Geliştirilmiş CAM Geçiş Algoritmasına Dayalı Hareketli Araç Takibinin Uygulanması
Bilgisayar teknolojisinin hızla geliştiği modern toplumda, yapay zeka kademeli olarak çeşitli senaryolara uygulanmakta ve akıllı sürüş teknolojisinin ulaşımda uygulanması sıcak bir araştırma yönüdür. Ulaşım, günlük yaşamda giderek daha önemli bir rol oynamaktadır. Ulaşımın teknik düzeyi, kentsel teknoloji düzeyini ölçmek için önemli bir gösterge haline geldi. Bununla birlikte, trafiğin hızlı gelişimi, trafik sıkışıklığı, giderek daha fazla trafik kazası ve sürüş ortamının bozulması gibi birçok sorunu beraberinde getirdi. Bu, etkili trafik yönetimi yöntemlerini gerektirir, ancak düşük verimlilik ve yüksek maliyet nedeniyle, çok sayıda insana dayanan ulaşım sisteminin yönetiminin, trafiğin mevcut hızlı gelişimine artık uygun olmadığı açıktır. Akıllı araç algılama, bugün dünyadaki karayolu akıllı ulaşımının gelişme eğilimidir.
Araç tanıma, karayolu yasa dışı davranış izleme, yasadışı lisanslı araç tanıma ve akıllı trafik geçiş ücreti istasyonları gibi trafik uygulamalarında hayati bir rol oynar. Bir yandan şehir nüfusu çok hızlı büyüdü ve şehir içi karayolu taşıtları gittikçe daha kalabalık hale geldi, bu da insan temelli trafik komutanlığı ve yönetimi üzerinde büyük baskı yarattı; diğer yandan bilgisayar teknolojisi ve örüntü tanıma disiplinleri gibi modern bilgisayar teknolojisinin araştırılması ve geliştirilmesiyle , Araç tanıma ve algılama teknolojileri gittikçe daha güvenilir ve olgun hale geliyor ve karayolu yasadışı davranış izleme, yasa dışı araç izleme ve araç tanıma teknolojisini kullanan akıllı ücret istasyonlarının güvenilirliği de giderek artıyor. Modern trafik yönetim sistemlerinde, araç tanımlama ve tespit kullanımının artmasıyla birlikte, giderek daha fazla araştırmacı dikkat etmeye başladı.
Günümüzde, yerli araç tanımlama ve algılama yöntemleri esas olarak görüntü izleme videosuna dayalı araç algılama teknolojisine atıfta bulunmaktadır. Son yıllarda akıllı seyahat kavramının ortaya çıkması ve akıllı şehirler gibi akıllı ulaşım projelerinin hayata geçirilmesi ile bilgisayar görüntülerine dayalı araç algılama teknolojisi bir araştırma patlaması başlattı. Mevcut araç tanıma teknolojisi birçok bilimsel araştırma sonucu elde etmiş ve trafik kontrol departmanında çok sayıda pratik uygulama elde etmiş olsa da, araç tanıma konusunda hala derinlemesine çalışılmaya değer birçok konu bulunmaktadır. Örneğin: hafif hava ve diğer çevresel değişiklikler durumunda, plaka tanıma doğruluğunun nasıl sağlanacağı, araç özelliği çıkarımının güvenilirliği ve sağlamlığının nasıl sağlanacağı ve uygun araç sınıflandırma standartlarının nasıl belirleneceği.
Araç tespiti ve takibi açısından, hareketli araç tespitinin sonuçlarına dayalı olarak, bu makale, ortalama kaymanın tanınmasına dayalı olarak CAM (Sürekli Uyarlanabilir Ortalama Vites) ofset izleme algoritmasını benimser. CAM ofset izleme algoritması, hedef rengi bir özellik olarak kullanan bir izleme yöntemidir.Saptanan hedefin parlaklığı, şekli ve boyutundaki değişikliklerden etkilenmez.İzleme sürecinde çok iyi güvenilirliğe sahiptir.Bu algoritma bu makalede geliştirilmiştir. Hareket eden araçların tanınması ve algılanmasını gerçekleştirmek için.
