیک و پویا برای هر فریم یک مقدار آستانه محاسبه میشود. این روش نسبت به روش حلقههای مجازی بهتر عمل میکند زیرا هر بار تعداد پیکسلهای بیشتری از خودرو مورد بررسی قرار میگیرند و مشکل قطعه قطعه شدن خودرو در اینجا کمتر اتفاق خواهد افتاد.

مزیت اصلی روشهای مبتنی بر ناحیه ثابت، هزینه محاسباتی کم و در نتیجه سرعت زیـاد آنهاسـت.

به علاوه این روشها معمولاً با الگ
وریتمهای ساده ای قابل پیادهسازی هستند. معایب این روش به صـورت

زیر است :

-1 حساسیت به نویز: این روشها از آنجایی که تشخیص خودرو در آنها تنها وابسته به یک یا تعداد کمـی فریم است (نسبت به روشهای مبتنی بر ردگیری که بر تاریخچه ای از فریمهـا دلالـت مـیکنـد) بیـشتر حساس به نویز میباشند.

-2رویهم افتادگی: از دیگر مشکلات این روش، مسأله پوشیده شدن تصویر یـک خـودرو بـا سـایر وسـایل نقلیه در ترافیک سنگین میباشد، به این معنا که به علت نزدیکی زیاد خودروها، فاصله ای محسوسی بین آنها نباشد چند خودرو یکی در نظر گرفته شوند.

1−Edge Detection 2−Double Threshold 3−Iterative Threshold

65

-3عبور ناقص خودرو از پنجره: ثابت بودن پنجره نیز مشکل عبور تنها بخـشی از یـک خـودرو و یـا چنـد خودرو از پنجره را ایجاد میکند. این مسأله خصوصاً در مکانهایی که قـوانین حرکـت بـین خطـوط در آن رعایت نمی شود بسیار محسوس است.

-4نامناسب بودن برای بعضی پارامترها: روشهای مبتنی بر ناحیه ثابت معمولاً برای پارامترهـای سـاده تـر مانند شمارش خودروها به کار میرود و برای استخراج پارامترهایی مثل تغییر خط که نیاز به دنبال کردن خودرو دارد، کارایی زیادی نخواهد داشت.

(5-5 نظارت مبتنی بر ردگیری

پارامتر ردگیری خودرو ماهیتی کاملاً پویا دارد و استفاده از روشهای مبتنی بر ناحیه ثابـت جـواب مطلوبی برای آن نخواهد داد. در وقع در روشهای ردگیری اغلب باز هم ناحیه کوچکی از تصویر پـردازش میشود، ولی این ناحیه ثابت نیست و در هر فریم تغییر میکند.

مراحل مختلف کار در این گروه را میتوان در سه دسته اصلی به صورت زیر بیان نمود، لازم به ذکر است که ترتیب اجرای این مراحل ممکن است بسته به نیاز فرق کند.
-1 تشخیص تغییرات: ابتدا نواحی متحرک در هر فریم جدا میشوند. این کار خود به روشهـای مختلفـی امکان پذیر است و میتواند در مقایسه با یک تصویر مرجع از صحنه، مقایسه دو فریم متوالی، با تـشخیص لبههای متحرک تصویر و … به دست آید

.-2جداسازی و مدلسازی: پس از این جداسازی نقاط متحرک باید به نوعی خودروها در تـصویر تـشخیص داده شوند. این تشخیص حتی میتواند تنها به صورت استخراج چند ویژگی بـارز از هـر خـودرو باشـد. در واقع هدف اصلی این مرحله جداکردن خودروها از یکدیگر و درآوردن مشخصات مورد نیاز برای هـر کـدام به طور جداگانه است.

-3 پیشگویی موقعیت: برای یافتن یک خودرو، به جای جستجوی کامل یک فریم، میتوان تنها ناحیـه ای را که در آن احتمال وجود خودرو وجود دارد، جستجو کرد. وظیفه ایـن مرحلـه تـشخیص همـین ناحیـه کوچک با توجه به فریمهای قبلی، به منظور کم کردن هزینه پردازشی است.

(1-5-5 تشخیص تغییرات

در بسیاری از کاربردهای مربوط به پردازش تصویر، قبل از پـرداختن بـه آنالیزهـای اصـلی احتیـاج است که اشیاء موجود در تصویر از زمینه آن شوند. در واقع جداسازی زمینـه و اشـیاء پـیش نمـا یکـی از مسائل اساسی در بسیاری از برنامههای کاربردی مبتنی بر بینایی است. جداسازی اشیاء میتواند مبتنی بر یک تصویر ثابت باشد و یا مبتنی بر حرکت و بر روی دنباله ای از تصاویر با اشیاء متحرک. هر کدام از این دو دسته دارای الگوریتمها و روشهای متفاوت هستند. بدیهی است که اغلب میتوان برای جداسـازی در تصاویر متحرک نیز از الگوریتمهای مبتنی بر تصاویر ثابت استفاده کرد (که عکس آن صحیح نیست) ولـی در آن صورت از تمام اطلاعات موجود در تصویر استفاده نشده و اغلب نتیجه ضعیف تـری خواهـد داشـت.

