• ورود کاربران دانشگاهی

  • ثبت نام(مطالعه آنلاین پایان نامه ها)

  • سپندا

    کاربر مهمان
    پنجشنبه 2 آذر 1396| 54.146.50.80 :Your IP
    سامانه پایان نامه های دانشگاه اصفهان (سپندا)



    عنوان :
    آشکارسازی و ردیابی خودروهای متخلف عبوری از چراغ قرمز به کمک روش‌های پیشرفته پردازش تصویر
    انتشارات : دانشگاه اصفهان
    سال :1392
    زبان : Persian
    شماره سند : 11621
    موضوع :مهندسی کامپیوتر هوش مصنوعی
    پژوهشگر : زینب حنیفه لو
    توصیفگر لاتین : AdaBoost ? HOG ? Haar-like ? Kalman Filter ? GMM ? SVM ? Gaussian filter
    توصیفگر فارسی : پردازش تصویر ◄ آشکارسازی خودرو ◄ SVM ◄ GMM ◄ Kalman Filter ◄ Haar-like، ◄ HOG ◄ AdaBoost
    دانشکده : دانشکده فنی مهندسی، گروه مهندسی کامپیوتر
    مقطع : کارشناسی ارشد

    استاد راهنما : سید امیر حسن منجمی
    استاد مشاور : پیمان معلم
    سال دفاع : 1392
    شماره رکورد : 11621
    شماره راهنما : COM2 301
    فهرست : فهرست مطالب

    عنوان صفحه
    فصل اول مقدمه
    1-1 مقدمه 1
    1-2 سوانح ترافیکی 1
    1-3 سیستم حمل‌ونقل هوشمند 3
    1-4 مشکلات موجود برای آشکارسازی و ردیابی خودرو در تقاطع 5
    1-5 اهداف و اهمیت تحقیق 5
    1-6 کاربرد نتایج تحقیق 6
    1-7 ساختار پایان نامه 6
    فصل دوم مروری بر کارها و تحقیقات انجام شده
    2-1 مقدمه 7
    2-2 روش‌های آشکارسازی خودرو 7
    2-3 روش‌های ردیابی اشیاء 14
    2-3-1 نمایش اشیاء 16
    2-3-2 ردیابی نقطه 18
    2-3-3 ردیابی کرنل (هسته) 22
    2-3-4 ردیابی براساس کانتور 22
    2-4 دیدگاه‏های معمول در ردیابی خودرو 23
    2-4-1 میدان های تصادفی مکانی و زمانی مارکوف 23
    2-4-2 تبدیلات ویژگی های مقیاس ثابت 24
    2-4-3 ردیابی کانتور خودرو بر اساس شدت روشنایی و حرکت مرزها 24
    2-4-4 ردیابی با استفاده از هموگرافی چند سطحی 24
    2-4-5 فیلتر کالمن 24
    2-4-6 روش های زنجیره مارکف مونت کارلو 24
    2-4-7 روش های مبتنی بر شار نوری 25
    2-5 خلاصه و نتیجه‏گیری 25
    فصل سوم ابزارها و روشهای مورد نیاز
    273-1 مقدمه 27
    3-2 استخراج مناطق متحرک 27
    3-2-1 میانگین گوسی متحرک 27
    3-2-2 ترکیب چند گوسی 28
    3-3 فیلتر کالمن 30
    3-3-1 تخمین حالت یک شئ: فیلتر بیز بازگشتی 30
    3-3-2 فیلتر کالمن 32
    3-4 روش ویولا- جونز 33
    3-4-1 ویژگی های شبه- هار 34


    عنوان صفحه
    3-4-3 الگوریتم یادگیری AdaBoost 36
    3-5-3 استخراج کننده آبشاری 37
    3-5 ویژگی های هیستوگرام گرادیان‌های جهت‌دار 37
    3-6 ردیابی بر اساس پنجره وفقی 38
    3-6-1 پنجره‌ی ردیابی 39
    3-6-2 محاسبه‌ی توان نسبی 39
    3-6-3 تخمین حرکت 41
    3-7 توصیفگر نقاط کلیدی SIFT 42
    3-7-1 الگوریتم استخراج نقاط SIFT 42
    3-8 خلاصه و نتیجه گیری 46
    فصل چهارم تشریح روش پیشنهادی
    4-1 مقدمه 47
    4-2 مشخصات داده های ورودی 47
    4-3 تعیین ناحیه آشکارسازی 48
    4-4 آشکارسازی خودرو 49
    4-4-1 روش اول (GMM+ Haar-Like and AdaBoost) 50
    4-4-2 روش دوم (GMM+HOG+Adaboost) 57
    4-4-3 روش سوم HOG + SVM) ) 60
    4-5 ردیابی یک خودرو 61
    4-5-1 ردیابی از طریق پنجره ی وفقی 61
    4-5-2 ردیابی از طریق تطبیق الگو و توصیفگر SURF 65
    4-5-3 ارزیابی روش پیشنهادی 67
    4-6 ردیابی چند خودرو 68
    4-6-1 روش اول – استفاده از روش های قطعی مطابقت 69
    4-6-2 روش دوم – استفاده از روش های روش های آماری مطابقت 71
    4-6-3 محاسبه دقت و خطا در روش پیشنهادی 71
    4-6-4 بررسی نتایج ردیابی چند خودرو 72
    4-7 خلاصه و نتیجه گیری 76
    فصل پنجم تیجه گیری و ارائه راهکارهای آینده
    ن5-1 مقدمه 77
    5-2 خلاصه و نتیجه گیری 77
    5-3 پیشنهادات و راهکارهای آینده 78
    منابع و مآخذ 80





