يك الگوريتم رديابي خودرو مبتني‌بر ويژگي با استفاده از گروه‌بندي سلسله‌مراتبي ادغام و تقسيم

A Feature-based Vehicle Tracking Algorithm Using Merge and Split-based Hierarchical Grouping

رديابي خودرو يكي از چالش‌هاي مهم در سيستم‌هاي حمل و نقل هوشمند جهت تخمين موقعيت خودرو در قاب بعدي از يك دنباله متوالي تصاوير از ويديوهاي نظارتي است. در اين مقاله، يك الگوريتم رديابي خودرو مبتني بر ويژگي با استفاده از الگوريتم تخمين‌زننده ويژگي Kanade-Lucas-Tomasi (KLT) گسترش يافته است. در اين الگوريتم، براي جايگزيني خودروها با ويژگي‌هاي رديابي‌شده، يك الگوريتم گروه‌بندي دومرحله‌اي سلسله‌مراتبي ادغام و تقسيم پيشنهاد مي‌شود. در الگوريتم گروه‌بندي پيشنهادي با تعريف معيارهايي همچون معيارهاي فاصله، گستردگي و همچنين آناليز حباب نتايج گروه‌بندي اوليه حاصل شده از الگوريتم خوشه‌بندي K-means اصلاح مي‌شود. علاوه‌براين، جهت تصحيح عملكرد الگوريتم تخمين‌زننده ويژگي KLT و همچنين استفاده مناسب‌تر از نتايج گروه‌بندي الگوريتم پيشنهادي، يك الگوريتم كارآمد تطبيق گروه‌هاي ويژگي براساس نقشه ادغام و تقسيم جهت تطبيق گروه ويژگي‌هاي رديابي‌شده از يك قاب به قاب بعد پيشنهاد مي‌شود. در اين الگوريتم تطبيق سعي شده است كه با استفاده از ويژگي‌هاي منطبق‌شده بين دو قاب، خودروهاي متناظر در آن دو قاب به‌درستي تطبيق داده شوند. الگوريتم رديابي پيشنهادي بر روي ويديوهاي آزمايشي متفاوتي با شرايط نورپردازي متفاوت همچون روز، شب و وجود سايه ارزيابي مي‌شود. نتايج حاصل نشان مي‌‌دهد كه الگوريتم رديابي پيشنهادي اكثر چالش‌هاي مهم رديابي خودرو در كاربردهاي عملياتي سامانه‌هاي حمل و نقل هوشمند را پوشش مي‌دهد.

Vehicle tracking is an important issue in Intelligence Transportation Systems (ITS) to estimate the location of vehicle in the next frame. In this paper, a feature-based vehicle tracking algorithm using Kanade-Lucas-Tomasi (KLT) feature tracker is developed. In this algorithm, a merge and split-based hierarchical two-stage grouping algorithm is proposed to represent vehicles from the tracked features. In the proposed grouping algorithm, with defining measures such as distance, spread and also blob analysis, initial grouping results formed by K-means clustering algorithm are refined. Moreover, to modify the performance of KLT tracker and also optimized utilization from grouping results obtained by proposed algorithm, an effective group matching algorithm based on a merging and splitting scheme is employed to match the tracked groups from a frame to the next frame. The proposed tracking algorithm is evaluated on different test videos with various illumination conditions such as day, night and shadow. The obtained results show that our proposed tracking algorithm covers the most challenges of tracking in the ITS applications.