در تصاویر ثابت جداسازی میتواند مبتنی بر هیستوگرام، رنگ شدت روشـنایی، بافـت، طیـف فوریـه و. ..

صورت گیرد.[36]

66

اما آنچه در این مرحله از ردگیری انجام میگیرد، جداسازی مبتنی بر حرکت است و در انتهای این مرحله تمام پیکسلهای یک فریم به دو گروه متحـرک و ایـستا تقـسیم مـیشـوند. در ادامـه بـه بررسـی جداسازی اشیاء متحرک، بر اساس تفاضل گیری از زمینـه پرداختـه مـیشـود. در ایـن جداسـازی فـرض میشود که دوربین (بیننده) ثابت است و بنابراین زمینه حرکتی ندارد.

(1-1-5-5 تفاضل گیری زمانی

در این روش دو فریم متوالی با هم مقایسه میشوند. هر پیکسل از تصویر که شدت روشنایی آن در دو فریم مساوی نباشد، جز اشیاء متحرک و سایر پیکسلها به عنوان بخـشی از اشـیاء ثابـت تـشخی داده میشوند.

این روش نسبت به سایر روشها برای صحنههای پویا با تغییرات محیطی زیاد بسیار مناسب عمـل میکند. ولی برای اسـتخراج تمـام نقـاط متحـرک زیـاد مطلـوب نیـست. در ایـن روش بـر خـلاف روش تفاضلگیری از زمینه، تنها اشیائی که در چند فریم قبلی حرکتی داشتهاند تشخیص داده میشوند. مـشکل عمده موجود در این روش، مسأله معروف به مشکل حفره1 است به این صورت کـه اگـر سـطح وسـیعی از یک شیء متحرک از نظر شدت روشنایی یکنواخت باشد، با وجود حرکت شیء ساکن به نظر میرسد و در تصویر تفاضلی حفره ای مبنی بر سکون آن ناحیه ایجاد میشود که این مسأله باعث چند تکه شدن شیء میشود.

تفاضل گیری در حالت پیشرفته میتواند بین چند فریم متوالی (به جای تنها دو فریم) نیز صـورت گیرد. در این حالت از جمع وزن دار تفاضلها استفاده میشود.

(2-1-5-5 تفاضل گیری از زمینه

تصویر زمینه تصویری از صحنه اسـت کـه تنهـا محـیط ثابـت را نـشان دهـد و در آن هـیچ شـیء متحرکی وجود نداشته باشد. در مقایسه این تصویر با سایر فریمها هر گونه حرکت و یا هر شیء اضافی در صحنه تشخیص
داده میشود. ایده بدست آوردن تصویر مرجع بر این فرض است که در میان تعداد زیادی فریم متوالی، به ازای یک پیکسل، تعداد دفعاتی که روشنایی صحنه مشاهده مـیشـود، بیـشتر از دفعـاتی است که در آن یک شیء متحرک وجود دارد. بنابراین با تکنیکهـایی ماننـد میـانگین گیـری از تعـدادی فریم میتوان تصویری از صحنه خالی را بدست آورد.[37]

این روش که اغلب برای کاربردهایی با دوربین ثابت بکار میرود، پرکاربردترین روش برای تشخیص حرکت است و مخصوصاً برای محیطهایی که تغییرات نوری کمی دارند، نتایج دقیقی ارائه میدهـد. بـرای محیطهایی که تغییرات نوری دارند نیز از تصویر مرجـع اسـتفاده مـیشـود، ولـی در چنـین کاربردهـایی احتیاج به بهنگامسازی تصویر مرجع است. پس از آنجا که ممکن است شرایط نوری و جوی عوض شـود و همچنین ممکن است اشیاء ثابـت تـصویر تغییـر کننـد، بنـابراین لازم اسـت کـه تـصویر پـس زمینـه در

1−Aperture

67

فاصلههای زمانی مشخص به روز شود. عمل به روز رسانی کار نسبتاً پر هزینـه ای اسـت و نیـاز بـه دقـت زیادی دارد. برخی از روشهای به روز رسانی


دیدگاهتان را بنویسید