چکیده:
در این مقاله، طراحی و پیاده‌سازی یک سیستم تشخیص وسایل نقلیه مبتنی بر تحلیل اجزاء رنگ در فضای RGB ارائه و چالش‌های آن از جمله شرایط جوی مختلف (بارانی، برفی، مه‌آلود و...)، زمان‌های مختلف(روز، شب، ظهر، بعدازظهر)، ترافیک سنگین، وجود سایه و هم چنین وجود مشکلاتی در سطح جاده مورد بررسی قرار گرفته است. در سال‌های اخیر روش‌های موثر بر مبنای ساخت مدل پس‌زمینه ارائه گردیده است اما این روشها دارای مشکلاتی هستند که اگر چنانچه این مدل پس‌زمینه به صورت پیوسته بروز رسانی نشود، تنها تغییرات روشنایی می‌تواند کیفیت تشخیص را به شدت پائین بیاورد. هدف این مقاله پیشنهاد روشی برای تشخیص وسایل نقلیه بدون نیاز به ساخت و بروز رسانی مدل پس زمینه است که بتواند در چالش‌های مختلف به صورت مطلوب و با دقت بالا عمل کند.در این روش برای غلبه بر مشکلات حاصل از تغییرات روشنایی و شرایط جوی مختلف از نرمال سازی هیستوگرام و برای استخراج اشیاء در حال حرکت از مقدار مشتق سطح خاکستری و جریان نوری استفاده شده است. در پایان برای جستجوی ناحیه‌های تشخیص داده شده و هم چنین برای جدا کردن خطوط و علائم از وسایل نقلیه از توصیف‌گر HOG و دسته‌بند SVM استفاده شده است.نتایج آزمایش‌ها روی پایگاه داده VDTD کارایی این روش را تائید کرده و نشان می‌دهد که روش پیشنهادی در شرایط جوی ترکیبی و هم چنین در ترافیک سنگین بهتر از روش‌های مشابه عمل می‌کند.
چکیده انگلیسی:
In this paper, we presented a vehicle detection method based on RGB color space components analysis. The proposed approach is mainly focused on designing the system which is applicable in the case of different weather conditions (rainy, snowy, misty etc), different times during the day and night (daylight, night, noon, afternoon), heavy traffics, the existence of the shadows and different road conditions. Most of the vehicle detection methods utilized background model generation. Since even slight changing in the brightness could decrease the detection quality, in these kinds of methods the background image needs to continuously be updated. In this paper, we presented the method in which the vehicle detection process is performed without any need to generate and update the background model. In the presented approach, we utilized the histogram normalization in order to alleviate the problems caused by brightness change in the case of different weather conditions. We also extracted moving objects using optical flow. Finally, we utilized the HOG descriptor and SVM classifier in order to detect vehicle objects. The performance of the proposed method is tested using VDTD dataset and the results illustrate that the proposed method provides acceptable results specially in heavy traffics and different weather conditions.
خبرنامه
برای ثبت نام در خبرنامه و دریافت خبرنامه ایمیل خود را وارد نمایید.
