دانلود ترجمه مقاله تشخیص خودرو جهت سیستم هوشمند نظارت ترافیک – نشریه اسپرینگر

• فهرست مطالب:

چکیده
۱٫ مقدمه
۲٫ تحقیقات مرتبط
۳٫ اصل شناسایی و تشخیص خودرو
۴٫ شناسایی خودرو
۴-۱: ویژگی Haar – like
۴-۲: الگوریتم آدابوست
۴-۳: شناسایی خودرو
۵٫ تشخیص خودرو
۵-۱: تبدیل موجک گابور
۵-۲: الگوی دودویی گابور محلی (LGBP) و دنباله هیستوگرام
۵-۳: کاهش ابعاد ویژگی با استفاده از PCA
۶٫ ارزیابی های تجربی
۶-۱: نتایج شناسایی خودرو
۶-۲: نتیجه تشخیص خودرو
۷٫ نتیجه گیری

• بخشی از ترجمه:

۷٫ نتیجه گیری
شناسایی و تشخیص دقیق و قوی خودرو هنوز یک کار چالش برانگیز در زمینه سیستم های نظارت هوشمند حمل ونقل می باشد. در این مقاله، ما یک مجموعه از طبقه بندی های قوی براساس ویژگی های تصاویر خودرو به منظور استفاده برای شناسایی خودرو در تصاویر آنلاین از صحنه جاده ارائه کردیم. سپس، ویژگی های Haar – like و الگوریتم آدابوست را برای ایجاد طبقه بندی جهت شناسایی خودرو، که مجزا از تحقیقات قبلی منتشرشده در شناسایی خودرو می باشد، بکار بردیم. پس ازآن، تقاطع هیستوگرام برای اندازه گیری تشابه دنباله هیستوگرام LGBP مختلف بکار برده شد، و نزدیک ترین همسایه از فاصله اقلیدسی برای طبقه بندی نهایی، که به طور چشمگیری به تغییرات ظاهری ناشی ازروشنایی یا موقعیت خودرو غیرحساس می باشد، بهره گرفتیم. ما این روش را برروی مجموعه داده های واقعی بیش از ۸۰۰ تصویر از جلو ماشین ها که برای شناسایی خودرو بکار می روند، امتحان کردیم؛ که منجربه دستیابی به دقت بالای ۹۷٫۳% شد. بیش از ۷ نوع از خودروها با ۲۲۷ تصویر در آزمایش ما تست شدند. نرخ تشخیص بیش از ۹۲% بود و زمان پردازش سریع بیش از سطح میانگین روش های شناخت خودروی کنونی بود. با این حال، تصاویر مورداستفاده درطی روز گرفته شده بود، بنابراین تلاش های آینده ما بر شناسایی و تشخیص خودروها درطی شب، که با فناوری موجود مسئله بسیار دشواری برای حل¬کردن می باشد، متمرکز خواهدبود.

• بخشی از مقاله انگلیسی:

۷ Conclusion

Accurate and robust vehicle detection and the recognition still a challenging task in the field of intelligent transportation surveillance systems. In this paper, we presented a cascade of boosted classifiers based on the characteristics of the vehicle images to be used for vehicle detection in on-road scene images. Then, Haar-like features and an AdaBoost algorithm were used to construct the classifier for the vehicle detection, which is distinct from previous research published on vehicle detection. Next, the histogram intersection was used to measure the similarity of different LGBP Histogram Sequence, and the nearest neighborhood of the Euclidean distance was exploited for final classification, which is impressively insensitive to appearance variations due to lighting or vehicle pose. We have tested this method on a realistic data set of over 800 frontal images of cars that were used for vehicle detection, which achieved a high accuracy of 97.3 %. Over seven types of vehicle with 227 images were tested in our experiment. The recognition rate was over 92 %, with a fast processing time, which is over the average levels of current vehicle recognition methods. However, the images we used were captured during the day, so our future efforts will be focused on detecting and recognizing vehicles during the night, which is very difficult problem to solve with existing technology.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله