دانلود رایگان ترجمه مقاله سرعت وسیله نقلیه با استفاده از پردازش تصویر (سال 2014)

تشخیص سرعت وسیله نقلیه با استفاده از پردازش تصویر

Vehicle Speed Determination Using Image Processing

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F1900

هر فریم با ROI استخراج شده ضرب می شود. قبل از این که RGB با فریم ها ضرب شود فریم ها به سطوح خاکستری تبدیل می شود. به این دلیل که از تشخیص حرکات دیگر مثل حرکت درخت ها یا هر حرکت ناخواسته دیگری جلوگیری شود. برای دریافت دقت در تشخیص وسیله نقلیه نیازمند انجام دادن آن هستیم. اختلاف مطلق هر یک از فریم ها و مدل پس زمینه پس از ضرب هر دو با ROI به صورت لحظه ای برای تشخیص وسایل نقلیه در حال حرکت استخراج می شود. نتیجه در شکل 4 نشان داده شده است.

2)  آستانه گذاری

آستانه یکی از روش های تقسیم بندی تصویر است. تصویر سیاه و سفید را به تصویر باینری تبدیل می کند.

انتخاب مقادیر آستانه در آستانه گذاری بسیار مهم است. جداسازی پیش زمینه وسیله نقلیه از پیش زمینه آستانه-گذاری استاتیک در این قسمت مورد استفاده قرار می گیرد.

3)  عملیات مورفولوژیکی:

آنها به طور کلی بخش بندی نویزهای ناقص مورد استفاده را حذف می کنند. عملیات مورفولوژی برای تصاویر باینری مناسب است. به طور کلی آنها عملیات آستانه روی تصویر خروجی انجام می دهند. در این قسمت، عملیات باز کردن، بستن و گسترش دادن انجام می شود. عملیات باز و بسته کردن برای حذف حفره های پیش زمینه شناسایی شده مورد استفاده قرار می گیرد. گسترش تعامل ساختار عنصر و پیکسل پیش زمینه است. ساختار عنصر چیزی جز تصویر باینری کوچک نیست. در این فرآیند گسترش اندازه و شکل برای تعیین کردن ساختار عنصر بسیار مهم است. نتایج حاصل از عملیات مورفولوژی در شکل نشان داده شده است. بعد از این که پیکسل های شیء انتخاب شدند برای اتصال جزئیات تجزیه و تحلیل مورد استفاده قرار می گیرد

تجزیه و تحلیل مولفه متصل برای تعریف مناطق پیکسل با اسکن پیکسل های یک تصویر مورد استفاده قرار می گیرد. از مقیاس تصاویر باینری و خاکستری استفاده می شود. این اتصال دارای اتصال 8 پیکسل مختلف یا اتصال 4 پیکسل است.

در این قسمت مولفه متصل شده تجزیه می شود و روی تصاویر باینری اتصال 8 پیکسلی انجام می دهد.

ج) استخراج ویژگی ها:

استخراج ویژگی یک جنبه کلیدی برای ردیابی خودرو در حال حرکت است. بیشتر تاریخچه روش های مختلف استخراج ویژگی در حال حاضر در دسترس است. برخی از ویژگی های وسایل نقلیه عبارتند از: شناسایی موقعیت، سرعت، رنگ، شکل، مرکز، لبه و غیره است. با توجه به نتیجه محدودیت موقعیت خودرو در شکل کشیده شده است. در این روش، مرکز و هیستوگرام وسیله نقلیه که توسط جعبع محدودیت ها احاطه شده به عنوان ویژگی انتخاب شده است. نتیجه تشخیص سرعت در شکل 7 نشان داده شده است.

د) ردیابی خودرو:

ردیابی خودرو مبتنی بر قابلیت ردیابی است. ویژگی های استخراج شده بیش تر از فریم های متوالی است.  تشخیص این که آیا همان شیء یا شیء دیگر از الگوریتم تطبیق شیء استفاده کرده است. در تطبیق شیء فاصله الگوریتم ماهالانوبیس محاسبه شده است. ماهالانوبیس برای پیدا کردن فاصله بین تشابه و تفاوت دو گروه مورد استفاده قرار می گیرد. از کواریانس دو گروه استفاده می شود.  زمانی که ماتریس کواریانس همان ماتریس است فاصله ماهالانوبیس همان فاصله اقلیدسی است.

در تطبیق شیء فاصله بین ویژگی های شیء در فریم قبلی و فریم لحظه ای ماهالانوبیس محاسبه شده است. برخی از مقادیر آستانه تنظیم شده و فاصله محاسبه شده بین آنها مقایسه شده است. اگر فاصله مقادیر آستانه کم باشد مقادیر تطبیق شیء در فریم قبلی و فریم لحظه ای همان است. بر طبق این روش مشخصات هر شیء داده شده است. نتایج حاصل از این روش در شکل 8 نشان داده شده است.

ه) تشخیص سرعت

تطبیق شناسه وسیله نقلیه شناسایی شده بیش از تعداد فریم های ردیابی شده است. تعداد کل فریم ها در همان شیء محاسبه شده است.

کل فریم های پوشش داده شده = فریم n – فریم 0

زمانی که شیء در داخل ROI قرار دا رد فریم صفر اولین فریم است و زمانی که شیء از ROI عبور می کند فریم n آخرین فریم است. همچنین فاصله دنیای واقعی در تصویر نگاشت شده است. تعداد کل فریم ها با کل مدت زمان ضرب شده و نرخ فریم ویدئو محاسبه شده است. کل زمان جابه جایی خودرو  و فاصله بین آنها در دنیای واقعی اندازه گیری و نگاشت شده است.

سرعت = فاصله/(نرخ فریم*زمان فریم)

تشخیص سرعت خودرو از فرمول بالا به دست می آید.