شناسایی خودرو از طریق عکس های هوایی
فرمت فایل دانلودی: .docفرمت فایل اصلی: doc
تعداد صفحات: 85
حجم فایل: 5211 کیلوبایت
نوع فایل: word
قابل ویرایش 85 صفحه
چکیده:
در این پایان نامه تحقیقاتی چندین روش همراه با بعضی معایب و محاسن آن مورد بررسی واقع شده است از جمله: شناسایی خودرو در تصاویر هوایی شناسایی خودرو مبتنی بر جزئیات در تصاویر خیابانی، شناسایی خودرو در الگوریتم Icm و در نهایت Vision bqased ACC در پایان توضیحاتی در باب سیستم حمل و نقل هوشمند و چگونگی و کاربرد شناسایی خودرو ارائه شده است.
حال به صورت کلی به بیان برخی از این یافته‌ها می‌پردازیم.درشناسایی خودرو در عکسهای هوایی، یک سیستم برای شناسایی خودروها در تصاویر هوایی در طول جاده عرضه می‌شود و شروع کار ازتست‌های روانشناسی می‌باشد تا ویژگی‌های مهمی برای شناسایی (همانند مرز بدنه ماشین، مرز جلوی شیشه جلو و...)پیدا شود. که در ساختار Baysian نشان داده شده است.
شناسایی وسیله نقلیه بوسیله VIEW POINT و RESOLUTION انجام می‌شود. و وسیله نقلیه به عنوان مستطیل مدل می‌شود از میانگین gray level و سطحهای شیبدار درونی، بیرونی و میانی وسایل برای تشخیص استفاده می‌شود.
در یک تشخیص دوربین ایستا، اشیای در حال حرکت بوسیله back ground subtraction شناسایی می‌شود.
در دیاگرام سیستم تشخیص، ماشین هندسی و دوربین تا وقتی که توزیع کننده ویژگی‌ها بیشتر تعلیم داده شوند بدون یادگیری مدل می‌شود. جهت جاده‌ها بوسیله لاین‌های انبوه در تصویر تخمین زده می‌شود و از چهار قسمت از جلوی شیشه جلویی دو قسمت از مرز بیرونی سایه و شدت منطقه سایه هنگامی که وجود دارد به عنوانویژگی استفاده می‌شود. در تست روانشناختی یک مجموعه داده متفاوت با ماشینهای در شرایط آشکار سازی و تراکم مختلف در محیط متفاوت استفاده می‌شود.
نتایج بدست آمده شامل شکل مستطیلی، طرح wind shield، سایه ماشین تشخیص را آسانتر می‌کند و همچنین محیط که روی تشخیص اثر می‌گذارد می‌باشد.
در دسته‌ای از مسیر‌های جاده، مسیر‌های مورد نظر (DOI) می‌تواند بوسیله عکسها تخمین زده شود ویژگی‌های استفاده شده در این روش اغلب ویژگی‌های گردایان خطی می‌باشند. وازجوابهای گرادیان فیلتر‌های شکل اصلی استفاده می‌شود.
برای شناسایی ماشینها با ویژگی‌های قید شده باید شکل محل وابسته به مرکز را بشناسیم و از یک مدل عمومی شامل یکframe geometrical wire model و یک surface reflectance model استفاده می‌شود.
در بحث یکپارچگی ویژگی‌های چندگانه به ترکیب خصوصیات نیاز داریم و از شبکه Baysian استفاده می‌کنیم. در پارامتر‌های handcraft BN به دستگاههایی با مقادیر CPT نیاز داریم انجام دادن شناسایی با پارامتر‌های دستی کارایی قابل قبولی را نشان می‌دهد.
سپس بحث یادگیری پارامتر‌ها بیان می‌شود که به عنوان مثال یادگیری CPTفقط به محاسبات هیستوگرام نیاز دارد پس از آن شناسایی و سپس پردازش بیان خواهد شد. ضمنا بحث ROC که منحنی‌هایی هستند که کارایی سیستم مارا روی دو database نشان می‌دهد مطرح می‌شود.
