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

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 200

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_TRJ-19-4_016

تاریخ نمایه سازی: 17 آبان 1401

Abstract:

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 ۹/۹۸ درصد و تراکم ترافیک سنگین با دقت ۸/۹۷ درصد تخمین زده می شود.

Authors

حمید محمدی

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

محمد حسین معیری

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

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • طراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS) [مقاله ژورنالی]
  • ­Bay, H., Tuytelaars, T. and Van Gool, L., (۲۰۰۶), “Surf: ...
  • ­Chachich, A. C., Pau, A., Barber, A., Kennedy, K., Olejniczak, ...
  • ­Coifman, B., Beymer, D., McLauchlan, P. and Malik, J., (۱۹۹۸), ...
  • ­Dharani, S. J. and Anitha, V., (۲۰۱۴), “Traffic density count ...
  • ­Ekanayake, E. M. C. L., Wijayakulasooriya, J. V. and Alahakoon, ...
  • ­-Garg, K., Lam, S. K., Srikanthan, T. and Agarwal, V., ...
  • ­Huang, D. Y., Chen, C. H., Hu, W. C., Yi, ...
  • ­Jianbo, S. and Tomasi, C., (۱۹۹۴), “Good features to track”, ...
  • ­Kamkar, S. and Safabakhsh, R., (۲۰۱۶), “Vehicle detection, counting and ...
  • ­Liu, F., Zeng, Z. and Jiang, R., (۲۰۱۷), “A video-based ...
  • ­Mfenjou, M. L., Ari, A. A. A., Abdou, W. and ...
  • ­Mithun, N. C., Rashid, N. U. and Rahman, S. M., ...
  • ­Nidhal, A., Ngah, U. K. and Ismail, W., (۲۰۱۴), “Real ...
  • ­Ozkurt, C. and Camci, F., (۲۰۰۹), “Automatic traffic density estimation ...
  • ­Pandit, V., Doshi, J., Mehta, D., Mhatre, A. and Janardhan, ...
  • ­­Patil, P. and Nandyal, S., (۲۰۱۳), “Vehicle Detection and Traffic ...
  • Rad, A. G., Dehghani, A. and Karim, M. R. (۲۰۱۰),­“Vehicle ...
  • ­Tian, Q., Zhang, L., Wei, Y., Zhao, W. and Fei, ...
  • ­Tu, Z., Xie, W., Zhang, D., Poppe, R., Veltkamp, R. ...
  • ­Wang, X., Li, T., Sun, S. and Corchado, J., (۲۰۱۷), ...
  • ­Wimalaratna, L. G. C. and Sonnadara, D. U. J. (۲۰۰۸), ...
  • ­Wu, B. F. and Juang, J. H., (۲۰۱۲), “Adaptive vehicle ...
  • Yue, Y., (۲۰۰۹), “A traffic-flow parameters evaluation approach based on ...
  • نمایش کامل مراجع