    چکیده :
    چکیده آشکارسازی خودرو در صحنه‌های ترافیکی به خصوص تقاطع‌ها دارای اهمیت فراوانی است. ایجاد سیستم‌های همکار راننده که در مواقع لزوم به راننده هشدار دهند و یا از بروز تصادف جلوگیری کنند، تشخیص خودروهایی که از چراغ قرمز عبور می‌کنند و یا از سرعت مجاز تخلف کرده‌اند، کنترل ترافیک و کاربردهای نظامی و امنیتی از جمله کاربردهای آشکارسازی خودروها است. برای آشکارسازی موفق خودرو، باید سعی شود تا مسائلی مانند تغییر زاویه خودرو، تغییر روشنایی خودرو، حالت‌های خودرو، پس زمینه تصاویر و پوشیدگی که از جمله عوامل محدودکننده محیطی بر روی کار تشخیص خودرو می‌باشند و تأثیر بسزایی بر کارایی سیستم می‌گذارند، مورد بررسی و توجه قرار گیرد تا با ارائه راه‌حلی مناسب در این زمینه بتوان سیستمی مطمئن و کارا در زمینه شناسایی خودرو عرضه کرد. در این پایان‌نامه به پیاده‌سازی یک سیستم جهت استخراج خودروهای حاضر در صحنه‌های ترافیکی خواهیم پرداخت. سپس عمل ردیابی بر روی تصویر خودرو استخراج‌شده‌ی حاضر در صحنه انجام می‌شود. به طور کلی یک سیستم آشکارسازی خودرو از دو بخش تشکیل شده است: مرحله‌ی ساخت فرضیه و مرحله‌ی وارسی فرضیه. در اولین مرحله، مکان‌های محتمل حضور خودرو به عنوان فرضیه در نظر گرفته می‌شوند و در مرحله دوم همه‌ی فرضیه‌ها وارسی می‌شوند و به دو دسته خودرو و غیر خودرو دسته‌بندی می‌شوند. پس از آشکارسازی خودروها عمل ردیابی بر روی آن‌ها صورت می‌گیرد. در بخش آشکارسازی خودرو سه روش را پیاده‌سازی و با یکدیگر مقایسه کردیم. در نهایت به این نتیجه رسیدیم که، روش ویژگی‌های HOG و کلاس بند Adaboost به همراه مدل گاوسی ترکیبی دارای نتایج بهتر و سرعت بیشتری است. در بخش ردیابی نیز دو روش را پیاده‌سازی کردیم. در نهایت بهتر دیدیم که، ردیابی با ارسال ویژگی‌مرکز جرم، به فیلتر کالمن صورت پذیرد. نتایج آزمایش‌ها نشان می‌دهد که سیستم قادر به شناسایی خودرو در شرایط نوری متفاوت، مقیاس، جهت، پوشیدگی، و رنگ خودروهای مختلف است. کلید واژه ها: پردازش تصویر،آشکارسازی خودرو، AdaBoost، HOG، Haar-like، Kalman Filter،GMM ، SVM.

    چکیده انگلیسی :
      Abstract Vehicle detection in traffic scenes, especially intersections is very important .be considered to provide an appropriate solution in this system can detect vehicles in a safe and efficient supply . In this thesis, the implementation of a system for extracting vehicles in traffic scenes , we will. The practice of tracking vehicles on the image extracted at the scene is done. In general, a vehicle detection system is composed of two parts : the construction phase and hypothesis verification stage hypothesis. In the first phase, the possible locations of vehicles are considered as a hypothesis, and secondly , all hypotheses are verified and cars and other vehicles are classified into two categories . After detection, vehicle detection operation is performed on them . Vehicle detection in the three methods were implemented and compared . Finally, we find that , using HOG features and a Gaussian mixture model class section Adaboost with better results more quickly. At the track , we also implement two methods . Finally , we saw better tracking Vyzhgymrkz with a crime , the Kalman filter is implemented. The experimental results show that the system is able to identify the vehicle in different lighting conditions , scales , directions , privacy , and the color is different vehicles . Keywords: AdaBoost, HOG, Haar-like, Kalman Filter, GMM, SVM, Gaussian filter


    کلید واژه ها :
    پردازش تصویر ◄ آشکارسازی خودرو ◄ SVM ◄ GMM ◄ Kalman Filter ◄ Haar-like، ◄ HOG ◄ AdaBoost,AdaBoost ◄ HOG ◄ Haar-like ◄ Kalman Filter ◄ GMM ◄ SVM ◄ Gaussian filter

    1392
    0

    صفحه اول : University of Isfahan Faculty of Engineering Department of Computer Engineering M.Sc. Thesis Red light runners detection and tracking using image processing techniques Supervisor: Dr. Sayed AmirHassan Monadjemi Advisor: Dr. Peyman Moaalem By: Zeinab Hanifeloo February 2013
    فصل اول : 1-6
    فصل دوم : 7-26
    فصل سوم : 27-46
    فصل چهارم : 47-76
    فصل پنجم : 77-88
    فصل ششم :