عنوان پایان‌نامه
طراحی وساخت سیستمی برای شناسایی پارامترهای شبکه حمل و نقل در تقاطع ها با استفاده از روشهای پردازش تصویر
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2608;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66768
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۳
- دانشجو
- احسان ناطقی نیا
- استاد راهنما
- اشکان رحیمی کیان, منوچهر مرادی سبزوار
- چکیده
- در این پایان نامه، یک سیستم مبتنی بر پردازش تصویر به منظور استخراج برخی از داده های ترافیکی مهم در یک تقاطع مانند تعداد خودروها، مبدا و مقصد هر خودرو و میانگین زمان سفر خودروها در آن تقاطع، گام به گام بررسی شده است. این داده ها در تحلیل و مدل سازی تقاطع مذکور به منظور کنترل زمان بندی چراغ ها و تعیین استراتژی های عبور می توانند به کار گرفته شوند. اولین گام مربوط به تشخیص خودروها عبوری از تقاطع می باشد. بدین منظور یک مدل سازی آماری برای یافتن پس زمینه ی تصویر و یک مدل سازی بافت پویای تصویر به کار گرفته شده است. ترکیب مدل سازی آماری و مدل سازی بافت پویا، تصویر پیش زمینه ی شامل خودروها را تشکیل می-دهد. در گام دوم برای دنبال کردن یک خودرو در تقاطع و مشخص نمودن مسیر حرکتی، مبدا-مقصد و زمان سفر آن در تقاطع، بایستی بتوان آن را ردیابی کرد. بدین منظور ترکیبی از الگوریتم ها به منظور پیاده سازی استراتژی ردیابی مورد استفاده قرار گرفته اند. از الگوریتم های پیش بینی شامل الگوریتم بازگشتی حداقل مربعات وزن‌دار، فیلتر کالمن و الگوریتم بازگشتی حداقل مربعات مبتنی بر توابع هسته، به منظور پیش بینی مکان خودرو در فریم بعدی استفاده شده است. الگوریتم تطبیق الگو نیز برای حل مشکل تداخل و ادغام ماسک پیش زمینه ی خودروها با یکدیگر پیاده سازی شده است. در پایان نیز تعداد، مسیر و زمان خودروها به عنوان متغیرهای ترافیکی، از اطلاعات بدست آمده از مسیرهای ردیابی استخراج می شود. دو مجموعه دادگان ویدیویی که مجموعه اول تقاطعی در شهر اراک و مجموعه دوم تقاطعی در شهر ماساچوست آمریکا است، برای ارزیابی سیستم پیشنهادی استفاده شده است. سیستم پیشنهادی با استفاده از پیش بینی بازگشتی حداقل مربعات مبتنی بر توابع هسته، مسئله¬ی ردیابی و استخراج داده های ترافیکی در تقاطع را با دقت 90% بر روی مجموعه دادگان شهر اراک انجام می دهد. درحالیکه برای مجموعه دادگان دوم به دلیل عدم قرارگیری مناسب دوربین از نظر مکان و زاویه ی آن، دقت سیستم در تشخیص، ردیابی و استخراج داده ها تا 60% کاهش پیدا می کند. واژه‌های کلیدی: فناوری های جمع آوری داده های ترافیکی، مدلسازی پس زمینه، ارتباط داده، تطبیق الگو، همبستگی متقابل نرمال شده، پیش بینی نقطه ای، الگوریتم بازگشتی حداقل مربعات وزن‌دار، الگوریتم بازگشتی حداقل مربعات مبتنی بر توابع هسته.
- Abstract
- In this thesis, an image processing based system to extract some critical traffic data of an intersection, e.g., number of vehicles passing through the intersection, origin/destination of the vehicles in an intersection, and the mean travel time is investigated. This data can be applied to analyze and model an intersection, in order to control the timing of lights The first step is to identify the passing vehicles through the intersection. For this purpose, a statistical background modeling and a dynamic texture modeling have been used. The foreground image, including vehicles composes by the combination of statistical and dynamical background modeling. In the second step, the vehicle needs to be tracked in order to identify its path, origin-destination and travel time at the intersection. To achieve this goal, a combination of algorithms has been used to implement tracking strategies. Some predicting algorithms such as weighted recursive least squares, Kalman filter and kernel recursive least squares, have been utilized to predict the location of the vehicle in the next frame. Moreover, to solve the occlusion of two or more vehicles, fast normalized cross correlation algorithm has been used in the template matching step. Finally, the parameters are extracted from the data which are obtained by tracking paths. Two video data sets of intersections in Arak, Iran, and Massachusetts, USA, has been used to evaluate the proposed system. The proposed system performs the tracking and data extraction of the intersection with a 90% precision over the traffic data set of Arak, using kernel recursive weighted least square filter. However, for the second dataset, due to lack of suitable location and angle of the camera, precision of detection, tracking and data collection is diminished to 60%. Keywords: Traffic data collection technologies, background modeling, data association, template matching, normalized cross correlation, point prediction, weighted recursive least squares, kernel recursive least squares.
