مقاله در مورد شناسایی خودرو از طریق عکسهای هوایی

چکیده:
در این پایان نامه تحقیقاتی چندین روش همراه با بعضی معایب و محاسن آن مورد بررسی واقع شده است از جمله: شناسایی خودرو در تصاویر هوایی شناسایی خودرو مبتنی بر جزئیات در تصاویر خیابانی، شناسایی خودرو در الگوریتم Icm و در نهایت Vision bqased ACC در پایان پروژه توضیحاتی در باب سیستم حمل و نقل هوشمند و چگونگی و کاربرد شناسایی خودرو ارائه شده است.
حال به صورت کلی به بیان برخی از این یافته‌ها می‌پردازیم. درشناسایی خودرو در عکسهای هوایی، یک سیستم برای شناسایی خودروها در تصاویر هوایی در طول جاده عرضه می‌شود و شروع کار ازتست‌های روانشناسی می‌باشد تا ویژگی‌های مهمی برای شناسایی (همانند مرز بدنه ماشین، مرز جلوی شیشه جلو و…)پیدا شود. که در ساختار Baysian نشان داده شده است.
شناسایی وسیله نقلیه بوسیله VIEW POINT و RESOLUTION انجام می‌شود. و وسیله نقلیه به عنوان مستطیل مدل می‌شود از میانگین gray level و سطحهای شیبدار درونی، بیرونی و میانی وسایل برای تشخیص استفاده می‌شود.
در یک تشخیص دوربین ایستا، اشیای در حال حرکت بوسیله back ground subtraction شناسایی می‌شود.
در دیاگرام سیستم تشخیص، ماشین هندسی و دوربین تا وقتی که توزیع کننده ویژگی‌ها بیشتر تعلیم داده شوند بدون یادگیری مدل می‌شود. جهت جاده‌ها بوسیله
لاین‌های انبوه در تصویر تخمین زده می‌شود و از چهار قسمت از جلوی شیشه جلویی دو قسمت از مرز بیرونی سایه و شدت منطقه سایه هنگامی که وجود دارد به عنوان ویژگی استفاده می‌شود. در تست روانشناختی یک مجموعه داده متفاوت با ماشینهای در شرایط آشکار سازی و تراکم مختلف در محیط متفاوت استفاده می‌شود.
نتایج بدست آمده شامل شکل مستطیلی، طرح wind shield، سایه ماشین تشخیص را آسانتر می‌کند و همچنین محیط که روی تشخیص اثر می‌گذارد می‌باشد.
در دسته‌ای از مسیر‌های جاده‌، مسیر‌های مورد نظر (DOI) می‌تواند بوسیله عکسها تخمین زده شود ویژگی‌های استفاده شده در این روش اغلب ویژگی‌های گردایان خطی می‌باشند. وازجوابهای گرادیان فیلتر‌های شکل اصلی استفاده می‌شود.
برای شناسایی ماشینها با ویژگی‌های قید شده باید شکل محل وابسته به مرکز را بشناسیم و از یک مدل عمومی شامل یک frame geometrical wire model و یک surface reflectance model استفاده می‌شود.
در بحث یکپارچگی ویژگی‌های چندگانه به ترکیب خصوصیات نیاز داریم و از شبکه Baysian استفاده می‌کنیم. در پارامتر‌های handcraft BN به دستگاههایی با مقادیر CPT نیاز داریم انجام دادن شناسایی با پارامتر‌های دستی کارایی قابل قبولی را نشان می‌دهد.
سپس بحث یادگیری پارامتر‌ها بیان می‌شود که به عنوان مثال یادگیری CPT فقط به محاسبات هیستوگرام
نیاز دارد پس از آن شناسایی و سپس پردازش بیان خواهد شد. ضمنا بحث ROC که منحنی‌هایی هستند که کارایی سیستم ما را روی دو database نشان می‌دهد مطرح می‌شود.