بحث بعدی ذکر شده شناسایی ماشین مبتنی بر جزئیات می‌باشد. که باعث kay هاکه از تصاویر ماشینها که از مجموعه یادگیری بدست می‌آید ذکر می‌شود و به دسته‌بندی‌ها می‌پردازد. یک مخصوص می‌تواند بیش از یک دستهkay point آمیخته شود. در پایگاه داده زیر‌مجموعه منظره خیابان همه عکسها به gray scale از نتایج آزمایشات مختلف استفاده می‌شود سیستم بنزین SVM های سراسری را اجرا می‌کند. آخرین مرحله در شناسایی اشیا در عکسها بکار بستن دسته کننده‌های دانا به همه پنجره‌های پنهانی در عکسها می‌باشد. بحثهایی در مورد شناسایی‌های چندگانه و روشهای حل آن بیان می‌گردد. کاربرد این روش شناسایی ماشین با بکارگیری حد آستانه در آن صورت می‌گیرد همچنین می‌توان از روش برچسب‌گذاری در ماشینها استفاده کرد که معایب آن هم ذکر خواهد شد.
بحثهایی در مورد شناساگر اجزا و اینکه جهت ارزیابی هر جزء شناساگر، هر شناساگر به صورت زیر‌مجموعه‌ای از مجموعه تست بیان می‌شود، ذکر می‌گردد. و نیز بحث ترکیب اجزا بیان می‌شود که در آن سه دیدگاه بیان می‌شود.
بطورکلی قابل بحث است که آیا دسته‌هایkay point ماشین می‌تواند به عنوان قسمتهای ماشینی مطرح شوند، یک مقایسه با سیستم کلی‌نگر فراهم می‌شود که برای نشان دادن دیدگاه مبتنی بر جزئیات از آن استفاده می‌شود. مشاهده می‌شود که سیستم مبتنی بر جزئیات در برابر شرایط غیر عادی همانند در‌آمیختگی و روشنایی قوی مقاومت بیشتری دارد. در این ساختار منابع محاسباتی بیشتری نیاز داریم. در نهایت این روش با کارهای اولیه در شناسایی خودرو مقایسه می‌شود.
در الگوریتم ICM در ابتدا مقایسه‌ای بین PCNN صورت گرفته است، و مطالب جزئی در مورد ICM و شامل اینکه ویژگی‌های تصویر نمی‌توانند بعد از پروسهICM به آسانی بهبود یابند. الگوریتم ICM چند pulse image را می‌سازد و شناسایی تغییرات از مقایسه این تصاویر مشابه بوجود می‌آید.
بحث شناسایی ماشین در حال حرکت روی جاده با استفاده از این ICM بیان می‌گردد ICM عکسهای تصاویر را معکوس می‌کند.
در روش آخر vision based Acc می‌باشد، بحث علامتهای مسیر جاده بیان می‌گردد که هر علامت مسسیر شناسایی می‌شود و یک ناحیه interest به جای پوشاندن قسمت جلوی ego- vehicle استفاده می‌گردد.
سیستم پیگیری خط توصیف می‌شود که به سه زیر سیستم تقسیم می‌گردد. سرانجام بحث شناخت و ردیابی ماشین با استفاده از وسایل نقلیه کاندید شده در طول مسیر که هر کدام به 5 منطقه فرعی و مستقل تقسیم می‌شود بیان می‌گردد
مقدمه:
داستان cartell با یک فرد به نام Dr William M Flook شروع می‌شود.
علاقه‌ی او در علم با یک خواسته (میل) جرقه زده شد تا آن را به طور عملی در خانه و شغلش اجرا کند بعد از چندین سال مطالعه و کسب تجربه Dr.Flook سیستم شناسایی ماشین مبتنی بر تکنولوژی مغناطیس سنج، توسعه داد و آن را Cartellنامید. در سال 1969 ، آن را ساخت و اولین سیستم را در خانه‌اش بکار انداخت. چندین سال بعد او بیشتر از 40 سیستم را برای خانواده و دوستانش به‌کار انداخت. با آگاهی از اهمیت این کشف، Dr. Flook، این تکنولوژی را در سال 1975 به نام خودش کرد. فروش Cartell در سال 1979، آغاز شدمهمترین چالش آن فیلتر‌کردن فرکانس راذیویی تولید شده بوسیله‌ی برق بود.
