آشکارسازی سریع و منعطف وسایل نقلیه در رشته‌ای از تصاویر توسط شبکه‌های عمیق

دوربین‌های مداربسته در مقایسه با gps و حسگرهای تشعشع مادون‌ قرمز، قادر به ارائه اطلاعات دقیق‌تر ترافیک هستند. با پردازش هوشمند اطلاعات تصویری فراهم‌شده توسط آنها تحلیل مسائل ترافیکی دقیق‌تر انجام می‌شود. در این میان، سرعت مکان‌یابی خودرو اهمیت ویژه‌ای دارد؛ زیرا پس از موقعیت‌یابی خودرو نیاز به پردازش‌های دیگری برای تصمیم‌گیری است که نیاز به مدیریت زمان دارد. هدف از مطالعه حاضر، ارائۀ الگوریتمی مبتنی بر شبکه‌های عمیق است که این چالش را برطرف سازد. در الگوریتم ارائه‌شده، یک شبکه‌ آشکارساز سریع و دقیق بر پایۀ میدان‌های ادراکی چندگانه، قطعه‌بندی و تصاویر تفاضلی طراحی ‌شده است که با تولید نقشه‌های ویژگی معنادار غربال‌شده، دقت آشکارساز و با کاهش پارامترها، سرعت آن را افزایش می‌دهد. در الگوریتم ارائه‌شده، نوع مانور هر خودرو با توجه به اطلاعات زمانی و مکانی آن خودرو و خودروهای اطرافش با استفاده از گریدبندی جاده تعیین می‌شود. سپس با توجه به نوع مانور، شبکه‌ پیش‌بینی‌کننده‌ را در یکی از حالات حفظ خط، گردش‌ به ‌چپ و گردش ‌به‌ راست خودرو انتخاب می‌کند. شبکه‌های طراحی‌شده در الگوریتم پیشنهادی مکمل یکدیگرند. عملکرد الگوریتم پیشنهادی با آزمایش بر روی مجموعه داده‌های highway و ua-detrac نشان داده می‌شود.

fast and flexible detection of vehicles in a sequence of images by deep networks

surveillance cameras can provide more accurate traffic information compared to gps and infrared radiation sensors. with the intelligent processing of image information provided by them, the analysis of traffic problems is done more precisely. meanwhile, the speed of car positioning is of particular importance because, after positioning the car, other processes are needed to make decisions that require time management. the purpose of the present study is to propose an algorithm based on deep networks that solves this challenge. in the presented algorithm, a fast and accurate detector network is designed based on multiple receptive fields, segmentation, and differential images, which increases the accuracy of the detector by producing semantic feature maps and filtering them. also, it increases detector speed by reducing the parameters. each vehicle’s maneuver is decided based on the time and location information of that vehicle and the vehicles nearby. then, according to the type of maneuver, the predictive network is selected in one of the modes of lane keeping, left turn or right turn. the networks designed in the proposed algorithm are complementary to each other. the performance of the proposed algorithm is demonstrated by experiments on the highway and ua-detrac datasets.