簡易檢索 / 詳目顯示

回結果列表
研究生： 陳俊宇
論文名稱： 車輛分類與計數系統
Vehicle Classification and Counting
指導教授： 陳世旺
Chen, Sei-Wang
梁祐銘
Liang, Yu-Ming
學位類別： 碩士
Master
系所名稱： 資訊工程學系
Department of Computer Science and Information Engineering
論文出版年： 2014
畢業學年度： 103
語文別： 中文
論文頁數： 65
中文關鍵詞： 累計曲線法 、Time-Spatial Imag 、SVM陰影去除 、模糊限制滿足技術 、遮蔽處理
英文關鍵詞： Accumulated Curve, Time-Spatial Imag, SVM Shadow Removal, Fuzzy Constraints Satisfaction Propagation, occlusion
論文種類： 學術論文
相關次數： 點閱：156  下載：13 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 隨著科技的進步及攝影器材的普及，視訊監控已成為我們生活中最重要的安全監控工具之一，而車種分類與計數更在智慧型交通安全監控系統中扮演著重要的角色，其目的是希望能改善交通壅塞與安全的問題。本研究發展一個以電腦視覺為基礎的即時車種分類及車輛計數系統。在系統運作的過程中，主要可以分為兩個大步驟，第一大步驟為車輛的擷取，第二大步驟為車輛分類與計數。在車輛的擷取的部份，首先對輸入的影片建立Time-Spatial Images(TSI)，並利用Support Vector Machine(SVM)與HSV Based on Deterministic Non-Model Based Approach來分類陰影與非陰影，將TSI圖中的陰影部份去除後，再透過簡單的morphology處理擷取Region of Interest(ROI)即為車輛在TSI圖的區域。在車輛分類與計數的部份，我們使用ROI累計曲線法和Fuzzy Constraints Satisfaction Propagation(FCSP)演算法來處理遮蔽的問題，利用Fuzzy的觀念進行各種車種模糊比對，從有遮掩情形的ROI區域中分離出獨立的車輛，並進行車輛的分類與計數。實驗的結果顯示所提技術可以在無特殊輔助硬體的環境下，能有效且即時地執行車種分類與計數，並證明了此方法具可行性的。

    Vehicle classification and counting play an important role in the intelligent transportation system, as they may serve to improve traffic congestion and safety problems. Therefore, this study has developed a real-time and computer-based visual vehicle classification and counting system. This will involve establishing Time-Spatial Images (TSI) from input video, removing the shadow portions in TSI through the use of Support Vector Machine (SVM) and Deterministic Non-Model Based Approach, capturing the Region of Interest (ROI) through a simple morphology process, and finally using the ROI accumulative curve method and Fuzzy Constraints Satisfaction Propagation (FCSP) to process occlusion problems and perform vehicle classification and counting. The experimental results have shown that the proposed method is feasible.

