دانلود با لینک مستقیم و پر سرعت .
نوع فایل: word
قابل ویرایش 80 صفحه
چکیده:
در سال های اخیر نظارت بر ترافیک و ایمنی وسایل نقلیه اعم از خودروها ، قطارها ، کامیون ها ،.... مورد توجه کمیته های حمل و نقل هوشمند قرار گرفته است.جهت بررسی سیستم های که ما را به اهداف فوق برساند ، نیاز به تشخیص وسیله ی نقلیه است تا بتوان پردازش ها و اقدامات لازم را به عمل آورد. لذا طبق تحقیقات به عمل آمده ، تجهیزات و روش های مختلفی ما را در این مقوله یاری می کنند و عبارتند از:
1-پردازش تصاویر بدست آمده توسط دوربین های تامین شده بدین منظور
سیستم های ویدئویی نصب شده بر سکو های هوایی
بررسی تصاویر جاده ای مبتنی برپارامترهای سه بعدی
سیستم های مبتنی بر مشخصه های محلی وسیله ی نقلیه در یک تصویر
بکار گیری الگوریتم مبتنی بر استخراج ویژگی از طریق تغییر شکل های خاص
بکارگیری مدل سه بعدی توسعه داده شده بر پایه ی عناصر لبه ی وسیله نقلیه
سیستم های مبتنی بر یادگیری با ناظر (شامل یک سیستم کک راننده و یک سیستم وسیله نقلیه خود گردان)
تشخیص مبتنی بر تشخیص سیگنالهای ویژه ی ارسالی
از طریق روش های فوق ، به کمک یک بانک اطلاعاتی شامل چندین وسیله نقلیه نمونه که از تصاویر واقعی جاده استخراج شده اند ، آزمایشات ویژه و متنوعی بر روی وسایل نقلیه انجام می شود و کارایی هر روش جهت تشخیص صحیح در کوتاه ترین زمان ممکن ثبت می شود و مورد استفاده های بعدی قرار خواهد گرفت.
مقدمه:
هدف اصلی از تشخیص وسایل نقلیه این است که تعداد وسایل نقلیه ی مشاهده شده در هر نقطه جهت تخمین و پیش بینی جریان خودرو ها را در یک بازه ی ترافیکی، اندازه گیری نمائیم. بدین وسیله می توانیم امنیت و بهره وری ترافیک را بهبود بخشیم. سیستم های متنوعی که هر کدام کارایی ویژه ای دارند ، رسیدن به اهداف فوق را آسان گردانیده اند.
یکی از این سیستم ها، سیستم تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی با نرخ فریمی پایین
می باشد. اجزای پایه ای وسایل نقلیه از تصاویر استخراج می شود و سپس توسط دسته کننده های برداری با نام «اس وی ام» با یکدیگر ترکیب می شوند. این قبیل سیستم ها ، مشکل اصلی تشخیص وسایل نقلیه را در تصاویر ایستا بر طرف نموده اند ، به علاوه از تکنیک های مبتنی بر نمونه های جمع آوری شده استفاده می کنند.
گاهی اوقات اجزایی از وسایل نقلیه در تصاویر قابل دسترسی نیستند و با موانعی مسدود شده اند. با کمک یک الگوریتم تشخیص وسایل نقلیه مبتنی بر مشخصات محلی روی تصاویر بدست آمده از طریق مادون قرمز، این مشکل حل می شوند.
سیستم های ویدئویی نصب شده بر روی سکوهای هوایی بر اساس انعطاف پذیری و تغییر پذیری آنها معرفی می شوند و توانایی دارند نواحی وسیعی را جهت تشخیص از روی تراکم زمانی و فضایی داده ی نمونه پوشش دهند. الگوریتمی بدین منظور طراحی شده است که از تصاویر سه جزئی استفاده می کند و پس از تشخیص وسیله ی نقلیه در اولین تصویر، آن را در دو تصویر بعدی تطبیق می دهد و دید گسترده ای را فراهم می آورد.
