جستجوی مقالات مرتبط با کلیدواژه « سامانههای ترابری هوشمند » در نشریات گروه « فنی و مهندسی »
-
در این مقاله، یک روش کارآمد ردیابی جهت تعیین تراکم ترافیک برای سامانه های ترابری هوشمند پیشنهاد شده است. در این روش، در مرحله تشخیص، بهجای تشخیص فیزیکی خودرو از روش تشخیص نقاط ویژگی استفاده می شود. علاوه بر این، برای گروهبندی نقاط ویژگی مربوط به یک خودرو از تفریق پسزمینه در نواحی نزدیک به دوربین و از نمای پشت خودروها استفاده می شود. از آنجایی که در این نواحی خودرو تازه وارد تصویر شده است و به راحتی قابل تشخیص از سایر خودروها است، در همین مرحله گروهبندی انجام می شود. با دور شدن خودروها از دوربین، ویژگی های گروهبندی شده با کمک الگوریتم KLT ردیابی شده و تا زمانی که حتی یک ویژگی از خودرو در تصویر موجود باشد، آن خودرو شمارش می شود. بدین ترتیب، در صورت وقوع انسداد، اگر حتی فقط یک ویژگی از خودرو نمایان باشد، خودرو تشخیص داده می شود. روش پیشنهادی علاوه بر تشخیص و ردیابی دقیق خودروها، محدوده بیشتری از جاده را پوشش نیز می دهد که منجر به بهبود دقت تشخیص تراکم ترافیک و شمارش خودروها می شود. همچنین، با توجه به اهمیت پردازش بلادرنگ در تصاویر ترافیکی، با نمونه برداری از فریمه ا به این مهم نیز دست می یابیم. بر اساس روش پیشنهادی، تراکم ترافیک سبک با دقت 9/98 درصد و تراکم ترافیک سنگین با دقت 8/97 درصد تخمین زده می شود.
کلید واژگان: ردیابی خودرو, تشخیص تراکم ترافیک, سامانههای ترابری هوشمند, پردازش تصویر}In this paper, an efficient algorithm for traffic density detection in intelligent transportation systems is proposed. In the detection stage of this approach, the feature points extraction is used. Moreover, for grouping the feature points of each vehicle, background subtraction is used in areas closer to the camera and from the back view of the vehicles. In these areas, the newly arrived vehicles are recognized easily, and the features can be grouped at the same time. As the vehicles move away from the camera, the grouped feature points are tracked using the KLT algorithm. Accordingly, the vehicles are counted until even a feature of a vehicle exists in the area of interest, specified for traffic density detection. Therefore, even in an occlusion condition, if only one extracted feature of a vehicle exists, that vehicle will be detected. In addition to the accurate density detecting, the proposed method uses a larger area of the road of interest. Furthermore, due to the importance of real-time processing in traffic videos, it is provided by sampling the frames. Based on the proposed method, the traffic density can be detected with the accuracies of 98.9% and 97.8% in relatively light traffic and heavy traffic, respectively.
Keywords: vehicle tracking, traffic density detection, Intelligent transport systems, image processing}
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.