1 Dinamik araç algılama
Araç tespiti, bilgisayar görüşü, görüntü bilgisi işleme ve diğer araştırma yönlerinde sıcak bir araştırma konusudur. Asıl amacı, hareketli hedefi bir dizi görüntüden arka plan görüntüsünden "kesip çıkarmak", böylece araç hedefi görüntüden çıkarılabilir. Doğru tanımlayın. Dinamik araç algılama, araç sınıflandırma, izleme ve eylem anlayışı gibi işlem sonrası işlemlerde kritik öneme sahiptir ve yol izleme sistemleri, araç algılama ve araç izlemenin temel bir parçasıdır. Ancak, ışık değişimlerinin, iklim değişikliklerinin, arka plan renk sapmalarının ve diğer faktörlerin paraziti gibi gerçek zamanlı görüntü değişiklikleri nedeniyle, hareket algılamayı çok zor bir görev haline getirir. Mevcut hareketli hedef algılama yöntemi Aşağıdaki üç yöntemle özetlenebilir.
1.1 Çerçeveler arası fark yöntemi
Çerçeveler arası fark yöntemi, iki bitişik çerçevenin renkli görüntülerini veya gri seviyelerini karşılaştırmak ve hareketli bir nesne olup olmadığını ve hareketli hedefin konumunu, fark görüntüsündeki her pikselin gri seviyesini veya renk bileşenini bir eşik değeri ile karşılaştırarak değerlendirmektir. Tanım formülü aşağıdaki gibidir:
Bunlar arasında, Pt (x, y) t zamanındaki kareyi, Difft (x, y) t zamanındaki iki bitişik kare arasındaki görüntü farkını ve (x, y) piksele karşılık gelen koordinatı temsil eder.
1.2 Arka plan farkı yöntemi
Arka plan farkı yönteminin temel fikri, önceden yol sahnesinin bir görüntü modelini oluşturmak ve ardından algılanacak pikselleri arka plan görüntüsünün piksellerinden çıkarmak, yani hesaplamaktır:
Bunlar arasında, Ft (x, y) ve Bt (x, y) sırasıyla t zamanındaki geçerli çerçeve ve arka plan görüntüsüdür ve Difft (x, y) arka plan farkı görüntüsüdür.
1.3 Optik akış yöntemi
Araç hedef tespitinde kullanılan optik akış yöntemi, zamanla dinamik olarak değişen hareketli araçların optik akış özelliklerinden yararlanır. Bu yöntemin avantajı, yol sahnelerinin diğer verilerini önceden toplamadan bağımsız hareket eden araçları tespit edebilmesi ve kameranın hareket ettiği sahnelerde kullanılabilmesidir. Bununla birlikte, optik akış hesaplamalarının çoğu çok karmaşıktır ve kontrast küçüktür ve parazit önleme yeteneği zayıftır. Veri toplama için daha iyi araştırma ekipmanı yoksa, bu yöntem pratik uygulamalara uygulanamaz, bu nedenle uygulanabilirlik zayıftır.
2 Spor araç takibi
Karayolu taşıtı algılamanın amacı, bir dizi görüntüyü analiz etmek ve incelemek, ardışık çerçevelerde hareket eden araçların sapmasını hesaplamak ve araç boyutu, hız ve trafik yoğunluğu gibi gerçek zamanlı parametreleri elde etmek, böylece kentsel araç tıkanıklığını ve trafik sıkışıklığını çözmek için bir temel sağlamaktır. . Güvenilirlik ve doğruluk, araçları tespit etme sürecinde önemli referans noktalarıdır.
Öncelikle, araç tespiti için önceden hazırlanmış bazı faydalı verileri kullanın: Aracın görüntüdeki yönü, görüntüdeki aracın oranı ve aracın RGB verileri. Bu verileri CAM ofset algılama algoritmasının parametreleri olarak kullanın Görüntünün görünür aralığında görünen her araç için bir fark oluşturarak, her aracın hareket bilgilerini her an kaydederek ve her aracın ortalama hızını gerçek zamanlı olarak hesaplayarak vb. Trafik akışının karayolu trafik kontrolü için güvenilir bir temel sağlamak için parametreler. Daha sonra, CAM ofset araç takip algoritması detaylı olarak tanıtıldı.