همچنین در راستای عملیات ردیابی و مکان یابی وسایل نقلیه ، نیاز به تشخیص آن ها داریم. هدف این است که یک شی (وسیله ی نقلیه ) با یافتن پارامترهای سه بعدی از موانع مشاهده شده در تصاویر جاده ای تشخیص داده شود. نمونه ای دیگر از این قبیل سیستم ها ، سیستم های مبتنی بر یادگیری با ناظر است که از طریق یک سیستم کمک راننده ویک سیستم وسیله نقلیه خودگردان، توسعه یافته است و در این سیستم تابعی برای تشخیص محیط جاده و وسایل نقلیه وجود دارد و تعداد کمی از تصاویر وسایل نقلیه در حال حرکت را به کار می گیرد.
سیستم های دیگری وجود دارند که از طریق الگوریتم مبتنی بر نمونه های ساختاری که از تکنیک های استخراجی و بدست آمده از مشخصات ویژه ی تصویر وسیله ی نقلیه عمل می کند، استخراج ویژگی می نماید. این ویژگی ها توسط تغییر شکل های فوریه ای، تغییرموج ضربه ای و تغییر شکل منحنی ضربه ای به دست می آید. عملیات روی یک مجموعه داده انجام می شود.
تشخیص وسایل نقلیه از طریق تکنیک هایی که مبتنی بر مدل های ایجاد شده از اشیاء سه بعدی است ، نیز امکان پذیر می باشد و بوسیله ی نقاط ، خطوط و سطوح ویژه ی وسیله نقلیه و مدلسازی آنها با ساختارهای مکان نگر عمل می کند.
آخرین نوع سیستم های بررسی شده ، سیستم هایی هستند که با کمک یک ناظر و تعدادی شرکت کننده ، از طریق یکسری آزمایشات ، در یک محیط شبیه سازی شده از جاده و از طریق سیگنال های ارسالی عملیات تشخیص را انجام می دهند.
فهرست مطالب:
مقدمه
فصل یکم- تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی
نواحی کاندید شده مورد نظر
تشخیص و ردیابی خط
وسایل نقلیه مورد نظر
تشخیص وسایل نقلیه
فصل دوم - سیستم تشخیص وسایل نقلیه مبتنی بر ویژگی های محلی با استفاده از برد بینایی موازی
الگوریتم تشخیص
2-1-1- تکنیک پنجره مشخصه
2-1-2- تکنیک فضای مشخصه
2-1-3- انتخاب مشخصه ی ویژگی
2-1-4- عملیات انتخاب
الگوریتم بردار تدریجی
آزمایشات تشخیص وسایل نقلیه
2-3-1- وسایل نقلیه همراه با موانع جاده ای
2-3-2- تشخیص وسایل نقلیه
فصل سوم - تشخیص اتوماتیک وسایل نقلیه در توالی از تصاویر هوایی با نرخ فریمی پایین
3-1- نظارت ترافیک
3-2- خط مشی کلی
3-3- تشخیص وسیله نقلیه
3-3-1- روند تشخیص
3-2-2- پارامترها ی وسیله نقلیه
3-3-3- تطبیق
3-4- ارزیابی تشخیص
3-4-1- طرح ارزیابی
3-4-2- اجرای تشخیص و ردیابی
3-4-3-هماهنگی حرکتی
3-4-4- مقدار نهایی
3-5- بررسی الگوریتم
فصل چهارم - تشخیص و مکان یابی وسایل نقلیه جاده ای به طور همزمان بوسیله مدلی مبتنی بر بینایی متمرکز
4-1-2- پردازش مراحل تشخیص و ردیابی
4-1-3- شناسایی جهت تشخیص و توابع هزینه ی آن
4-1-4 - ارزیابی الگوریتم
4-2- کاربرد تشخیص و مکان یابی وسایل نقلیه ی جاده ای
4-2-1- مدل سازی شی در دنیای سه بعدی
4-2-2- فازهای یادگیری
4-2-3- تشخیص و توابع هزینه
4-2-4- مکان یابی وسایل نقلیه
4-2-5- ردیابی وسایل نقلیه
