تشخیص وسایل نقلیه در محیط‌های ترکیبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته، کارشناسی ارشد هوش مصنوعی، گروه مهندسی برق و کامپیوتر، داشنگاه خوارزمی ، تهران

2 دانش‌آموخته کارشناسی ارشد هوش مصنوعی، دانشگاه مالک‌اشتر ، تهران

3 دانشجوی دکتری هوش مصنوعی و رباتیک، دانشگاه آزاد لاهیجان، گیلان، ایران

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.

کلیدواژه‌ها


عنوان مقاله [English]

Vehicle Detection in Different Environments

نویسندگان [English]

  • Mohsen Valizadehasl 1
  • Mohammad Badpeima 2
  • Sahar Khosravani zahedani 3
1 Department of engineering,. Faculty of Electrical and Computer Engineering. Kharazmi University. Tehran,
2 Malek Ashtar University of Technology, Tehran, Iran
3 Phd student of Artificial intelligence , Islamic Azad University, Lahijan, Iran
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Vehicle Detection
  • Histogram Normalization
  • Optical Flow

مراجع

[1] Tsai L., Hsieh J., and Fan k., "Vehicle Detection Using Normalized Color and Edge Map", IEEE Transactions on Image Processing, Vol. 16, No. 3, March 2007.

[2] Zhang W., Wu Q. M. J., and Yang X., "Multilevel framework to detect and handle vehicle occlusion", IEEE Trans. Intell. Transp. Syst., vol. 9, no. 1, pp. 161–174, Mar. 2008.

[3] Kanhere N. K., and Birchfield S. T., "Real-time incremental segmentation and tracking of vehicles at low camera angles using stable features", IEEE Trans. Intell. Transp. Syst., vol. 9, no. 1, pp. 148–160, Mar. 2008

[4] Vargas M., Milla J. M., Toral S. L., and Barrero F., "An enhanced background estimation algorithm for vehicle detection in urban traffic scenes", IEEE Trans. Veh. Technol., vol. 59, no. 8, pp. 3694–3709, Oct. 2010.

[5] Khairdoost N., Monadjemi A., and Jamshidi k., "Front and Rear Vehicle Detection Using Hypothesis Generation and Verification", Signal & Image Processing: An International Journal (SIPIJ) Vol.4, No.4, and August 2013.

[6] Li W., Liu P., Wang Y., Ni H., Wen C., and Fan J., "On-board Robust Vehicle Detection Using Knowledge-based Features and Motion Trajectory", International Journal of Signal Processing, Image Processing and Pattern Recognition Vol. 8, No. 2015.

[7] Tsai Y.  M., K. Huan Y., Tsai C. C., and Chen L. G.,  "An  exploration  of  on-road  vehicle  detection  using hierarchical  scaling  schemes", IEEE International  Conference  on  Image  Processing,  Hong  Kong,  (2010)    September.

[8] Niknejad  H. T., Takeuchi A., Mita S. and McAllester D., "On-Road Multivehicle Tracking Using Deformable Object Model and Particle Filter With Improved Likelihood Estimation",  IEEE Transactions on Intelligent Transportation Systems, vol. 13, no. 2, (2012).

[9] Southall B., Bansal M. and Eledath J., "Real-time Vehicle Detection for Highway Driving", IEEE Conference on Computer Vision and Pattern Recognition Miami, Florida, USA, (2009) June.

[10] Sivaraman S., and Trivedi M. M., "A General Active-Learning Framework for On-Road Vehicle Recognition and Tracking", IEEE Transactions on Intelligent Transportation Systems, vol. 11, no. 2, (2010).

[11] Arrospide J., Salgado L., Nieto M., and Jaureguizar F., "On-board robust vehicle detection and tracking using adaptive  quality  evaluation",  IEEE  International  Conference  on Image  Processing,  San  Diego,  California, USA, ( 2008) October.

[12] Alonso D., Salgado L., Nieto M., "Robust Vehicle Detection Through Multidimensional Classification For on Board  Video  Based  Systems",  IEEE  International  Conference  on  Image  Processing,  San  Antonio,  Texas, USA, (2007) September.

[13] Li Y. L., Tian B., Yao Q., " Vehicle Detection Based on the and– or Graph for Congested Traffic Conditions", Intelligent Transportation Systems, IEEE Transactions on  (Volume:14 ,  Issue: 2 ) 15 March 2013.

[14] Nguyen V. D., Nguyen T. T., Nguyen D. D., Lee S. J.,  Jeon J. W., "A Fast Evolutionary Algorithm for Real-Time Vehicle Detection", Vehicular Technology, IEEE Transactions on  (Volume:62 ,  Issue: 6 ) 25 January 2013.

[15] Tian B., Li Y., Li B., Wen D., "Rear-View Vehicle Detection and Tracking by Combining Multiple Parts for Complex Urban Surveillance", Intelligent Transportation Systems, IEEE Transactions on  (Volume:15 ,  Issue: 2 )  April 2014.

[16] Wu B. F., Juang J. H., "Adaptive Vehicle Detector Approach for Complex Environments", IEEE Transactions on Intelligent Transportation Systems, VOL. 13, NO. 2, JUNE 2012.

[17] Lucas B. D., and Kanade T., "An Iterative Image Registration Technique with an Application to Stereo Vision", From Proceedings of Imaging Understanding Workshop, pp. 121-130 (1981).

CAPTCHA Image