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

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 فریم‏ها به این مهم نیز دست می‏ یابیم. بر اساس روش پیشنهادی، تراکم ترافیک سبک با دقت 98/9 درصد و تراکم ترافیک سنگین با دقت 97/8 درصد تخمین زده می‏ شود.

an efficient vehicle tracking approach for traffic density detection in intelligent transportation systems using image processing

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 realtime 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.