Cartell، قادر است تا یک آرایه بزرگ از نیاز‌های drive wayرا معرفی کند.
فهرست مطالب:
چکیده
مقدمه
مقدمه‌ای بر روشهای شناسایی خودرو
شناسایی ماشین در عکسهای هوایی
1- Ralated work
2-our apprack
دیاگرام سیستم تشخیص
3- تست روانشناختی (A Psychophysical test)
4- Feature Extraction (استخراج ویژگی)
1-4 clustering ofroad direction
2-4- ویژگی‌های به کار برده شده برای ردیابی
3-4 model – basedFeature Prediction
5.Multi –feature integration
1-5 : پارامتریزه کردن خصوصیات
2-5 یکپارچگی
3-5 : پارامتر‌های BN :handcraft
4-5: یادگیری پارامتر‌ها
6 . شناسایی و پس پردازش
1-6 : شناسایی
2-6 پس پردازش (Post – Processsing)
7- نتایج و بحث (Result & Discussion)
1-7: نتایج
2-7 زمان محاسبات
8- نتایج و آینده کار
Compont – based cardetectionin street Scencee Images
1- Objectdetaction frome work
2- Experiment (آزمایش)
Street Scenes Subset database
keypoint – based car detector
Compaison to global SVMs
car detection
1-3 : ترکیب اجزا Component Combination
2-3 : شناساگر اجزاComponentdetector
3-3 :Component Combination classifier
4- car detection
5- نتایج Conclusion
Comporison with Prior work in Car detection
مقایسه با کارهای اولیه در شناسایی خودرو
Reference:
استفاده‌ی ICM
Tests of the ICM on imagery (معیارهای ICM روی تصویرسازی )
شناسایی ماشین
Refrence
A M onocular Solution to vision – based Acc in road vehicles
1- توصیف سیستم پیگیری خط
2-شناخت وردیابی ماشین
سیستم حمل و نقل هوشمند
تاریخچه ی ITS
تکنولوژیهای سیستم‌های حمل ونقل هوشمند
Wireless communications
Longer range
Computational technologies
Floating Car Data
Sensing technologies
سنسور
Distance
Inductive loop detection
Video vehicle detection
Intelligent transportation applications
مشکلات روشه
مراجع
منابع و مأخذ:
عنوان مقاله
Theoretical foundtion off the intersecting cortical model and its use for change detection of aircaft , cars , and nuclear explosion tests.
نوشته‌ی :
UIFEKblad , Jason M. Kinser .
Received 15 August 2003 , received in revised from 17 March 2004
برگرفته از:
www. Else vierComputer Science . com .
عنوان مقاله
Monocular Solution to vision – based ACC in Road Vehicles .
نوشته‌ی
Hesus Nuevo , Miguel Angel Soteb , Manuel Ocana , Luis Miguel Bergasa.
برگرفته از:
www. Depdca .uah . es / Persoual / mocana / Publicacionos/ eurocst 2005 PDF
عنوان مقاله
Component – based Car Detection in Street Scene Images .
نوشته‌ی
Brian Leung.
Submitted ro the Dapartment of Electrical Engineering and Computer Science at th MASSACHVSETTSINSTITVTE OF TECHNOLOGY May 2004 .
برگرفته از
Cbccl . mitedu / Projects / cbcl/ publications / theses/ thesis masters leung pdf.
عنوان مقاله
Car Detection in Low Resolution Aerial Images .
نوشته ی
Tao zhao Ram Nevatia.
University of Southern California Institue for Robotics and Intellingnt Systems LosAngeles .
برگرفته از:
Ris . usc. Edu / outlines / Papers/ 2003 / irco3 – Zhao. Car . pdf.
عنوان مقاله
Cartell Vehicle Detection Detection History
برگرفته از:
www. Cartell . com / Technoligy / car history . htm.
عنوان : سیستم حمل و نقل هوشمند
برگرفته از:
http : // fa . wikipedia. Cry.