فصل پنجم - تشخیص وسایل نقلیه با استفاده از یادگیری با ناظر
طرح کلی مدل پیشنهادی
بهبود تابع تشخیص نمایی اصلاح شده (ام کیو دی اف)
آزمایشات انجام شده
فصل ششم- تشخیص وسایل نقلیه مبتنی بر تغییر شکل های فوریه ، موج ضربه ای کوچک و منحنی ضربه ای
6-1- استخراج ویژگی
6-1-1- تغییر شکل یافتن فوریه
6-1-2-تغییر شکل یافتن از طریق موج ضربه ای کوچک
6-1-3- تغییر شکل یافتن از طریق منحنی ضربه ای
6-1-4- طبقه بندی
6-2- نتایج آزمایشات
6-2-1-آنالیز تطبیقی توصیف گر فوریه ای، موج ضربه ای و منحنی ضربه ای
6-2-1-1- تغییر شکل فوریه ای
6-2-1-2- تغییر شکل موج ضربه ای
6-2-1-3- تغییر شکل منحنی ضربه ای
6-2-2- کاهش ابعاد بردارهای مشخصه(عوامل مشترک فوریه ،موج ضربه ای ومنحنی ضربه ای)
فصل هفتم - مدل تغییر پذیر عمومی برای تشخیص وسایل نقلیه
مدل پارامتریزه شده
جمع آوری اطلاعات
پایداری ساختار بهبود یافته
تجزیه و تحلیل اجزای اصلی
فصل هشتم - تشخیص واگن های ریلی در طرح های بازتابشی
8-1- تشخیص سیگنالی
8-1-1- روش کار
8-1-3- توضیح سناریو
8-1-4- روش انجام آزمایش
8-2- تئوری تشخیص سیگنالی
8-3- آزمایش فاصله ی تشخیص
8-3- 1 روش کار
8-3-2- طراحی آزمایش
8-3-3- توضیح سناریو
8-3-4- روش انجام آزمایش
نیتجه گیری
منابع و مآخذ
فهرست اشکال:
شکل 1- 1- نمونه های تشخیص خطی در توالی از تصاویر
شکل 1- 2- ایجاد نواحی کاندیده ی مورد نظر در توالی از تصاویر
شکل 1-3- تجزیه ی یک ناحیه ی کاندیده به 3 زیر ناحیه
شکل 1-4- ورودی نرمالسازی شده در دسته بندی
شکل 1-5- ساختار کلی 2 مرحله از دسته کننده اس وی ام
شکل 1- 6- تشخیص وسایل نقلیه در توالی از تصاویر
شکل 2- 1- تکنیک پنجره مشخصه
شکل 2-2- تصاویر با زاویه دید بالا در آزمایشات
شکل2 -3- مدلهایی از دو وسیله نقلیه( تصاویر آموزشی ، مشخصه های محلی ،مشخصه های کد ،مجموعه ای از کدهای مشخصه)
شکل 2-4- نقاط مشخصه در 9 تصویر آموزشی و مجموعه کد مشخصه
شکل 2- 5- 9 تصویر آموزشی
شکل 2-6- نقاط مشخصه در 9 تصویر آموزشی و مجموعه کد مشخصه
شکل 2-7- نمونه های از تشخیص
شکل3- 1- نتایجی از استخراج خطوط
شکل 3-2- نتایجی از تشخیص حبابی
شکل 3-3- نمونه هایی برای حرکات ممکن و ناممکن خودرو
شکل3-4- رفتار صف گونه ی وسایل نقلیه
شکل3- 5- (a اولین تصویر تشخیص خودرو ، (b دومین تصویر با دو تطبیق M12 برای C1
(c سومین تصویر با سه تطبیق M23 برای هر C2 ، (d چهارمین تصویر با تطبیق های M13
شکل3-6- تخمینی از مسیر حرکت خودرو
شکل3- 7- قاعده کلی از تصویر مبتنی بر روش تطبیقی
شکل3- 8- نمودار پردازش ارزیابی تطبیقی برای یک خودرو
شکل 3- 9- نتایج تشخیص خودرو در تصویر آزمایشی: (a تشخیص ویایل نقلیه در اولین تصویر ،
(b خودروهای وابسته در دومین تصویر c )موقعیت های تشخیص نهایی در سومین تصویر
شکل 4-1- نمودار سازمانی ساده شده از پردازش تشخیص
شکل 4-2- 18 مشخصه تطبیقی Fi مدل وسیله نقلیه