بحث بعدی ذکر شده شناسایی ماشین مبتنی بر جزئیات می‌باشد. که باعث kay ‌هاکه از تصاویر ماشین‌ها که از مجموعه یادگیری بدست می‌آید ذکر می‌شود و به دسته‌بندی‌ها می‌پردازد. یک مخصوص می‌تواند بیش از یک دسته kay point آمیخته شود. در پایگاه داده زیر‌مجموعه منظره خیابان همه عکسها به gray scale از نتایج آزمایشات مختلف استفاده می‌شود سیستم بنزین SVM ‌های سراسری را اجرا می‌کند. آخرین مرحله در شناسایی اشیا در عکسها بکار بستن دسته کننده‌های دانا به همه پنجره‌های پنهانی در عکسها می‌باشد. بحثهایی در مورد شناسایی‌های چندگانه و روش‌های حل آن بیان می‌گردد. کاربرد این روش شناسایی ماشین با بکارگیری حد آستانه در آن صورت می‌گیرد همچنین می‌توان از روش برچسب‌گذاری در ماشینها استفاده کرد که معایب آن هم ذکر خواهد شد.
بحث‌هایی در مورد شناساگر اجزا و اینکه جهت ارزیابی هر جزء شناساگر، هر شناساگر به صورت زیر‌مجموعه‌ای از مجموعه تست بیان می‌شود، ذکر می‌گردد. و نیز بحث ترکیب اجزا بیان می‌شود که در آن سه دیدگاه بیان می‌شود.
بطورکلی قابل بحث است که آیا دسته‌های kay point ماشین می‌تواند به عنوان قسمتهای ماشینی مطرح
شوند، یک مقایسه با سیستم کلی‌نگر فراهم می‌شود که برای نشان دادن دیدگاه مبتنی بر جزئیات از آن استفاده می‌شود. مشاهده می‌شود که سیستم مبتنی بر جزئیات در برابر شرایط غیر عادی همانند در‌آمیختگی و روشنایی قوی مقاومت بیشتری دارد. در این ساختار منابع محاسباتی بیشتری نیاز داریم. در نهایت این روش با کارهای اولیه در شناسایی خودرو مقایسه می‌شود.
در الگوریتم ICM در ابتدا مقایسه‌ای بین PCNN صورت گرفته است، و مطالب جزئی در مورد ICM و شامل اینکه ویژگی‌های تصویر نمی‌توانند بعد از پروسهICM به آسانی بهبود یابند. الگوریتم ICM چند pulse image را می‌سازد و شناسایی تغییرات از مقایسه این تصاویر مشابه بوجود می‌آید.
بحث شناسایی ماشین در حال حرکت روی جاده با استفاده از این ICM بیان می‌گردد ICM عکسهای تصاویر را معکوس می‌کند.
در روش آخر vision based Acc می‌باشد، بحث علامتهای مسیر جاده بیان می‌گردد که هر علامت مسسیر شناسایی می‌شود و یک ناحیه interest به جای پوشاندن قسمت جلوی ego- vehicle استفاده می‌گردد.
سیستم پیگیری خط توصیف می‌شود که به سه زیر سیستم تقسیم می‌گردد. سرانجام بحث شناخت و ردیابی ماشین با استفاده از وسایل نقلیه کاندید شده در طول مسیر که هر کدام به 5 منطقه فرعی و مستقل تقسیم می‌شود بیان می‌گردد.
مقدمه
داستان cartell با یک فرد به نام Dr William M Flook شروع می‌شود.