2.1 CAM algoritma teorisi
CAM ofset algoritması ilk olarak canlılarda insan yüzlerinin tanınmasına uygulanmıştır ve belirli renklerle hedefleri belirlemek için renk bilgilerini hesaplama için kullanır. CAM kaydırma, ortalama kayma için bir optimizasyon algoritmasıdır. Başlangıçta Gary Bradsky ve diğer araştırmacılar tarafından önerilmiş ve CAM kaydırma (Cominuously Uyarlamalı Ortalama Kaydırma) algoritması adı verilen sürekli görüntü dizilerinin yüz izlemesine uygulanmıştır. Ortalama kayma, renk olasılık dağılımı görüntüsündeki olasılık dağılımının en uç değerini bulan sağlam bir parametrik olmayan yoğunluk gradyan tahminidir. CAM ofset algoritması ile renkli hedef izleme akışı Şekil 1'de gösterilmektedir.
CAM algoritmasının farklı aşamaları:
(1) Ortalama vardiya ilk penceresinden daha büyük olan arama alanının olasılık dağılımını hesaplayın;
(2) Ortalama kaymanın W penceresini başlatın;
(3) Yakınsamaya kadar ortalama kaymayı uygulayın ve yakınsama penceresi Wf'yi elde edin;
(4) Wf değeri ile ± 5 piksel ekleyin ve olasılık dağılımının ikinci momentinden itibaren elipsi Wf'yi değerlendirin;
(5) Bir sonraki görüntünün ortalama hareketli ilk dikdörtgenini hesaplayın ve arama alanını tanımlamak için ±% 20 büyütün;
(6) Bir sonraki görüntü karesi için (1) - (5) arasındaki adımları tekrarlayın.
Olasılık dağılımının ikinci momentinden I = Ps elips parametresini tahmin edin. Ortalama hareket yakınsadığında, CAM göç algoritması W penceresini genişletir ve aralığı içindeki noktaların% 99'unu içeren bir güven elipsini hesaplar. Bu noktaların Şekil 2'de gösterildiği gibi bir Gaussian 2D dağılımına sahip olduğu varsayılırsa, bu, ilgilenilen bölgenin ikinci momentinden itibaren elipsin parametrelerini tahmin etmeyi mümkün kılar. (x, y) piksel koordinatlarını temsil eder, (xc, yc) elipsin merkezidir ve i, j karşılık gelen hesaplama sıralarıdır.
Bunlar arasında Moo, piksel matrisinin sıfır derece momentini temsil eder. Eğer bir < b. Bu, elips ve yatay 45 ° 'den büyük bir açı oluşturduğunda meydana gelir, bu uzunluklar değiştirilir ve açısı / 2-'ye eşit kabul edilir.
Daha sonra, bir sonraki görüntünün ortalama hareketinin ilk penceresinin yüksekliği w ve genişliği h, elipsin köşelerini a ve b eksenleri üzerine yansıtarak elde edilir:
2.2 Algoritma optimizasyonu ve iyileştirme
2.2.1 CAM algoritmasının artıları ve eksileri
CAM ofset izleme algoritması, renk özelliklerine dayalı hareketli bir hedef izleme yöntemidir.Hedefin renk özelliği, hedefin hareketinin şeklinden etkilenmediği için nispeten kararlı bir özelliktir, bu nedenle hareketli nesneleri izlemek için kullanılabilir. CAM ofseti, her çerçevenin ortalama ofset hesaplamasında önceki çerçeve hesaplamasının sonucunu kullandığından, izleme hedefi kısmen kapatılmış olsa bile hedef sürekli olarak izlenebilir. Bununla birlikte, önceki CAM ofset algoritmasının da gerçek operasyonda eksiklikleri vardır. Arama penceresinin ilk konumunun manuel olarak ayarlanması gerekir ve hareketli nesnelerin örnekleri de manuel olarak seçilmelidir.İnsan katılımının ortaya çıkması nedeniyle, algoritma tam otomatik gerçek zamanlı izleme gerçekleştiremez.
