تحلیل هوشمند ترافیک معابر با استفاده از الگوریتم پردازش تصویر

امروزه با گسترش روزافزون روش های مختلف اخذ اطلاعات گسسته مانند پویشگرها و دوربین های دیجیتالی، پردازش تصویر کاربرد فراوانی یافته است. مادامی که اطلاعات ویدیویی به دنباله های آماری تبدیل نشوند، می توانند در تصمیمات مدیریت شهری، نقشی ایفا کنند. در این مقاله، یک سیستم آنالیز تشخیص تعداد خودروها در واحد طول و زمان ارائه شده است. در این روش، اطلاعات ویدیویی به دنباله های آماری شاخص های ترافیکی تبدیل می شوند. ابتدا، تصاویر مربوط به هر فریم، بر اساس مدل مخلوط گوسی به تصاویر پس زمینه مدل می شوند که در برابر تغییرات نور مقاوم هستند. این عملیات در تعداد زیادی فریم به کار گرفته می شود تا اصطلاحاً یک تصویر پس زمینه آموزش دیده شده ایجاد گردد. در روش های سنتی پردازش تصاویر ترافیکی، مدل کردن تصویر پس زمینه مورد توجه قرار نمی گرفت. بالعکس در روش ارائه شده، از این مدل جهت تشخیص شیء در حال حرکت استفاده می شود. سپس، با مقایسه تک تک فریم های اصلی ورودی به این سیستم و تصویر پس زمینه آموزش دیده شده، خودروهای در حال حرکت تشخیص داده می شوند. از اطلاعات تعداد خودروها در واحد طول و زمان که به ترتیب، به مفهوم حجم و چگالی ترافیکی است، جهت تخمین جریان ترافیکی استفاده می شود. با توجه به شبیه سازی های انجام شده و مقایسه نتایج به دست آمده با نتایج مقالات دیگر، عملکرد بالای روش ارائه شده در این مقاله، برای تشخیص خودرو و محاسبه دقیق تعداد آن، با توجه به آموزش صحیح تصاویر پس زمینه، اثبات می شود. همچنین، این روش را می توان برای پردازش تصاویر با کیفیت نامطلوب نیز استفاده کرد.

intelligent traffic analysis of urban streets using image processing algorithms

nowadays, with the increasing use of various discrete data acquisition methods such as drones and digital cameras, image processing has found wide application. however, video data alone cannot play a significant role in urban management decisions until they are transformed into statistical sequences. in this paper, a system for detecting the number of cars per unit length and time is presented. in this method, video data is converted into statistical sequences of traffic indicators. first, the images corresponding to each frame are modeled into background images based on the gaussian mixture model, which are resistant to lighting changes. this operation is performed on a large number of frames to create a learned background image. in traditional traffic image processing methods, modeling the background image was not considered, and conversely, in the proposed method, this model is used to detect moving objects. then, by comparing each input main frame with the learned background image, moving cars are detected. the information on the number of cars per unit length and time, which corresponds to the concepts of traffic volume and density, is used to estimate traffic flow. based on the simulations performed and the comparison of the obtained results with other results from different studies, the high performance of the proposed method in car detection and accurate counting, considering proper background image training, is demonstrated. moreover, this method can be used for processing low-quality images.