علاقه‌ی او در علم با یک خواسته (میل) جرقه زده شد تا آن را به طور عملی در خانه و شغلش اجرا کند بعد از چندین سال مطالعه و کسب تجربه Dr.Flook سیستم شناسایی ماشین مبتنی بر تکنولوژی مغناطیس سنج، توسعه داد و آن را Cartell نامید. در سال 1969 ، آن را ساخت و اولین سیستم را در خانه‌اش بکار انداخت. چندین سال بعد او بیشتر از 40 سیستم را برای خانواده و دوستانش به‌کار انداخت. با آگاهی از اهمیت این کشف، Dr. Flook، این تکنولوژی را در سال 1975 به نام خودش کرد. فروش Cartell در سال 1979، آغاز شد مهمترین چالش آن فیلتر‌کردن فرکانس راذیویی تولید شده بوسیله‌ی برق بود.
Cartell، قادر است تا یک آرایه بزرگ از نیاز‌های drive way را معرفی کند.
مقدمه‌ای بر روشهای شناسایی خودرو:
مقدمه‌ای بر شناسایی خودرو در عکسهای هوایی:
شناسایی وسایل نقلیه در تصاویر هوایی، استفاده‌های مهم شخصی و نظامی دارد به عنوان مثال پائیدن و تحت نظر‌گیری ترافیک و همچنین می‌تواند نشانه قوی برای شناسایی جاده تولید کند و نیزهمچنین یک دامنه آزمون خوب برای روشهای شناسایی اشیا در موقعیت‌های شکل را توسعه می‌دهد. تصاویر هوایی تصاویر gray scale هستند که اغلب از یک
دیدگاه مورب گرفته شده‌اند. طول یک نوع ماشین در مجموعه داده‌ها در تصاویر 26-13، پیکسل می‌باشد. و دوربین کالیبره به خوبی هدایتگر نور خورشید شناخته شده است. شناسایی از طریق عکسهای هوایی از شناسایی از طریق دیدگاه دلخواه و خودسرانه آسانتر است. با وجود آنکه هنوز آنطور که به نظر می‌رسد سهل و راحت نیست به عنوان مثال تصاویر نشان داده شده در fig1 .
مقدمه‌ای بر شناسایی خودرو مبتنی بر جزئیات در تصاویر منظره خیابان:
هدف ساختن یک شناساگر خودرو مرتبه‌ای بوسیله یادگیری خودرو اتوماتیک ویژگی‌های carspecific و یادگیری یک مجموعه طبقه‌بندی شده می‌باشد تمرکز ویژگی‌های روی keypoint detection انتخاب می‌شود. به این علت که آنها به طور محاسباتی در یک تعداد عکسهای تبدیل شده مشابه مؤثر و یکسان هستند.
مقدمه‌ای بر مدل قشایی متقاطع در شناسایی خودرو
ICM یک مدل مبتنی بر تکنیکهای شبکه عصبی مخصوصا طراحی شده برای پردازش تصویر‌ها می‌باشد.که ویژگی‌ها را بدون لبه‌های تیز و یا خطای مستقیم در تصاویر بهبود می‌دهد.
مقدمه‌ای بر روش Acc (A Monocular Solution to vision –based Acc in Rood vehicle ) در این الگوریتم، از سیستم پیگیری خط استفاده می‌شود. و برای ردیابی ماشین‌ها، کاندیداهایی بر اساس ویژگی‌های تصویر سایز و موقعیت در میان دیگران انتخاب می‌گردد.
Car detection in Aerial Images (شناسایی ماشین در عکس‌های هوایی)
1- Ralated work :
تشخیص وسایل نقلیه اهمیت و توجه بسیار زیادی در بینش کامپیوتری پیدا کرده است. علت آن این است که وسایل نقلیه به عنوان یک قسمت مهم زندگی هستند.
Popageorgiou و Poggio یک مدل عمومی برای تشخیص شیء کاربردی شده برای تشخیص ماشین عرضه کردند. یک مجموعه‌ی بسیار کامل از ضریب‌های Haar wavelet و scale‌های اصلی ترکیب شده‌اند و یک (support vector Machine ) SVM تعلیم داده شده است تا ماشین‌ها و غیر ماشین‌ها را دسته‌بندی کند.