شکل4-3- سیستم مختصاتی جهان ، دوربین ، شیء
شکل 4- 4- تشخیص وسیله نقلیه سطح بالا
شکل4-5- فاصله تقریبی وسایل نقلیه
شکل 4-6- موقعیت جانبی وسایل نقلیه
شکل 4-7 نمونه هایی از تشخیص و مکان یابی وسایل نقلیه
شکل 5-1- طرح کلی مدل پیشنهادی تشخیص وسایل نقلیه
شکل 5- 2- نمونه هایی از مناظر جاده
شکل 5-3- نرخ طبقه بندی
شکل 1-6- مقایسه ی کارایی تقریب منحنی ضربه ای و موج ضربه ای
شکل 2-6- یک نمونه از تغییر شکل منحنی ضربه ای دیجیتال از تصویر پژو 206
شکل7- 1- نمونه هایی از مدل 29 پارامتری
شکل7- 2- منظره آزمایشی برای مجموعه داده ی نمونه
شکل3-7- 8 زیر مدل
شکل 7-4- اولین و آخرین فریم از توالی استفاده شده برای آزمایش پایداری ساختار تکنیک بهبود یافته
شکل 7-5- درصد واریانس در 29 پارامتر تغییرپذیر
شکل7-6- مدل تغییرپذیری خودرو
شکل8-1- طرح های بازتابشی واگن باربری
شکل8-2- طرح های بازتابشی واگن باربری روباز (طرح کامیون)
شکل 8-3- طرح سناریوی پایه
شکل8-4- ابعاد وسیله ی نقلیه
شکل8-5- میدان دید پیشروی ناظر ساکن
شکل8-6- چهار خروجی تئوری تشخیص سیگنالی
شکل8-7- مسیر شبیه ساز
شکل8-8- میدان دید پیشروی راننده
منابع ومأخذ:
[1] A. Mohan, C. Papageorgiou, and T. Poggio, “Example-based object detection in images by components,” IEEE Transactions on Pattern Analisis and Machine Intelligence, Vol. 23, No. 4, April 2001.
[2] A. Shashua, Y. Gdalyahu, and G. Hayun, “Pedestrian detection for driving assistance systems: single-frame classification and system level performance,” In Proc. IEEE Intelligent Vehicles Symposium, pp. 1-6, Parma, Italy, June 14-17, 2004.
[3] Carroll, A., Multer, J., Williams, D. and M. Yaffee, (1999). Safety of Highway-Railroad GradeCrossings: Freight Car Reflectorization. Report No. DOT/FRA/ORD-98/11, Washington,DC: U.S. Department of Transportation, Federal Railroad Administration.
[4] C. Papageorgiou and T. Poggio, “A trainable system for object detection”. Intl J.Computer Vision, Vol. 38, No. 1, pp. 15-33, 2000.
[5] Chapuis R. Chausse F., Trujillo N and Naranjo M. Object recognition by model based focused vision. 2004.
[6] E. D. Dickmanns and B. D. Mysliwetz, “Recursive 3-D Road and Relative Ego-State Recognition,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 14, No. 2, February 1992.
[7] Egan, J.P. (1975). Signal Detection Theory and ROC Analysis. New York: Academic Press.
[8] E. Cand Cand`es and D. Donoho, “New tight frames of curvelets and optimal representations of objects with c2singularities,” Tech. Rep., Department of Statistics, Stanford
University, USA, November 2002.