    第一章 緒論…………………………………………..…………………1 1.1 研究動機與目的………...……………………………………1 1.2 國內外相關研究………...……..……………………………2 1.2.1 前景物偵測……………………………………………4 1.2.2 車輛分類與計數………………………………………6 1.3 論文架構…………………………...…………………………7 第二章 系統架構……………………………..…………………………8 2.1 系統設置……………………………………...………………8 2.2 系統運作…………………………………….………………10 2.2.1 車輛的擷取…………………...………………………11 2.2.2 車輛分類與計數…………………...…………………13 第三章 車輛的擷取……………………………………………………14 3.1 TSI圖的建立……………………………..…………………14 3.2 陰影去除…………………….………………………………15 3.2.1 支持向量機(Support vector machine，SVM)…....16 3.2.2 SVM的特徵擷取…………………...……………….…19 3.2.3 Deterministic Non-Model Based Approach………22 3.3 ROI的偵測…………………………………...………………24 3.4 ROI速度的修正…………………………………...…………28 第四章 車輛分類與計數………………………………………………31 4.1 FCSP的概念………………………………….………………31 4.1.1 Flexible constraints的模糊表示法………...……31 4.1.2 FCSP運算……………………………………..………32 4.1.3 FCSP的演算法………………………..………………33 4.2 遮蔽偵測與處理……………………………………….……35 4.2.1 ROI累計曲線和樣板曲線的建立……………………35 4.2.2 車輛遮掩的偵測…………………...…………………36 4.2.3 車輛遮蔽處理……………………………………...…41 第五章 實驗結果………………………………………………………45 5.1 實驗一(強光)……………………………………….………45 5.2 實驗二(普通光)……………………………….……………48 5.3 實驗三(昏暗光)………………………….…………………52 5.4 實驗四(雨天)………………………………….……………55 5.5 實驗五(夜間)……………………………….………………58 第六章 結論與未來方向………………………………………………62 參考文獻………………………………………………..………………63 圖表目錄 第一章 緒論 表1.1 台灣地區機動車輛登記數………………...………………1 第二章 系統架構 圖 2.1 系統設置狀況：側視圖………………………………….....8 圖 2.2 系統設置狀況：俯視圖……………………………..………9 圖 2.3 道路監測影像………………………………………………9 圖 2.4 車輛分類與計數系統架構圖……………………………..10 圖 2.5 Time-Spatial Image…………………………………..…12 圖 2.6 Region of Interest…………………………………….…12 圖 2.7 建立累計曲線樣板…………………………………….… 13 第三章 車輛的擷取 圖 3.1 under-segmentation……………...……………………….....8 圖 3.2 TSI圖……………...………………………..........................15 圖 3.3 SVM分群示意圖……………...……………………..............16 圖 3.4 SVM說明圖…………………...……………………..............17 圖 3.5 有些資料無法分類….……...……………………..............19 圖 3.6 藍色部分為陰影處….………..……………….…..............22 圖 3.7 陰影的部分補上背景值…...……...………………............22 圖 3.8 參數範圍小的結果…………...………………...................23 圖 3.9 參數範圍大的結果….…...…...………………...................23 圖 3.10 合併後的結果….……...………………............................23 圖 3.11 Sobel邊緣化結果圖….……...………………...................25 圖 3.12 膨脹示意圖…...……...……………………......................26 圖 3.13 侵蝕示意圖….……...……………………..…..................27 圖 3.14 (a)原始TSI圖(b)經由形態學處理後的結果..................27 圖 3.15 速度對前景物長度的影響………………………............28 圖 3.16 ROI位移估計圖….………......……………..…..................29 圖 3.17 （a）兩輛車輛速度不同且發生遮蔽時的示意圖，（b）若前圖發生遮蔽，則在TSI影像中形成的影像之示意圖….…..........30 圖 3.18 ROI長度修正的實驗結果….………......…………............30 第四章 車輛分類與計數 圖 4.1 的圖形， 為圖形 軸的最高點，我們令該點對應歸屬函數之值為1………................................38 圖 4.2 模糊數=200時， 對圖形的影響……………..................39 圖 4.3 ( ,0.5)的歸屬函數圖形，( ,0.5)表示 =0.5，令 = ，且 為模糊數....................................................................39 圖 4.4 高斯分佈機率圖….………..…………….…......................41 圖 4.5 特殊情況下會不只一個突起，此時我們會視每個突起為單獨的累計曲線來處理….………..……………..….…......................41 圖 4.6 遮掩的部分會發生重複消除的現象，並紀錄下減去樣板曲線的位置............................................................................................42 圖 4.7 AND運算之結果及加回累計曲線的示意圖…...…………..43 圖 4.8 部分實驗的結果，左右分為三排，分別為：前景物、去除陰影後的前景物、及occlusion處理的結果，最右邊一排不同顏色代表處理….……………………………………………………...44 第五章 實驗結果 圖 5.1 強光下車流順暢的交通影像…………….………..……...45 圖 5.2實驗一影片中某片段時間中建構出來之TSI圖…….......46 表5.1 實驗一之實驗結果…………………………………………47 圖5.3 由圖5.2中擷取誤判的部分………………………………47 圖5.4 普通光下車流偏多的交通影像……………………………48 圖5.5實驗二影片中某片段時間中建構出來之TSI圖…….……49 表5.2 實驗二之實驗結果…………………………………………50 圖5.6 由圖5.5中擷取誤判的部份………………………….……50 圖5.7 車輛遮蔽無法處理的問題…………………………………51 圖5.8 昏暗光中車流量少的交通影像……………………………52 圖5.9實驗三影片中某片段時間中建構出來之TSI圖…….....…53 表5.3 實驗三之實驗結果…………………………………………54 圖5.10 光線昏暗造成的問題……………………………..………54 圖5.11 雨天的交通影像…………………………..…..…………..55 圖5.12 實驗四影片中某片段時間中建構出來之TSI圖…….......56 表5.4 實驗四之實驗結果………………….…………...…………57 圖5.13 雨天造成水花濺起的問題………………….....…...……..57 圖5.14 夜間的交通影像…………………………..…..…………..58 圖5.15 實驗五影片中某片段時間中建構出來之TSI圖…….......59 表5.5 實驗五之實驗結果…………………………………………60 圖5.16 夜間車燈造成的影響………………………..…..………..60 圖5.17 Accuracy……………………………………..…..………..61 圖5.18 Recall………………………………………..…..………..61

