حذف سايه خودروها در تصاوير ويدئويي با استفاده از ويژگي آنتروپي و فاصله اقليدسي

تشخيص حركت خودرو در تصاوير ويدئويي به‌عنوان يك موضوع كليدي در مباحث بينايي كامپيوتر محسوب مي‌گردد. در سال‌هاي اخير، روش‌هاي گوناگوني به‌منظور استخراج خودروها پيشنهادشده است. يكي از مشكلات اصلي تشخيص خودروها در سيستم‌هاي پردازش تصوير، سايه خودروها است. سايه خودروها به‌دليل پيوستگي كه با خود خودرو دارند، باعث تغيير ظاهر واقعي خودرو و همچنين اتصال خودروهاي اطراف به يكديگر مي‌شوند. هدف اصلي در اين تحقيق ارائه يك روش بهينه در زمينه حذف سايه خودروها با استفاده از ويژگي آنتروپي و فاصله اقليدسي مي‌باشد. با استفاده از ويژگي‌هاي ياد شده، به هركدام از پيكسل‌هاي تصوير يك وزن اختصاص داده مي‌شود. وزني كه به پيكسل‌هاي مربوط به قسمت سايه و سطح آسفالت(پس‌زمينه) اختصاص داده مي‌شوند خيلي نزديك به هم هستند. زماني كه از عمل تفاضل پس‌زمينه استفاده مي‌شود، سايه‌ها به همراه پس‌زمينه استخراج و حذف خواهد شد. در اين تحقيق از سه پايگاه داده جهت پياده‌سازي و ارزيابي استفاده‌شده است. از شاخص‌هاي دقت كلي، نرخ تشخيص درست و اشتباه، و همچنين دقت تشخيص و رديابي چند عارضه‌اي براي نشان دادن دقت و صحت در شناسايي خودروها، استفاده شده است. با استفاده از اين معيارها روش پيشنهادي با دو روش ديگر كه در زمينه حذف سايه خودروها مي‌باشند، مورد مقايسه قرار گرفته شد. نتايج نشان داد كه روش پيشنهادي بسته به نوع شاخص بين 3 تا 12درصد دقت نتايج متغيير مي‌باشد.

Detecting car motion in video frames is one of the key subjects in computer vision society. In recent years, different approaches have been proposed to address this issue. One of the main challenges of developed image processing systems for car detection is their shadows. Car shadows change the appearance of them in a way that they might seem stitched to other neighboring cars. This study aims to propose an optimized method for removing car shadows using entropy and Euclidean distance features. For each pixel, a weight is assigned according to the mentioned features. The weights assigned to shadows and background (asphalt) pixels are very close to each other which enable the background subtraction to remove both of them. The proposed method was evaluated on three datasets based on OA, HR, FAR, MODP and MOTP measures. The method was also compared with both NCC and HSV color methods which are well-known in removing car shadows. The results showed that the proposed methods depending on the type of the index is variable between 3 to 12 percent accurate results.