[9] E. Cand Cand`es and L. Demanet, “The curvelet representation of wave propagators is optimally sparse,” Tech.Rep., Applied and Computational Mathematics, California Institute of Technology, USA, 2004. [18] I. Guyon, S. Gunn, M. Nikravesh , Lofti A. Zadeh ,
Feature Extraction: Foundations and Applications, (Studies in Fuzziness and Soft Computing) , Springer, 2006.
[10] Federal Highway Administration. (1988). Manual on Uniform Traffic Control Devices for Streetsand Highways. Washington, DC: U.S. Department of Transportation.
[11] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin. (1996). Washington, DC: U.S. Department of Transportation.
[12] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin #60. (1994). Washington, DC: U.S. Department of Transportation.
[13] Ford, R.E., Richards, S.H., and J.C. Hungerford, (1998). Evaluation of Retroreflective Markings To Increase Rail Car Conspicuity. Project Memorandum. No. DOT-VNTSC-RR897-PM98-22. U.S. Department of Transportation , Volpe National Transportation Center.
Grier, J.B. (1971). Nonparametric Indexes for Sensitivity and Bias: Computing Formulas. Psychological Bulletin, 75 (6), 424-429.
[14] F. Thomanek, E.D. Dickmanns and D. Dickmanns, "Multiple object recognition and
scene interpretation for autonomous road vehicle guidance", Proceedings of the IEEE
Intelligent Vehicles 1994 Symposium, pp.23 1-236, 1994.
[15] Federal Highway Administration. (1988). Manual on Uniform Traffic Control Devices for Streetsand Highways. Washington, DC: U.S. Department of Transportation.
[16] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin. (1996). Washington, DC: U.S. Department of Transportation.
[17] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin #60. (1994). Washington, DC: U.S. Department of Transportation.
[18] Ford, R.E., Richards, S.H., and J.C. Hungerford, (1998). Evaluation of Retroreflective Markings To Increase Rail Car Conspicuity. Project Memorandum. No.
DOT-VNTSC-RR897-PM98-22. U.S. Department of Transportation, Volpe National Transportation Center. Grier, J.B. (1971). Nonparametric Indexes for Sensitivity and Bias: Computing Formulas. Psychological Bulletin, 75 (6), 424-429.
[19] Green, D.M. and J. A. Swets, (1988). Signal Detection Theory and Psychophysics.
[20] G. Grubb, A. Zelinsky, L. Nilsson, and M. Rilbe, “3D Vision sensing for improved pedestrian safety,” In Proc. IEEE Intelligent Vehicles Symposium, pp. 19-24, Parma, Italy, June 14-17, 2004.
[21] G. P. Stein, O. Mano, and A. Shashua, “Vision-based ACC with a single camera: bounds on range and range rate accuracy”. In Proc.Int. Conf. Intelligent Vehicles, Versailles, France, June 2002.
[22] H.Murase and S.K. Nayar (1995) “Visual Learning and Recognition of 3-D Objects from Appearance," International Conference on Computer Vision.
[23] Hinz, S. (2004): Detection of vehicles and vehicle queues in high resolution aerial images. Photogrammetrie-Fernerkundung-Geoinformation, 3/04: 201-213.
[24] Hinz, S., Baumgartner, A. (2003): Automatic Extraction of Urban Road Nets from Multi-View Aerial Imagery. ISPRS Journal of Photogrammetry and Remote Sensing 58/1-2: 83–98.
[25] J. C. Christopher, “A Tutorial on Support Vector Machines for Pattern Recognition”. Data Mining and Knowledge Discovery, No. 2, pp. 121-167. Kluwer Academic Publishers.1. 1998.
[26] Keiji Yanai and Keiji Deguchi. A multi-resolution image understanding system based on multi-agent architecture for high-resolution images. 2001.
[27] K. Ohba and K. Ikeuch (1997) "Detectability, Uniqueness, and Reliability of Eigen-Windows for Stable Verifications of Partially Occluded," IEEE Pattern
Analysis and Machine Intelligence, vol.19, No.9, pp.1043-1048.