2.2.2 CAM algoritması optimizasyonu
İlk olarak, sistem başlatıldığında, Bölüm 1'de açıklanan yöntemle yoldaki araçlar hızlı bir şekilde algılanır ve her aracın konumu, boyutu ve rengi çıkarılır. Daha sonra her araca bağlı dikdörtgen çerçevenin konumu ve boyutu ile CAM ofset arama penceresini başlatın, böylece algılanan her araç CAM ofset algoritması tarafından izlenir. Hareketli araç algılama ile birleştirilerek akıllı araç algılama ve tanıma gerçekleştirilmektedir. Optimizasyon süreci Şekil 3'te gösterilmektedir. Süreç aşağıdaki şekilde detaylandırılmıştır:
(1) Hareketli araç algılama algoritması sayesinde yoldaki tüm hareketli araçlar algılanır ve testte tespit edilen her araç dikdörtgen çerçeve ile bağlanır ve her dikdörtgen çerçevedeki Ton kanal histogramı aynı anda hesaplanır ve elde edilen veriler aracın verileri olarak kabul edilir. Renk arama tablosu.
(2) Algılanan tüm araçlar için bir "CAM ofset izleyici" kurun, yani algılanan her bir hareketli nesneyi izlemek için CAM ofset algoritmasını kullanın Algoritmanın ilk arama alanı ve Ton kanalı histogramı önceki adımdan alınmıştır. Elde edilen.
(3) Arama alanındaki renk olasılığı dağılım görüntüsünü, yani ters projeksiyon hesaplamasını hesaplayın.
(4) Yeni arama alanının menzilini ve konumunu elde etmek için ortalama kaydırma algoritmasını uygulayın ve verilerini kaydedin.
(5) Bir sonraki karede elde edilen görüntüde, arama alanındaki aracın menzilini ve konumunu güncellemek için önceki adımda elde edilen değeri kullanın ve uygulamaya devam etmek için (3) adımına atlayın. Algoritma, izlenen araç görüntü aralığının dışına çıkana kadar tekrar eder, CAM ofset algoritması sonlandırılabilir.
2.2.3 Optimizasyon sonuçları
Optimize edilmiş algoritma, hedef deformasyon ve tıkanma problemini etkili bir şekilde çözebilir.Yüksek sistem kaynakları gerektirmez ve düşük zaman karmaşıklığına sahiptir.Basit bir arka planda iyi izleme sonuçları elde edebilir. Yalnızca arka plan çok karmaşık olduğunda veya hedef renge benzer çok sayıda piksel olduğunda izleme başarısız olur. Çünkü sadece renk histogramını dikkate alır ve hedefin uzamsal dağılım özelliklerini göz ardı eder. Şekil 4'te gösterilen sahne için, aracın dinamik takibi iyi bir şekilde gerçekleştirilebilir.
3 Algoritma analizi
Ortalama kayma, parametrik olmayan bir yoğunluk tahmin algoritması olan bir kümeleme görüntü tanıma teknolojisidir. Ortalama kaydırma algoritması, görüntünün olasılık dağılımının gradyanına en yakın kısmını bulmak için kullanılır.
Hareketli araçları izlemek için CAM ofset izleme algoritması kullanılırken, araç tanıma sürecinde tanınmanın güvenilirliğini ve doğruluğunu sağlamak için bazı yapay olarak belirlenmiş kısıtlamaların eklenmesi gerekir:
(1) Işığın yoğunluğuna müdahale edildiğinde, ortalama kaydırma algoritması ile hesaplanan arama penceresinin genişliği yolunkinden daha geniş olabilir, ancak gerçek aracın genişliği şeridin genişliğinden daha geniş olamayacağı için arama yapay ayar ile hesaplanır. Pencere genişliği, yol şeridinin genişliğinden daha geniş değildir.
(2) Yol koşulları daha karmaşık olduğunda, hareketli araçların tespiti parazite neden olacaktır.Bu nedenle, aracın birkaç çerçeveden fazla sürekli izlendiğinde aracın bir araç olarak tanınması ve tespit edilmeye ve tanımlanmasına devam edilmesi; aksi takdirde göz ardı edilerek hareket hatası tespiti olarak değerlendirileceği kabul edilmiştir. Girişim neden oldu.
