Рішення для більшість проблем, з якими стикаються люди в цих ситуаціях. Це також полегшує поліцейську роботу за контролем переміщення транспорту



жүктеу 170.49 Kb.
Дата30.01.2018
өлшемі170.49 Kb.
түріРішення

УДК 004.7; 004.8; 004.9
Подайко А.М.

Національний університет "Львівська політехніка"

Кафедра електронних обчислювальних машин
КІБЕРФІЗИЧНА СИСТЕМА МОНІТОРИНГУ

ЗАВАНТАЖЕНОСТІ АВТОДОРІГ

© Подайко А.М., 2017
У даній роботі висвітлені проблеми створення кіберфізичних систем моніторингу руху на автошляхах, які дозволяю виявити переміщення різних транспортних засобів, а також відстежувати та обробляти потік відео-зображень, використовуючи відео камери та алгоритми виявлення руху з різним типом освітлення.

Виокремлено основні проблеми побудови даних систем способи їх інтеграції при роботі з різним типом освітлення.



Ключові слова: кіберфізична система, моніторинг автодоріг, комп’ютерний зір, розпізнавання рухів.
CYBERPHYSICAL MONITORING SYSTEM OF HIGHWAYS

© Podaiko A.M., 2017
In this paper, the problems of creating cyber-physiological systems of traffic monitoring on highways are highlighted, which allow to detect the displacement of various vehicles, as well as to track and process the flow of video images using video cameras and algorithms for detecting traffic with different types of illumination.

Show the main problems of construction of these systems are the ways of their integration at work with different types of illumination.



Keywords: cyber-physical systems, monitoring of highways, computer vision, recognition of movements.
Вступ

В останні роки перевантаження автодоріг стало найголовнішою проблемою в містах усього світу. Одним з ефективних рішень даної проблеми є створення кіберфізичних систем (КФС) відслідковування. Контроль дорожнього руху є однією з ключових складових інтелектуальних систем руху. Він пропонує рішення для більшість проблем, з якими стикаються люди в цих ситуаціях. Це також полегшує поліцейську роботу за контролем переміщення транспорту.

КФС пропонують новий підхід застосування інформації для підвищення ефективності системи керування трафіком на автодорогах. Відеоспостереження в поєднанні з алгоритмами розпізнавання рухів з відеопотоків це одна з технологій, яка може використовуватися для моніторингу руху. Відеоспостереження також є найменш економічний варіант, який не передбачає великих витрат або інфраструктурних змін в дорожньому русі.

Проблема створення ефективних кіберфізичних систем відстеження руху траспорту з різним типами совтлення є актуальною та відповідні дослідження в цій області є доцільними. Дорожньо-транспортна система, що складається лише з людей, транспортних засобів та доріг, не може працювати безпечно та ефективно. Технологія керування трафіком, така як інтелектуальна транспортна система, здатна реалізовувати контроль руху шляхом додавання та встановлення великої кількості передових електронних пристроїв та інформаційних систем до системи дорожнього руху, підвищуючи ефективність роботи та безпеку для системи дорожнього руху. Завдяки швидкому розширенню масштабу та інтенсивному використанню системи руху система керування трафіком досі стикається з величезними труднощами, з якими не можна просто вирішувати шляхом додавання сучасних електронних пристроїв та інформаційних систем. Для досягнення сприйняття в реальному часі та динамічного контролю еволюції системи та поведінки мандрівників, щоб зробити безпечніше, ефективніше та економічно дорожче, все ще залишається однією з проблем у сучасній теорії управління дорожнім рухом та технології у якій людина є основною частиною свідомої діяльності.

Аналіз останніх досліджень та публікацій


В останні роки, як результат розвитку інформаційних технологій як з точки зору обчислювальної потужність та вартості, стало можливим використовувати КФС для виконання багатьох автоматизованих процесів.

