جبران حرکت دوربین‌های کنترل نظارتی با استفاده از ثبت تصاویر متوالی در شناسایی خودروها

تشخیص خودروها در تصاویر ویدئویی به عنوان یک موضوع کلیدی در مباحث بینایی کامپیوتر محسوب می گردد. فرض اصلی اکثر دوربین های نظارتی، ثابت بودن دوربین در حین فیلم برداری می باشد ولی اگر دوربین نظارتی به هر دلیلی مثلا براثر باد یا فشارهای بیرونی محیط اطراف دچار لرزش های مکرر شود دیگر روش های موجود برای شناسایی خودروها به درستی عمل نمی کنند. این موضوع باعث جابجا شدن پیکسل های تصویر و ایجاد نویز می شود که در اکثر مواقع باعث شناسایی عوارض ثابت به عنوان عوارض متحرک می گردد. هدف اصلی در این تحقیق استفاده از روش ثبت(هم مرجع سازی) فریم های متوالی با تصویر پس زمینه، برای حذف نویز و مشکل یادشده می باشد. روند کار به این صورت می باشد که بعد از استخراج فریم های متوالی و تصویر پس زمینه از طریق روش میانه گیری، تمام فریم های موجود با تصویر پس زمینه ثبت شده و سپس با استفاده از تفریق پس زمینه به شناسایی خودروها پرداخته می شود. سه نوع داده برای پیاده سازی و ارزیابی توانایی روش پیشنهادی مورد استفاده قرار گرفته است. ویژگی اصلی این مجموعه داده ها لرزش های مکرر دوربین در حین فیلم برداری و متفاوت بودن تراکم خودروهای موجود در هر مجموعه می باشد. از معیار های hr,modp,far و or، برای ارزیابی روش پیشنهادی در دو حالت با ثبت تصویر(روش پیشنهادی) و بدون ثبت تصویر استفاده شده است. به طورکلی دقت به دست آمده برای شناسایی خودروها با ثبت تصاویر و بدون ثبت تصاویر به طور متوسط به ترتیب 89 درصد و 76 درصد می باشد. بنابراین می توان با استفاده از روش ثبت تصاویر حدود 13درصد دقت شناسایی خودروها را افزایش داد.

Compensating surveillance camera movements using sequential image registration for car detection

Recognizing and detecting cars in videos is ones of the main issues in computer visions. The main assumption of surveillance cameras is that the camera is fixed while taking videos. Any movements due to wind or external forces causes frequent vibrations in the camera and shift of image pixels. This makes conventional methods to detect static objects as moving ones mistakenly. The main aim of this research is to register sequential frames with background image to remove the noise and the mentioned problem. The algorithm first extracts sequential frames and background image using median method, and then registers all frames with the background image. Cars are detected by subtracting background image from frames. Three data were used to evaluate the capability of the proposed methods. Each data set has different car density and contain frequent vibrations while recording the videos. To evaluate the proposed method, FAR, MODP, HR and error percentage criteria were calculated with and without registration. The overall accuracies were 89% and 76% respectively which shows the 13% improvement in the accuracy of detecting cars with registration technique.