    [1] 交通部「機動車輛登記數」機動車輛登記數為公路總局,
    http://stat.motc.gov.tw/mocdb/stmain.jsp?sys=100&funid=a3301.
    [2] I. Masaki, “Machine-Vision Systems for Intelligent Transportation Systems”, IEEE Intelligent Systems, VOL. 13, NO. 6, pp. 24-31, 1998.
    [3] Y.Liu, G.Li, S.Hu, and T.Ye, “Real-time Detection of Traffic Flow Combining Virtual Detection-line and Contour Feature”, International Conference on Transportation, Mechanical, and Electrical Engineering (TMEE) Changchun, China, December 16-18, 2011.
    [4] L.Unzueta, M.Nieto, A.Cortes, J.Barandiaran, O.Otaegui, and P.Sanchez, “Adaptive Multicue Background Subtraction for Robust Vehicle Counting and Classification” , IEEE Transactions on Intelligent Transportation Systems, VOL. 13, NO. 2, JUNE 2012.
    [5] N.C.Mithun, N.U.Rashid, and S. M. M.Rahman, “Detection and Classification of Vehicles from Video Using Multiple Time-Spatial Images”, IEEE Transactions on Intelligent Transportation Systems, VOL. 13, NO. 3, SEPTEMBER 2012.
    [6] B. K.Horn, and B. G. Schunck, “Determine Optical Flow”, Artificial intelligence, VOL.17, Issues 1-3, pp. 185-203, 1981.
    [7]C. Anderson, Peter Burt, and G. van der Wal, “Change Detection and Tracking Using Pyramid Transformation Techniques”, In Proceedings of SPIE - Intelligent Robots and Computer Vision, VOL. 579, pp. 72-78, 1985.
    [8] S. Takaba, T. Sekine, and B.W. Hwang, “A Traffic Flow Measuring System Using a Solid State Sensor”, International Conference on Road Traffic Data Collection, London, UK, pp.110-114, 1984.
    [9]W.F.Gardner, and D.T.Lawton, “Interactive Model-Based Vehicle Tracking” ,IEEE Trans. On Pattern Analysis and Machine Intelligence, VOL. 18, pp.1115-1121, 1996.
    [10]A.H.S.Lai, and N.H.C.Yung,“A Fast and Accurate Scoreboard Algorithm for Estimating Stationary Background in an Image Sequence”, Proc. of IEEE International Symp. on Circuits and Systems, VOL. 4, pp. 241-244, 1998.
    [11] D.W.Lim, S.H.Choi, and J. S. Jun, “Automated Detection of all Kinds of Violations at a Street Intersection Using Real-Time Indivisual Vehicle Tracking”, Proc. of Fifth IEEE Southwest Symposium on Image Analysis and Interpretation, pp. 126-129, 2002.
    [12] J.M.Wangt, Y.C.Chung, C.L.Changt, and S.W.Chen, “Shadow Detection and Removal for Traffic Images”, Proceedings of the 2004 IEEE International Conference an Networking. Sensing & Control Taipei, Taiwan, March 21-23. 2004.
    [13] E.Arbel, and H.Hel-Or, “Shadow Removal Using Intensity Surfaces
    and Texture Anchor Points”, IEEE Transactions on Intelligent Transportation Systems, VOL. 33, NO. 6, JUNE 2011.
    [14] P. Gamba, M. Lilla, and A. Mecocci, “A Fast Algorithm for Target Shadow Removal in Monocular Colour Sequences”, Proc. of International Conf. on Image Processing, VOL.1 ,pp. 436-447, 1997.
    [15] J.Kato, S.B.Joga, and J.Rittscher, “An HMM-based Segmentation Method for Traffic Monitoring Movies”, IEEE Transactions on Intelligent Transportation Systems, VOL. 24, NO. 9, SEPTEMBER 2002.
    [16] Biano, “Support Vector Machine簡介” , http://www.cmlab.csie.ntu.edu.tw/~cyy/learning/tutorials/SVM3.pdf
    [17] A. Prati, I. Mikić, C. Grana, and M. M. Trivedi, “Shadow detection algorithms for traffic flow analysis: a comparative study,” IEEE Conf. on Intelligent Transportation System, pp. 340-345, 2001.
    [18] M.Qing, V.D.Hoang, and K.H.Jo, “Localization and Tracking of Same Color Vehicle under Occlusion Problem”, Mecatronics-REM 2012
    November 21-23, 2012. Paris, France.
    [19] J.Kilger,“A Shadow Handler in a Video-Dased Realtime Traffic Monitoring System”,Proc. IEEE Workshop on Applications of Computer Vision, pp. 11-18, 1992.
    [20] Z.Ma, S.Yin, C.Li, and Y.Zheng,“Improved Vehicle Occlusion Segmentation Method Based on Feature Points Combination”, Journal of Computational Information Systems 9: 1 (2013) 373–380.
    [21] Y.Li, B.Tian, B.Li, G.Xiong, F.Zhu, and K.Wang,“Vehicle Detection with a Part-based Model for Complex Traffic Conditions”, IEEE International Conference on Vehicular Electronics and Safety (ICVES), 28-30 July 2013.
    [22]J.H.Chun, “Automatic Traffic Monitoring System ”, MS Thesis, Dept. of Information and Computer Education, National Taiwan Normal University, 2001.
    [23] Chih-Jen Lin,“LIBSVM ”, http://www.csie.ntu.edu.tw/~cjlin/.
    [24] Nick Efford,“Digital Image Processing: A Practical Introduction Using Java”,Pearson Education, 2000.
    [25] D. Dubois, H. Fargier, H. Prade, Propagation and satisfaction of Gexible constraints, in: R. Yager, L. Zadeh (ed.),Fuzzy Sets, Neural Networks and Soft Computing, 1994, pp. 166 –187.
    [26] 蔡宗諭學長,“Real-Time Vehicle Classification and Counting”,國立臺灣師範大學資訊工程研究所, 2004.

    下載圖示
    QR CODE