В загальній сукупності існуючих на ринку рішень можна виділити такі типи детектування транспортних засобів :



  • Індуктивні петльові датчики

Дані датчики розташованих в дорожньому покритті, які працюють як безконтактні сенсори, Принцип дії заснований на зміні параметрів магнітного поля, що створюється котушкою індуктивності. Петльові датчики мають ряд переваг у порівнянні з іншими, в числі яких висока довговічність, завдяки відсутності зіткнень і технічних впливів, чутливість тільки до металу. Використання індуктивних датчиків має рад недоліків пов’язаних з зоною дії неефективністю на перехрестях і вартістю встановлення.

  • Відео-детекція

Відео-детекція заснована на принципі обробки зображення з відео камери в режимі реального часу і може застосовуватися, наприклад, для фіксації подій на дорогах і в тунелях. Відеодетектори можуть застосовуватися для детекції транспорту на регульованих перехрестях, де складно або дорого встановлювати петльові чи інші датчики. Головним недоліком цього методу вартість камер та ПЗ.

  • Радарні детектори

Радар-детектор – це звичайний приймач сигналів, який повідомляє про те, що в межах заданої чутливості присутні сигнали потрібні сигнали, на визначення яких він налаштований. Вони застосовуються для детекції рухомих транспортних засобів в обмеженій області детекції. Останнім часом часто використовуються "антирадари", які подавляють сигнали в певних діапазоном, хоч вони і заборонені законодавством нашої країни.

  • Інфрачервоні детектори

Детектори цього типу часто застосовуються для визначення зупиненого транспорту, а також для моніторингу присутності пішоходів на пішохідному переході. Основна частина їх застосувань в охоронних системах.

Недоліками їх використання є велика частота хибних тривог, що виникають внаслідок опромінення детекторів сонячним світлом, обдування конвекційними потоками повітря, вібрацій, чи наявністю у зоні детектування інших живих об’єктів; та відсутність сигналу тривоги тоді, коли температура об’єкта дорівнює температурі фону зони детектування.



Системи машинного зору на основі систем відеоспостереження пропонують ряд переваг в порівнянні з попередніми методами. Вони здатні розраховувати для транспортного засобу набагато більший набір параметрів трафіку, таких як вид транспортних засобів, зміни смуги руху, визначення вільного парковочного місця тощо.

В деяких роботах відмічалося застосування комп'ютерного бачення замінюючи існуючі методи, такі як індуктивні петльові датчики та радарні детектори, які є більш дорогими та мають більш обмежені можливості з точки зору даних. Одна із ранніх робіт [9] описує систему з аналізом руху, що базується на простих відмінності кадрів. Цей простий підхід не може забезпечити достатню інформацію та призводить до поганих результатів, оскільки він дуже чутливий до шуму. Дубуйсон і Джайн [12] запропонували методику сегментації транспортних засобів також на підставі зображень, але поєднані з сегментацією кольорів областей зображення.

Цей підхід не може мати справу з оклюзіями, оскільки він не робить оцінку руху. Отже, він відрізняє рухомі області від зупинених регіонів, але не областей з різними рухами. Баденас та ін [3] представили інший метод, заснований на регіонах. Цей метод являє собою комбінацію кількох прийомів, які забезпечують оцінку руху та сегментацію транспортних засобів. Таким чином, цей підхід може впоратись з оклюзіями та виконувати декілька завдань моніторингу, таких як підрахунок транспортних засобів та оцінка руху транспорту.

Інша група методів підходить для моделей рухомих транспортних засобів. Ці методи підходять для дуже структурованих сцен, таких як дороги, але вимагають високої обчислювальної вартості, що знижує їх корисність у моніторингу руху. Ми можемо виділити дві основні тенденції до цих методів: методи, які відповідають 3-D моделям загальних транспортних засобів [5], а також способи відстеження 2-D контурів на площину зображення [6], [7]. Метод підходить для каркасних моделей до автомобілів, які можуть рухатися з трьома ступенями свободи. Подібний підхід показаний у [8, де краї, витягнуті з зображення, збігаються з 3-сегментами загальної моделі автомобіля, яка проектована на площину зображення. Ця відповідність застосовується лише до країв, що рухаються за когерентним рухом, щоб уникнути змішування країв з різних транспортних засобів. 2-D моделі мають нижчу обчислювальну вартість, але існують проблеми, коли збільшується розмір і кількість автомобілів. У Bсплайси з чотирма контрольними точками підходять для проектування автомобілів. Вебер у співавторстві Метод [6] описує контури замкненим кубічним сплайном і використовує два фільтри Калмана, один для оцінки афінних параметрів руху та інший для оцінки форми контурів.

Існують інші методи як відстежують одиничних прикмет, таких як точки або лінії, що дугою витягується з зображення, [8], [9]. Ці методи представляють проблеми, оскільки вони не забезпечують явного групування об’єктів, що рухаються з когерентним рухом, і досить чутливі до шуму.

У цій статті описуватиметься метод, що базується на відстеженні деякої області, який об'єднує інформацію, записану по послідовності на кадрі на основі кадрів для поліпшення сегментації. Для кожного кадру послідовності наш метод виконує кадр для кадрування сегментації руху, за яким слідує процес відстеження. Цей процес відповідає регіонам, сегментованим у попередніх фреймах, до регіонів, сегментованих в поточному кадрі. Відповідність дозволяє системі знати еволюцію регіонів. Ця еволюція записується за допомогою стратегії маски, яка дає змогу корегувати кадру для сегментації кадрів поточного кадру. Ця корекція дозволяє уникнути як раптового виникнення, так і зникнення регіонів або частин регіонів від одного кадру до наступного кадру.

Даний метод забезпечує засоби моніторингу руху, такі як облік транспортних засобів, які рухаються по кожній дорожній смузі, рахунки транспортних засобів, що зупинилися на перехрестях, спостереження за траєкторіями транспортних засобів, оцінка середньої швидкості руху та виявлення пробок. На додаток до цих об'єктів, які можуть бути віднесені до звичайних об'єктів, також можуть виявлятися аномальні або небезпечні ситуації, такі як транспортні засоби, що зупиняються на дорозі, транспортні засоби, що перетинають заборонену смугу, транспортні засоби, які виходять за межі дороги чи аварії автомобілів.

Тому дослідження ефективних структурних рішень КФС є актуальною науково-прикладною задачею.


Постановка задачі


Головною метою даної роботи є дослідження побудови системи моніторингу руху на автошляхах, які дозволяю виявити переміщення різних транспортних засобів, а також відстежувати та обробляти потік відео-зображень, використовуючи відео камери та алгоритми виявлення руху з різним типом освітлення.

Основний матеріал дослідження


Система контролю руху є однією з найскладніших систем досліджень кіберфізичних систем. Кіберфізична система ефективного управління рухом повинна будуватися на основі аналізу системи керування рухом та розробки характеристик інформаційних систем. Вона складається з трьох рівнів: застосування КФС теорії інтеграції інформаційного процесу в транспортний процес, виявлення руху та контроль інформації про впровадження технічних рішень та підтримку сучасних технологій обчислювальної техніки, зв'язку та управління, як показано на рис.1.

Рис.1 Будова КФС моніторингу руху транспорту


Для побудови системи відстежування дорожнього руху в кіберпросторі необхідно створити ефективне відображення, щоб полегшити мету контролю руху, тобто встановити модель системи управління рухом та набори параметрів моделі. Остаточні результати обчислення інформаційного простору на основі моделі, керованої інформацією, в кінцевому підсумку отримуються як набір інформації, і, отже, здійснюється контроль для системи дорожнього руху.

На рисунку 2 зображена структурна схема досліджуваної системи. В загалтному ваипадку вона розподілена окремі компоненти (IP-камери), кількість яких залежить від обчислювальних можливостей сервера. Як показано на рисунку для КФС використовуються IP-камери оскільки вони мають вбудовані міні-сервери які буферизують відео і відправляють потоком безпосереднь в мережу використовуючи інтерфейс UTP траспортними протоколами.



