یک روش کارآمد برای ردیابی خودروها جهت تعیین تراکم ترافیک در سامانه ‏های ترابری هوشمند با کمک پردازش تصویر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه شهید بهشتی، تهران، ایران

2 استادیار، دانشکده مهندسی برق، دانشگاه شهید بهشتی، تهران، ایران

چکیده

در این مقاله، یک روش کارآمد ردیابی جهت تعیین تراکم ترافیک برای سامانه‏ های ترابری هوشمند پیشنهاد شده است. در این روش، در مرحلة 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، محدودة 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.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

An Efficient Vehicle Tracking Approach for Traffic Density Detection in Intelligent Transportation Systems Using Image Processing

نویسندگان [English]

  • Hamid Mohammadi 1
  • Mohammad Hossein Moaiyeri 2
1 M.Sc., Grad., Department of Electrical Engineering, Shahid Beheshti University, Tehran, Iran.
2 Assistant Professor, Department of Electrical Engineering, Shahid Beheshti University, Tehran, Iran.
چکیده [English]

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.

کلیدواژه‌ها [English]

  • Vehicle Tracking
  • Traffic Density Detection
  • Intelligent Transport Systems
  • Image Processing

مراجع

-رحمتی، م.، رادفر، ر.، طلوعی اشلقی، ع. و پیله وری سلماسی، ن.، (1398)، "طراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی (ANFIS)"، پژوهشنامه حمل و نقل، دوره 16، شماره 1، ص. 51-62.
-­Bay, H., Tuytelaars, T. and Van Gool, L., (2006), “Surf: Speeded up robust features”, 9th European conference on computer vision, Graz, 7-13 May.
-­Chachich, A. C., Pau, A., Barber, A., Kennedy, K., Olejniczak, E., Hackney, J., Sun, Q. and Mireles, E., (1997), “Traffic sensor using a colour vision method”, Transportation Sensors and Controls: Collision Avoidance, Traffic Management and ITS, Vol. 2902,
pp. 156-165.
-­Coifman, B., Beymer, D., McLauchlan, P. and Malik, J., (1998), “A real-time computer vision system for vehicle tracking and traffic surveillance”, Transportation Research Part C: Emerging Technologies, Vol. 6, No. 4,
pp. 271-288.
-­Dharani, S. J. and Anitha, V., (2014), “Traffic density count by optical flow algorithm using image processing”, International Journal of Innovative Research in Science, Engineering and Technology, Vol. 3, No. 2, pp. 501-507.
-­Ekanayake, E. M. C. L., Wijayakulasooriya, J. V. and Alahakoon, P. M. K., (2012), “Controlling High-Traffic Intensities: Detection of Vehicular Movement in a
Pre-Specified Region of Interest Using Morphological Image Processing”, International Journal of Scientific and Research Publications, Vol. 2, No. 11. pp. 1-5.
­-Garg, K., Lam, S. K., Srikanthan, T. and Agarwal, V., (2016), “Real-time road traffic density estimation using block variance”, IEEE Winter Conference on Applications of Computer Vision (WACV), Lake Placid,
7-9 March.
-­Huang, D. Y., Chen, C. H., Hu, W. C., Yi, S. C. and Lin, Y. F., (2012), “Feature-based vehicle flow analysis and measurement for a real-time traffic surveillance system”, Journal of Information Hiding and Multimedia Signal Processing, Vol. 3, No. 3, pp. 279-294.
-­Jianbo, S. and Tomasi, C., (1994), “Good features to track”, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Seattle, 21-23 June, pp.  593-600.
-­Kamkar, S. and Safabakhsh, R., (2016), “Vehicle detection, counting and classification in various conditions”, IET Intelligent Transport Systems, Vol. 10, No. 6,
pp. 406-413.
-­Liu, F., Zeng, Z. and Jiang, R., (2017), “A video-based real-time adaptive vehicle-counting system for urban roads”, PloS one, Vol. 12, No. 11, pp. 1-16.
-­Mfenjou, M. L., Ari, A. A. A., Abdou, W. and Spies, F., (2018), “Methodology and trends for an intelligent transport system in developing countries”, Sustainable Computing: Informatics and Systems, Vol. 19, pp. 96-111.
-­Mithun, N. C., Rashid, N. U. and Rahman, S. M., (2012), “Detection and classification of vehicles from video using multiple time-spatial images”, IEEE Transactions on Intelligent Transportation Systems, Vol. 13, No. 3,
pp. 1215-1225.
-­Nidhal, A., Ngah, U. K. and Ismail, W., (2014), “Real time traffic congestion detection system”, 5th International Conference on Intelligent and Advanced Systems (ICIAS),  Kuala Lumpur, 3-5 June.
-­Ozkurt, C. and Camci, F., (2009), “Automatic traffic density estimation and vehicle classification for traffic surveillance systems using neural networks”, Mathematical and Computational Applications, Vol. 14, No. 3, pp. 187-196.
-­Pandit, V., Doshi, J., Mehta, D., Mhatre, A. and Janardhan, A., (2014), “Smart traffic control system using image processing”, International Journal of Emerging Trends & Technology in Computer Science, Vol. 3,
No. 1, pp. 2278-6856.
-­­Patil, P. and Nandyal, S., (2013), “Vehicle Detection and Traffic Assessment Using Images”, Advance in Electronic and Electric Engineering, Vol. 3, No. 8, pp. 987-1000.
- Rad, A. G., Dehghani, A. and Karim, M. R. (2010),­“Vehicle speed detection in video image sequences using CVS method”, International journal of the Physical Sciences, Vol. 5, No. 17, pp. 2555-2563.
-­Tian, Q., Zhang, L., Wei, Y., Zhao, W. and Fei, W., (2013), “Vehicle Detection and Tracking at Night in Video Surveillance”, International Journal of Online Engineering, Vol. 9, pp. 60-64.
-­Tu, Z., Xie, W., Zhang, D., Poppe, R., Veltkamp, R. C., Li, B. and Yuan, J., (2019) “A survey of variational and CNN-based optical flow techniques”, Signal Processing: Image Communication, Vol. 72, pp. 9-24.
-­Wang, X., Li, T., Sun, S. and Corchado, J., (2017), “A survey of recent advances in particle filters and remaining challenges for multitarget tracking”, Sensors, Vol. 17, No. 12, pp. 1-21.
-­Wimalaratna, L. G. C. and Sonnadara, D. U. J. (2008), “Estimation of the speeds of moving vehicles from video sequences”, Proceedings of the Technical Sessions, Vol. 24, pp. 6-12.
-­Wu, B. F. and Juang, J. H., (2012), “Adaptive vehicle detector approach for complex environments”, IEEE Transactions on Intelligent Transportation Systems, Vol. 13, No. 2, pp. 817-827.
-Yue, Y., (2009), “A traffic-flow parameters evaluation approach based on urban road video. International Journal of Intelligent Engineering and Systems, Vol. 2, No. 1,
pp. 33-39.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار