تشخیص و شمارش خودروها براساس الگوریتم پردازش تصویر مدل مخلوط گوسی و محاسبه سرعت لحظه‌ای خودروها طبق جریان نوری

Abstract

امروزه با گسترش روز افزون روش‌های مختلف اخذ اطلاعات گسسته مانند پویش­گرها و دوربین‌های دیجیتالی، پردازش تصویر کاربرد فراوانی یافته است. اطلاعات بدست آمده توسط دوربین‌های نظارت تصویری در سطح شهر، توسط بسترهای ارتباطی مثل GPRS ویا فیبر نوری به مرکز کنترل ترافیک ارسال می‌شوند. این اطلاعات ویدئویی تا مادامی که به دنباله‌های آماری تبدیل نشوند نمی توانند در تصمیمات مدیریت شهری نقشی ایفا کنند. در این مقاله یک سیستم آنالیز تشخیص تعداد خودروها در واحد طول و زمان به همراه تخمین سرعت لحظه­ای آنها ارائه شده است. در این روش، اطلاعات ویدئویی به دنباله‌های آماری شاخص‌های ترافیکی تبدیل می‌شوند. ابتدا تصاویر مربوط به هر فریم بر اساس مدل مخلوط گوسی به تصاویر پس زمینه مدل می‌شوند که در برابر تغییرات نور مقاوم هستند. این عملیات در تعداد زیادی فریم بکار گرفته می‌شود تا اصطلاحا یک تصویر پس زمینه آموزش دیده شده ایجاد شود. در روش‌های سنتی پردازش تصاویر ترافیکی، مدل کردن تصویر پس زمینه مورد توجه قرار نمی گرفت، و برعکس در روش ارائه شده، از این مدل جهت تشخیص شی در حال حرکت استفاده می‌شود. سپس با مقایسه تک تک فریم‌های اصلی ورودی به این سیستم و تصویر پس زمینه آموزش دیده شده، خودروهای در حال حرکت تشخیص داده می‌شوند. در این حالت به 2 دلیل ممکن است در تشخیص خودروها سیستم، دچار اشتباه محاسباتی شود. 1- به دلیل وجود سایه خودروهای درحال حرکت، سیستم یک خودرو را 2 خودرو یا بیشتر تشخیص دهد. 2- به دلیل آموزش ناصحیح تصویر پس زمینه، تشخیص خودرو دچار اشکال شود. راه حل پیشنهاد شده برای حل 2 اشکال مطروحه این است که بعد از مرحله تشخیص خودرو و کشیدن بلوک دور آنها، ازالگوریتم ترکیب کردن بلوک‌ها استفاده می‌کنیم و بلوک‌ها را که به دور خودروهای تشخیص داده شده، کشیده شده است را براساس فاصله اقلیدسی هر بلوک مجاور، در صورتی که روی هم افتادگی داشته باشند، با هم ترکیب می‌کنیم. سپس براساس الگوریتم جریان نوری با ترکیب روش‌های Horn-Schunck و Lucas- Kanade سرعت لحظه ای هر خودرو تخمین زده می‌شود. ازاطلاعات سرعت لحظه ای هر خودرو و تعداد خودروها در واحد طول و زمان که به ترتیب به مفهوم حجم و چگالی ترافیکی است، جهت تخمین جریان ترافیکی استفاده می‌شود. با توجه به شبیه سازی‌های انجام شده و مقایسه نتایج بدست آمده با سایر نتایج مقالات دیگر، عملکرد بالای روش ارائه شده در این مقاله، برای تشخیص خودرو و محاسبه دقیق تعداد آن، با توجه به استفاده الگوریتم ترکیبی و آموزش صحیح تصاویر پس زمینه، اثبات می‌شود. همچنین این روش را می‌توان برای پردازش تصاویر با کیفیت نامطلوب نیز استفاده کرد.