Рис.2 Структурна схема КФС


Основні проблеми при побудові даних систем

  1. Правильне розташування камер відео відслідковування

  2. Побудова комунікації між елементами системи

  3. Центр обробки та збереження інформації

  4. Алгоритми розпізнавання руху


Розташування камер грає важливу роль у ефективній і коректній роботі системи. Камери не повинні розташовуватися в місцях де велика кількість рухомих об’єктів, які не являються транспортними засобами та місцях де декілька об’єктів знаходяться перед транспортним засобом, тобто закриватимуть огляд відслідковуваного автомобіля. Також по можливості потрібно мінімізувати потрапляння відбитих сонячних променів на об’єктив камери, це дозволить зменшити оклюзії при моніторингу автодоріг.

Побудова комунікацій та інтерфесних звіязків в КФС описується в статтях Міюшкевича[3] Парамуда та інших. Для даної системи найбільш практичним рішенням буде викристання мережі на основі оптоволокна та модема для під’єднання IP-камер через UDP протокол.

Сервер має містити в собі базу даних для даних з пристроїв керування(температура, дані про режими роботи, режими доступа користувачів), веб-інтерфейс, а також модуль аналізу трафіку. База даних була створена на реляційній моделі даних, може використовувати систему управління найбільш поширених базами даних (MySQL, PostgreSQL, MongoDB, Oracle, MS SQL Server, …). За допомогою реляційної БД забезпечено необхідний рівень зв’язку, який дозволить швидко та зручно отримувати доступ до даних, формувати звіти, вести потрібні підрахунки. Ця архітектура передбачає можливість зручного нарощування об’ємів інформації, що важливо, так як БД буде нарощуватися у майбутньому. Також у реляційній моделі досягається інформаційна й структурна незалежність. Записи не зв'язані між собою настільки, щоб зміна однієї з них торкнулася інших, а зміна структури бази даних не обов'язково приводить до перекомпіляції працюючих з нею додатків. Отже, масштабування структури БД в майбутньому не викличе труднощів.

В основі систем візуального спостереження лежать дві основні складові: подання та локалізація цільового об’єкта (Target Representation and Localization) і фільтрування та об’єднання даних (Filtering and Data Association).



Виділення правильних контурів грає критичну роль у відстежу ванні об’єктів.

В загальному випадку, характерні візуальні риси мають бути унікальними, щоб можна було виділити об’єкт відстежування порівняно з іншими. Виділення характерних рис тісно пов’язано з представленням об’єкта. Так границі об’єкта є характерними рисами для представлення контуром. Основні візуальні риси це колір, границі, оптичний потік, текстура.

Кожні методи відстеження потребують механізму визначення об’єкта на кадрах чи коли об’єкт вперше з’являється на відео. Загальний підхід у визначенні об’єктів – використання інформації з одиничного кадру. Але деякі алгоритми можуть використовувати тимчасову інформацію, яка була підрахована з послідовності кадрів.

Детектор точок

Використовується для знаходження особливих точок на зображенні, які мають виразні текстури в їх відносних місцях локалізації. Бажана якість особливих точок постійна до змін навколишнього світла і позиції камери.

Оператор Моравека вираховує зміни варіацій інтенсивності у горизонтальному, вертикальному, діагональному та анти діагональному напрямках . Сила кута вираховується як найменша різниця квадратів між полем і його сусідами(у всіх напрямках). Особливі точки за допомогою оператора Моравека

Детектор Харріса розглядає похідну першого порядку від інтенсивності для визначення зміни яскравості в локальному околі точки. Тут використовується матриця, в якій записані зміни інтенсивності, що вираховується для кожного пікселя.

Була запропонована, так як рахування власних чисел важка задача. Далі відсікаються точки за пороговим значенням. Знаходяться локальні максимуми в околі заданого радіусу і вибираються в якості особливих точок.

Shi-Tomasi – використовується та ж сама матриця. Але визначаються мінімальні власні числа матриці напряму.

SIFT. Будуються піраміди Гаусіан і визначаються екстремуми. Далі фільтруються особливі точки, наприклад, такі, що сконцентровані на границі. Визначається орієнтація ключових точок і будуються дескриптори.

Background subtraction

Визначення об’єктів можна досягнути за допомоги побудови представлення сцени, яка ще називається background model (рис.3). Цей спосіб шукає відхилення від моделі для кожного нового кадру. Будь-які значні зміни в зоні зображення порівняно з моделлю означають, що об’єкт рухається. Значних покращень у побудові моделей є використання мультимодальних статистичних моделей для описання кольору кожного пікселя. Також використовують змішування по Гаусу для моделювання кольору пікселя. В цьому методі, пік сель в данному кадрі перевіряється порівняно з моделю фону, порівнюючи з кожним Гаусіаном в моделі до поки потрібний не буде знайдено. Якщо знайдено, то значення Гаусіана оновлюється, інакше додається новий Гаусіан зі значенням кольору поточного пікселя.



Рис.3 Загальна схема роботи background subtraction

Сегментація

Ціль сегментації – розділити зображення на схожі зони. Кожен алгоритм вирішує 2 проблеми: критерій для гарного розбиття і метод для отримання ефективного розбиття. Mean-Shift Clustering – Алгоритм базується на пошуку кластерів в поєднані простір+колір. На початку створюється велика кількість гіпотетичних кластерів випадковим чином. Далі центр кожного кластера переміщається до середнього значення даних, які лежать всередині еліпсоїда. Визначається meanshift vector ітеративно поки не зміниться центр кластера. Алгоритм чутливий до вибору кольору і порогу мінімального розміру регіону, який утворює сегмент. Сегментація зображення з використанням розрізу графа. Також може бути сформульована як проблема розбиття графа, де вершини(пікселі), частково розбиваються на N роз’єднаних під графів. Вага відрізаних граней між двома під графами називають розрізом.

Сегментація зображення за допомогою виділення контурів близьких до граней об’єкта. Знаходиться контур , на якому деякий функціонал «енергія» досягає мінімуму. Модель має динамічний характер.

Адaптивні системи розпізнавання зображення

Найбільш досконалі системи розпізнавання повинні вміти розпізнавати об’єкти і класифікувати їх за якимось ознаками. Наприклад, до якого класу відноситься об’єкт. В більш склaдних випадках, знайти лице задaної людини. Ці методи мaють назву адaптивних тому, що вони здaтні настроюватись, або як часто кажуть навчатись на дaних, які обробляються. Спочaтку дaні готуються для навчaння - розміри всіх зображень мають бути однаковими. Далі важливим етапом є усунення надмірності . Штучні нейронні мережі. Це універсальна нелінійнa система, якa здaтна нaстроювaти свої параметри . Метод опорних векторів дозволяє знайти оптимальну гіперплощину, яка перпендикулярна нaйкоротшому відрізку, що з’єднує випуклі оболонки різних класів. Якщо данні не можуть бути розділені гіперплощиною, то використовується нелінійнa модель [5].

Алгоритми відстеження об’єктів


Відстеження об'єктів в режимі реального часу є найважливішим завданням у багатьох програмах, таких як спостереження [9-12], перцептивні користувацькі інтерфейси [10], додаткова реальність, розумні кімнати [8] стиснення відео на основі [11], а також допомога водія [6].

Ціллю відстеження об’єкта є створення траєкторії знаходження його позиції на кожному кадрі. Відстежувач також показує цілий регіон зображення, що займає об’єкт. Задача визначення об’єкта і встановлення взаємозв’язку між станами об’єкта на послідовності кадрів може вирішуватись окремо чи разом. Модель вибрана для представлення форми об’єкта накладає ліміт на способи відстеження.

Існує багато підходів для виявлення руху у безперервному відеопотоці. Усі вони грунтовані на порівнянні поточної відеорамки з одним від попередніх рамок або з чим-небудь, що ми назвемо фон. У даній статті, увага приділяється опису найбільш ефективним підходів: метод оптичного потоку та метод віднімання фону [9].