مدل‌های Chellappa , Brlina , Rajogopalan مدل‌های توزیع تصاویر ماشین به وسیله‌ی یادگیری دستورات آماری بالاتر هستند. (Hos)
نمونه‌های یادگیری بر طبق Hos دسته‌بندی شده‌اند.
یادگیری background پویا اجرا می‌شود، و Hos هر تصویر test و هر گروه از توزیع ماشین و توزیع background محاسبه می‌شود. و بعد به ماشین و background دسته‌بندی می‌شود.
Fig b
Fig: دو قطعه از تصاویر و نتایج آنها:
(a روشن است اما بعضی لبه‌های آن قابل دریافت نمی‌باشد.
b) به سختی به وسیله درخت پنهان شده است و ماشین‌‌ها به سختی در لبه‌ی نقشه قابل رویت هستند. شناساگر، برای هر یک viewpoint ساخته می‌شود. از هیستوگرام‌های بعضی ویژگی‌های تجربی انتخاب شده و محل‌های نسبی آنها استفاده می‌کند، تا ماشین‌ و غیر ماشین را مدل کند.
هسیتوگرام‌ها به طور استاتیکی غیر وابسته هستند.
شناسائی وسایل نقلیه در تصاویر هوائی به وسیله‌ی resolution , viewpoint انجام می‌گیرد . عموما
دوربین کالیبره و خورشید برای این موضوع شناخته شده‌اند.
بر طبق کار Rosenfeld , Chellappa , Moon, Chellappa, Paramesuwaran و Burlina یک وسیله نقلیه به عنوان مستطیل با رنجی از سایزها مدل شده است و canny مثل شناساگر به کار برده می‌شود. (Generalized Hough Tranform) GHT یا هم تابیدگی با maskهای لبه استفاده می‌شود تا 4 قسمت از مرز مستطیل شکل را انتخاب کند.
Liu, Haralick , Gong از میانگین grag level و میانگین سطح‌های شیب‌دار درونی، نقلیه‌ و میانی وسایل نقلیه به عنوان ویژگی‌هائی برای تشخیص، استفاده می‌کنند.
وسایل نقلیه به عنوان اشیا دو بعدی فرض می‌شود. و نشانه‌ی اولیه آنها مرز ماشین است.
این دسترسی ممکن است برای داده‌های آنها جائی که وسایل نقلیه اغلب تیره‌رنگ هستند مناسب باشد. اما ممکن است وقتی که روی مناظر شهری که ماشین‌ها اغلب متفاوت به کار برده می‌شود مشکلاتی داشته باشد.
جاذبه‌های در حال افزایشی از video treamها در شناسائی ماشین وجود دارد. در یک Static camera configuration، اشیاء در حال حرکت، می‌توانند به وسیله‌ی back ground subtraction شناسایی شوند. Lipton و Fujiyoshi و Patil، وسیله نقلیه، background clutter بر بعضی شکلهای اندازه گیری شده منطبق شده است.
در اشیاء در حال حرکت متراکم، یک bbb درحال حرکت با یک شیء تکی ممکن نیست همخوانی داشته باشد. بنابراین یک آنالیز با جزئیات بیشتر، مشابه با
شیوه‌ی آن در تصاویر تشخیص ماشین باید به کار برده شود.
2- our apprack
دیاگرام سیستم تشخیص

مشکل به عنوان یک شکل تشخیص شیء 3 بعدی فرموله می‌شود تا تغییر view point را سازگار کند. ماشین هندسی، دوربین، تا وقتی که توزیع کننده‌های ویژگی‌ها برای سازگاری بهتر و کارائی بیشتر تعلیم داده شوند، بدون یادگیری مدل می‌شوند.
این یک تعادل خوب بین استفاده‌ی از دانش بشر و یادگیری آماری می‌باشد.
در این روش (fig 2) فقط، ردیابی ماشین‌های هم صف شده با جهت جاده، آدرس‌دهی می‌شود. ابتدا

فایل : 88 صفحه

فرمت : Word