ارائه‌ي روشي مقاوم نسبت به تغييرات روشنايي در آشكارسازي و رديابي خودروها درصحنه‌هاي ترافيكي

Robust method of changes of light to detect and track vehicles in traffic scenes

در اين مقاله روشي سريع مبتني بر پردازش‌هاي هوشمند تصوير، جهت آشكارسازي و رديابي خودروهاي متحرك در تقاطع‌ها ارائه ‌شده است. در بخش آشكارسازي، ابتدا از مدل گوسي تركيبي استفاده ‌شده تا مناطق متحرك به‌دست آيد؛ سپس به‌كمك يك مدل آشكارساز كه توسط ويژگي‌هاي هيستوگرام گراديان جهت‌دار استخراج ‌شده از تصاوير آموزشي و طبقه‌بند آبشاري و ماشين بردار پشتيبان آموزش ‌ديده است، آشكارسازي خودروها صورت مي‌پذيرد. در بخش رديابي، در ابتدا تعدادي نقطه كليدي بر روي تصوير هر خودرو مشخص مي‌شود؛ براي به‌دست‌آوردن اين نقاط كليدي، از مركز جرم هدف و گوشه‌هاي آن استفاده ‌شده است؛ زيرا به‌طور اصولي اين نقاط در رديابي اجسام صلب اهميت بيشتري دارند و معمول‌تر هستند؛ سپس عمل رديابي اين نقاط در قاب‌هاي متوالي با ايده‌گرفتن از روش‌هاي تطبيق قطعي صورت گرفته است. همچنين در زمان‌هايي كه آشكارساز قادر به آشكارسازي اهداف نبوده، جهت تخمين مكان جديد هدف از فيلتر كالمن استفاده‌ شده است. مزيت عمده اين روش نسبت به روش‌هاي قبلي، مقاومت در برابر تغييرات روشنايي و هم‌پوشاني خودروها است، به‌طوري‌كه با دقت 90.80% قادر به آشكارسازي خودروها درصحنه‌هاي پرترافيك و با دقت 88.75% قادر به رديابي خودروها شده است.

In this paper, according to the detection and tracking of the moving vehicles at junctions, a rapid method is proposed which is based on intelligent image processing. In the detection part, the Gaussian mixture model has been used to obtain the moving parts. Then, the targets have been detected using HOG features extracted from training images, Ada-boost Cascade Classifier and the trained SVM. At the tracking part, a number of key points on the image of the vehicle were identified at first. The center of mass of the object and the edges were used to obtain these key points because these points are primarily important and more common in tracking rigid bodies. Then, these points were tracked in consecutive frames using definitive adaptive procedures. Also, the Kalman filter has been used to estimate new locations when the detector is not able to detect the targets. The major advantage of this method in comparison with the previous methods is its resistance against vehicle's overlapping and changes in Illuminations, so that the detection accuracy is 90.80% on overloaded traffic scenes and 88.75% on the tracking vehicles.