تشخیص ابعاد و سرعت خودرو از ویدئوی دریافتی از دوربین کالیبره‌نشده

در این مقاله روش مناسبی برای کالیبراسیون دوربین و به دست آوردن ابعاد و سرعت خودروها به صورت تمام خودکار و بدون نیاز به دخالت کاربر ارائه شده است. در روش پیشنهادی، ابتدا با استفاده از چند قاب اول ویدئوی ورودی و با توجه به جهت حرکت خودروها، مختصات نقاط محوشدگی و فاصله کانونی دوربین به دست می‌آید. سپس با شناسایی محدوده خودروهای متحرک جعبه سه‌بُعدی محیطی خودرو با استفاده از راستای نقاط محوشدگی تشکیل می‌گردد. در ادامه برای مقابله با پرسپکتیو، جعبه محیطی هر خودرو بر روی صفحه جاده فرضی تصویر شده و ضریب متری (تبدیل پیکسل به متر) پس از تصویرکردن چند خودرو بر صفحه جاده و با توجه به ابعاد واقعی خودروی غالب به دست می‌آید. تصویرکردن خودرو بر صفحه جاده و استفاده از ضریب متری، امکان بیان سرعت و ابعاد واقعی خودروها در هر قاب را فراهم می‌کند که البته ممکن است با خطا همراه باشد. برای افزایش دقت نتایج، این پارامترها در بازه‌ای که خودرو در معرض دوربین قرار دارد، تجمیع شده و هیستوگرام‌هایی برای سرعت و ابعاد هر خودرو تشکیل می‌شود. سپس بیشینه این هیستوگرام‌ها به عنوان مقادیر جدید سرعت و ابعاد برای هر خودرو گزارش می‌شود که این کار دقت نتایج را بهبود می‌بخشد. تشکیل هیستوگرام‌ها برای هر خودرو، نیازمند ردیابی خودرو در چندین قاب است و برای ردیابی، روشی ساده و بدون پیچیدگی ارائه شده است. مقایسه نتایج روش پیشنهادی با روش‌های دیگر بیانگر سرعت پردازش بالاتر و پاسخ بهتر روش پیشنهادی است به گونه‌ای که میانگین خطای این روش در محاسبه ابعاد برابر با 1.4%، میانگین خطا در محاسبه سرعت برابر باkm/h 1.1 و میانگین سرعت پردازش روش پیشنهادی برای ویدئوهای تست در matlab به حدود 3.5 قاب در ثانیه می‌رسد.

Calculation of the Dimensions and Speed of the Car from the Video Received from the Uncalibrated Camera

In this paper, a fully automated method for calibrating the camera and obtaining dimensions and speed of vehicles is presented. In this method, at first, vanishing points and the focal length of the camera are obtained, according to the directions of the cars in the initial frames. After detecting moving vehicles, their 3D bounding box are created using the vanishing points. In order to deal with the perspective, the bounding box of each vehicle is projected on a hypothetical road and then to have their real dimensions in meter, the metric coefficient (pixeltometer conversion) is obtained. This calculates the coefficient; a dominant car is detected and according to its metric dimensions, the pixel to meter coefficient is computed. Projecting the vehicle on the road surface and the use of the metric coefficient provides the possibility of expressing the actual speeds and dimensions of the vehicles in each frame. However, it may have some errors. To increase the accuracy of the results, these parameters are aggregated along the vehicle's path, and some histograms are made up for the speed and dimensions of each vehicle. Then the maximum of these histograms is reported as new values of speed and dimensions for each vehicle. This will improve the accuracy. Creating histograms for each vehicle requires tracking of the car in multiple frames. For this purpose, a fast algorithm is presented. Comparing the results of the proposed method with previous methods indicates higher processing speed and better response. The average error of dimension estimation is 1.4%, and the error of speed estimation is 1.1 km/h. The average processing speed for testing videos in MATLAB is about 3.5 frames per second.