Відстеження точок

Відстежування може бути сформульоване як визначення об’єктів по точках покадрово. Супроводження точок складна задача через наявність перекритів, неправильних визначень, входження і виходу об’єкта. Методи розділяються на дві різні категорії: детерміністичні і статистичні. Детерміністичні методи для супроводження точок визначаються ціною

асоціації кожного об’єкта на попередньому кадрі з одним об’єктом на

теперішньому кадрі, використовуючи набір рухових обмежень. Супроводження

визначається комбінацією наступних обмежень.

Близькість, Максимальна швидкість, Незначні зміни швидкості (гладкий рух), Загальні рухи, Жорсткість

Ці обмеження також можуть бути використані в контексті відстежування точок статистичними методами. Статистичні методи. Зображення зняте матрицями камер завжди містить в собі шум. Більш того рух об’єктів зазнається випадковим ускладненням, наприклад, автомобіль, що виконує маневр. Теоретично найбільш оптимальним рішенням для знаходження послідовності станів точки є використання рекурсивного Байесового фільтра. Вирішення проходить в 2 етапи: передбачення та корекція. Фільтр Калмана. Для відстеження одиночного об’єкта. Використовується для оцінки стану лінійної системи, де стани розподілені за Гаусом. На етапі екстраполяції використовується модель станів для передбачення нового стану змінних. Надалі етап уточнення вираховується відхилення вимірювання і оцінка відхилення. Фільтр Калмана широко використовується для відстеження об’єктів в зображеннях з шумом.[10]

Недолік фільтра Калмана є припущення, що змінні розподілені нормально. Інакше, фільтр Калмана дає слабкий результат. Цей

недолік можна подолати, якщо використати фільтр часток.

Kernel Tracking

Використовує зважені гістограми для регіонів, що представляють собою регіони. Такий відстежував максимізує схожість за виглядом ітеративно, порівнюючи гістограми об’єктів Q, з вікном гіпотетичного знаходження об’єкта P. Схожість гістограм визначається коефіцієнтом Бхатачарая: Σu b= 1 P(u)Q(u), Σ�� (��) (��) , (10)

де b – кількість інтервалів, Q – гістограма об’єктів, P – вікно гіпотетичного знаходження об’єкта.

Метод Лукас-Канаде. Інший підхід, який базується на оптичному потоці. Ітеративно вираховується переміщення регіону центром, якого є ключові точки Як тільки додається нова точка відстежувач підраховує якість супроводження нового регіону за допомогою афінного перетворення. Якщо сума різниці квадратів між регіонами мала, то точка надалі відстежується


Однак, кожен з цих методів має недостатню точність для застосування в автоматизованих системах. Шляхом підвищення точності є поєднання методів. Отримані результати передбачається використовувати для удосконалення та автоматизації процесів контролю розпуску відчепів на сортувальних гірках.

Висновки


В роботі виокремлено проблеми створення кіберфізичних систем моніторингу автострад, підходи до їх вирішення та описано базові засади побудови багаторівневої платформи кіберфізичних систем.

Сформовано основні завдання, які постають в процесі організації взаємодії компонентів рівнів кіберфізичної системи та в процесі створення протоколів міжрівневої взаємодії з використанням комп'ютерних мереж

Запропонована система спрямована на вирішення основних проблем руху та надання конкретних рішень у відстежуванні руху транспортні засоби. Комбінований алгоритм розпізнавання у поєднанні з алгоритмом класифікації автомобіля не тільки допомагає отримати щільність руху, а також класифікувати і підтримувати кількість різних типів транспортних засобів, що знаходяться пересуваються по дорогах.

Система призначена для роботи в усіх умовах освітлення, тобто вдень, а також в нічних умовах. Виявлення номерний знаку може допомогти в контролі за безпекою заборонених зон, контролю за дотриманням правил дорожнього руху.



СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

  1. Мельник А. О. Кіберфізичні системи: проблеми створення та напрями розвитку / А. О. Мельник // Вісник Національного університету "Львівська політехніка". – 2014. – № 806 : Комп'ютерні системи та мережі. – С. 154–161. – Бібліографія: 31 назва.

  2. Мельник А.О. Багаторівнева базова платформа кіберфізичних систем // Кіберфізичні системи: досягнення та виклики. // Матеріали першого наукового семінару, Львів, 2015. – с. 5-15. 3. Мельник А. О. Інтеграція рівнів кіберфізичної системи / А. О. Мельник // Вісник Національного університету «Львівська політехніка». Серія: Комп’ютерні системи та мережі : збірник наукових праць. – 2015. – № 830. – С. 61–67. – Бібліографія: 11 назв.

  3. Міюшкович Є. Г. Телекомунікаційні інтерфейси кіберфізичних систем: концепція застосування / Є. Г. Міюшкович, Я. С. Парамуд // Кіберфізичні системи досягнення та виклики : матеріали І Наукового семінару, 25–26 червня 2015 року, Львів / Національний університет «Львівська політехніка». – Львів : НВФ «Українські технології», 2015. – С. 28–36. – Бібліографія: 3 назви.

  4. Edward Lee, Cyber Physical Systems: Design Challenges. University of California, Berkeley Technical Report No. UCB/EECS-2008-8б, January 23, 8 p., 2008.

  5. J. Kun and Z. Vamossy, "Traffic monitoring with computer vision," Proc. 7th Int. Symp. Applied Machine Intelligence and Informatics (SAMI 2009)

  6. D. Beymer, P. McLauchlan, B. Coifman, and J. Malik, “A real-time computer vision system for measuring traffic parameters,” in Proc. IEEE Conf. Computer Vision and Pattern Recognition, Puerto Rico, June 1997, pp. 496–501

  7. K. P. Karmann and A. von Brandt, “Moving object recognition using an adaptive background memory,” in Proc. Time-Varying Image Processing and Moving Object Recognition,vol. 2, V. Capellini, Ed., 1990

  8. Thou-Ho Chen, Jun-Liang Chen, Chin-Hsing Chen and Chao-Ming Chang, "Vehicle Detection and Counting by Using Headlight Information in the Dark Environment" in IEEE 2007 International Conference on Intelligent Information Hiding and Multimedia Signal Processing IIHMSP07, Kaohsiung, Taiwan, Nov. 26-28, 2007. pp. 519-522

  9. Kanhere, Birchfield, Sarasua, Whitney, "Real-Time Detection and Tracking of Vehicle Base Fronts for Measuring Traffic Counts and Speeds on Highways" in

  10. Дэвид Форсайт, Жан Понс Компьютерное зрение. Современный подход. Computer Vision: A Modern Approach. — М. : «Вильямс», 2004. — 928 с. — ISBN 5-8459-0542-7.

  11. Antonini, G, Martinez, V, Bierlaire, M & Thiran, J 2006, 'Behavioral Priors for Detection and Tracking of Pedestrians in Video Sequences', International Journal of Computer Vision, vol 69, no. 2, pp. 159-180.

  12. Archer, J 2004, 'Methods for the Assessment and Prediction of Traffic Safety at Urban Intersections and their Application in Micro-simulation Modelling', PhD Thesis, Royal Institute of Technology.

  13. Ayuso, M, Guillén, M & Alcañz, M 2010, 'The Impact of Traffic Violations on the Estimated Cost of Traffic Accidents with Victims', Accident Analysis and Prevention, vol 42, no. 2, pp. 709-717.

  14. Badenas, J, Sanchiz, J & Pla, F 2000, 'Using Temporal Integration for Tracking Regions in Traffic Monitoring Sequences', 15th International Conference on Pattern Recognition, Barcelona, Spain.

  15. Ballard, D & Brown, C 1982, Computer Vision, Prentice-Hall, Inc., Englewood Cliffs, New Jersey, p.2.


Достарыңызбен бөлісу:


©kzref.org 2017
әкімшілігінің қараңыз

    Басты бет