حذف سایه خودروها در تصاویر ویدئویی با استفاده از ویژگی آنتروپی و فاصله اقلیدسی

تشخیص حرکت خودرو در تصاویر ویدئویی به‌عنوان یک موضوع کلیدی در مباحث بینایی کامپیوتر محسوب می‌گردد. در سال‌های اخیر، روش‌های گوناگونی به‌منظور استخراج خودروها پیشنهادشده است. یکی از مشکلات اصلی تشخیص خودروها در سیستم‌های پردازش تصویر، سایه خودروها است. سایه خودروها به‌دلیل پیوستگی که با خود خودرو دارند، باعث تغییر ظاهر واقعی خودرو و همچنین اتصال خودروهای اطراف به یکدیگر می‌شوند. هدف اصلی در این تحقیق ارائه یک روش بهینه در زمینه حذف سایه خودروها با استفاده از ویژگی آنتروپی و فاصله اقلیدسی می‌باشد. با استفاده از ویژگی‌های یاد شده، به هرکدام از پیکسل‌های تصویر یک وزن اختصاص داده می‌شود. وزنی که به پیکسل‌های مربوط به قسمت سایه و سطح آسفالت(پس‌زمینه) اختصاص داده می‌شوند خیلی نزدیک به هم هستند. زمانی که از عمل تفاضل پس‌زمینه استفاده می‌شود، سایه‌ها به همراه پس‌زمینه استخراج و حذف خواهد شد. در این تحقیق از سه پایگاه داده جهت پیاده‌سازی و ارزیابی استفاده‌شده است. از شاخص‌های دقت کلی، نرخ تشخیص درست و اشتباه، و همچنین دقت تشخیص و ردیابی چند عارضه‌ای برای نشان دادن دقت و صحت در شناسایی خودروها، استفاده شده است. با استفاده از این معیارها روش پیشنهادی با دو روش دیگر که در زمینه حذف سایه خودروها می‌باشند، مورد مقایسه قرار گرفته شد. نتایج نشان داد که روش پیشنهادی بسته به نوع شاخص بین 3 تا 12درصد دقت نتایج متغییر می‌باشد.

Removing car shadows in video images using entropy and Euclidean distance features

Detecting car motion in video frames is one of the key subjects in computer vision society. In recent years, different approaches have been proposed to address this issue. One of the main challenges of developed image processing systems for car detection is their shadows. Car shadows change the appearance of them in a way that they might seem stitched to other neighboring cars. This study aims to propose an optimized method for removing car shadows using entropy and Euclidean distance features. For each pixel, a weight is assigned according to the mentioned features. The weights assigned to shadows and background (asphalt) pixels are very close to each other which enable the background subtraction to remove both of them. The proposed method was evaluated on three datasets based on OA, HR, FAR, MODP and MOTP measures. The method was also compared with both NCC and HSV color methods which are wellknown in removing car shadows. The results showed that the proposed methods depending on the type of the index is variable between 3 to 12 percent accurate results.