[28] K.Kagesawa, S.Ueno et al (1999) "Vehicle Recognition in Infra-red Images Using Parallel Vision Board", ITSWC '99, Toronto.
[29] K.Kagesawa, A.Nakamura et al(2000) “Vehicle Type Clasification in Infra-red Image Using Parallel Vision Board”, ITSWC 2000, Torino.
[30] Lauer, A.R., and V.R. Suhr, (1956). “An Experimental Study of Four Methods of Reflectorizing Railway Boxcars. ” Highway Research Board Bulletin, 146, 45-50.
[31] Lebowitz , H.W., Owens, D.A., and R.A. Tyrrell, (1998). The Assured Clear Distance Ahead Rule: Implications for Nighttime Traffic Safety and the Law. Accident Analysis and
Prevention, 30 (1), 93-99.
[32] Lachaise, M. (2005): Automatic detection of vehicles and velocities in aerial digital image series. Diploma Thesis, Universitee Lyon.
[33] Meffert B, Blaschek R, Knauer U, Reulke R, Schischmanow A, Winkler F (2005): Monitoring traffic by optical sensors. Proc. of Second International Conference on Intelligent Computing and Information Systems (ICICIS 2005): 9-14.
[34] M. Papageorgiou , C. Oren and T. Poggio. A general framework for object detection. Proc. Int. Conf. Computer Vision , 1998.
[35] Michael Jones Paul Viola. Rapid object detection using a boosted cascade of simple features. Conference on Computer Vision and Pattern Recognition , 2001.
[36] M. Betke, E. Haritaoglu and L. S. Davis, "Multiple vehicle detection and tracking in
hard real-time", Proceedings of the IEEE Intelligent Vehicles 1996 Symposium, pp.35 1-356, 1996.
[37] McGinnis, R.G. (1979). Reflectorization of Railroad Rolling Stock. Transportation Research Record, 737, 31-43.
[38] Olson, P.L. (1988). Minimum Requirements for Adequate Nighttime Conspicuity of Highway Signs. Report No. UMTRI-88-8. NTIS No. PB88-179841-HDM. St. Paul: Minnesota Mining and Mfg. Co.
[39] R. Aufr`ere, R. Chapuis and F. Chausse. Amodel-driven approach for real-time road recognition. Machine Vision and Applications , 2001.
[40] Trujillo N. Bayro-Corrochano, E. and Naranjo M. The role of the quaternion fourier descriptors for preprocessing in neuralcomputing. 2003.
[41] Takeo Schneiderman, Henry. Kanade. Object detection using the statistics of parts. International Journal of Computer Vision , 2002.
[42] T. Ito and K. Yamada, "Preceding vehicle road lanes recognition methods for RCAS. using vision system", Proceedings of the IEEE Intelligent Vehicles 1994 Symposium,
85-90 , 1994.
[43] T.Kato and Y.Ninomiya, "An approach to vehicle recognition using supervised
learning", Proceedings of the 4th Symposium on Sensing via Image Information (SII'98),
279-284, 1998 (in Japanese).
[44] Tan, T. N. Sullivan, G. D. and Baker, K. D. Fast Vehicle Localisation and Recognition Without Line Extraction and Matching, Proc. 5th British Machine Vision Conference, pp 85-94, 1994.
[45] Ulrich, M., 2003. Hierarchical Real-Time Recognition of Compound Objects in Images. Dissertation, German Geodetic Commission (DGK), Vol. C. Dubuisson-Jolly, M.-P., Lakshmanan, S. and Jain, A. (1996): Vehicle Segmentation and Classification Using Deformable Templates. IEEE Trans on Pattern Analysis and Machine Intelligence 18 (3): 293–308.
[46] Worrall, A. D., Baker, K. D. and Sullivan, G. D. Model-based perspective inversion, Image and Vision Computing Journal, 7(1), pp 17-23, 1989.
[47] Worrall, A.D., Sullivan, G. D. and Baker, K. D. Advances in Model-based Traffic
Vision , Proc. 4th British Machine Vision Conference , pp 559-568, 1993.