Araç tanıma algoritması, renk farkına dayalı CAM ofseti, aracı izlemek ve tanımak için kullanılır ve CAM vites değiştirme izleme, mobil araç konumlandırma algoritması ile başlatılır. Araç gövdesinin renk özelliği aracın şeklinden veya boyutundan etkilenmeyecek, tanıma sürecinde görece stabil bir özellik ve benimsenebilecek bir özelliktir. Bu makale, hareketli araçların tanımlanmasını hızlı, güvenilir, akıllıca ve otomatik olarak tamamlar.
4. Sonuç
Hareket eden araçların veri toplama ve işlenmesinde, diğer yöntemlerle karşılaştırıldığında, bilgisayar görüntüsü tanımaya dayalı algılama yöntemi, düşük maliyet, sezgisellik, uygun bakım ve birçok algılama parametresi gibi avantajlara sahiptir.Gelecekte araç bilgilerini tanımanın araştırma yönüdür. Bu yazıda, araç akış parametrelerinin tespiti için bilgisayarla görüntü işleme yöntemi gerçekleştirilmiş ve ön araştırma sonuçları elde edilmiştir. Hareketli araç takibi açısından, hareketli araçların tespit sonuçlarına dayalı olarak, bu makale, ortalama kaydırma algoritmasına dayalı CAM ofset izleme algoritmasını benimser, böylece algoritma, hareketli araçların tam otomatik gerçek zamanlı takibini gerçekleştirir. CAM göç algoritması, hedefin renk özelliklerini kullanan, araç modelinden ve yapısından etkilenmeyen, izleme sürecinde iyi doğruluk ve güvenilirliğe sahip bir izleme yöntemidir.
Referanslar
Wang Lei, Wang Hanli, He Lianghua.Çift kenar algılamaya dayalı plaka tanıma algoritması Bilgisayar Mühendisliği ve Uygulamaları, 2013, 49 (8): 169-173.
Chen Wenyi, Zhang Long, Yang Hui. HDR görüntü ton eşlemesi için uyarlamalı renk ayarlama algoritması. Application of Electronic Technology, 2018, 44 (11): 107-110.
Cai Nian, Zhou Yang, Liu Gen.Güçlü Temel Bileşen Analizine Dayalı Hareketli Hedef Tespiti Üzerine Bir İnceleme. Journal of Image and Graphics, 2016 (10): 1265-1275.
Zhang Han, Yan Huaiping, Zhang Zhan. Gölge algılama için çok özellikli füzyon ve minimum ortalama kare hatası optimizasyonu. Application of Electronic Technology, 2018, 44 (10): 153-157.
Cong Bin, Wang Zhefu. Gauss arka plan farkı ve AdaBoost kombinasyonuna dayalı Camshift hedef izleme Karmaşık, Akıllı ve Yazılım Yoğun Sistemler Konferansı Springer, Cham, 2018: 1087-1096.
Chu Hongxia. Ortalama kayma ve partikül filtresine dayalı temel hedef izleme teknolojileri üzerine araştırma Harbin: Harbin Mühendislik Üniversitesi, 2012.
Cai Yongzhi, Plaka tanıma için geliştirilmiş bir sinir ağı algoritması üzerine araştırma. Bilim ve Teknoloji Bülteni, 2012, 28 (10): 128-130.
SIMONYAN K, ZISSERMAN A. Büyük ölçekli görüntü tanıma için çok derin evrişimli ağlar ICLR 2015, 2015: 1-14.
Liu Fanghui, Guo Hui, Zhang Pei, vb. İlkel otokorelasyon grafiğine ve yapısal eleman histogramına dayalı görüntü erişimi Elektronik Teknolojinin Uygulanması, 2017, 43 (8): 115-118.
yazar bilgileri:
Zhao Peng, Feng Dajun, Xu Yifeng
(Kuzey Çin Bilgisayar Sistem Mühendisliği Enstitüsü, Pekin 100083)
