تتبع المركبات وتحديد السرعة باستخدام خوارزميات مختلفة
Vehicle Tracking and Speed Prediction Using Different Algorithms
- الباحث
- هدى خالد حميد
- المشرف
- اقبال حسين علي - ابتسام احمد حسن
- الجامعة
- الجامعة التكنولوجية
- الكلية / القسم
- قسم الهندسة الكهروميكانيكية / الهندسة الكهروميكانيكية
- الشهادة
- ماجستير
- السنة
- 2023
- لغة الرسالة
- انكليزي
- الكلمات المفتاحية
- Vehicle tracking;Speed estimation;Computer vision;Deep learning
الملخص
أصبحت السيطرة على حركة المرور مهمة للغاية في هذا اليوم ، حيث يرتفع عدد الحوادث على الطريق كل عام بسبب زيادة عدد المركبات على الطريق. سرعة السيارة هي احد اسباب حوادث الطرق. تم إيلاء الكثير من الاهتمام لتقليل حوادث الطرق والتحكم في حركة المرور من خلال الحد من سرعة المركبات ، وعادة ما يتم تحديد سرعة السيارة المتحركة باستخدام الرادار ، ورادار الصورة 6 ورادار الطائرات بدون طيار ، وما إلى ذلك. معظم هذه الأساليب باهظة الثمن على الرغم من أنها توفر أفضل دقة. لذلك تحتاج سلطة إدارة المرور إلى نظام مراقبة أفضل. للحفاظ على سلامة سائقي السيارات ، يضع تطبيق قانون المرور حدودًا للسرعة في مواقع مختلفة في جميع أنحاء البلاد. ومع ذلك ، لا يزال سائقي السيارات غير المسؤولين يتجاوزون الحد الأقصى للسرعة لأنهم يعلمون أنه من غير المحتمل أن يتم القبض عليهم. تتمثل المهمة هنا في اكتشاف المركبات وتتبعها تلقائيًا وتقدير سرعة السيارة من تسلسلات الفيديو التي يتم الحصول عليها. تهدف هذه الرسالة إلى تطوير نظام قادر على اكتشاف المركبات المتحركة في مقطع فيديو وعرض سرعة المركبات باستخدام تقنية معالجة الصور. في هذه الرسالة ،تم اقتراح مقترح مقسم إلى قسمين. يستخدم الجزء الأول كاميرا مثبتة على إشارة مرور ، Loin يستخدم الجزء الثاني كاميرا متحركة على طائرة بدون طيار. في الجزء الأول ، تم استخدام خوارزميتين ، خوارزمية Lucas-Kanade وخوارزمية مرشح Kalman يتكون الاقتراح في كل من خوارزمية Lucas-Kanade وخوارزمية مرشح Kalman من عدة مراحل. في المرحلة الأولى ، يتم تحويل الفيديو الذي تم الحصول عليه إلى إطارات. وفي المرحلة الثانية ، يتم تحويل الصور أولاً من RGB إلى تدرج الرمادي. ثانيًا ، استخدمنا LAS po متوسطًا للتخلص من الضوضاء تم تقليل “7٠١ من الضوضاء بفلتر متوسط. سبب استخدام مرشح المتوسط بدلاً من مرشح Wiener هو أن مرشح المتوسط أقل تعقيدًا من مرشح Wiener ولأن مرشح المتوسط يحافظ على الحواف أثناء إزالة الضوضاء. LIS ، تم تحويل الصور ذات التدرج الرمادي إلى صور ثنائية. في المرحلة التالية ، يتم الكشف عن المركبات المتحركة في الفيديو ، وفي المرحلة التالية ، يتم الكشف عن المركبات المتحركة في الفيديو. في الخوارزمية الأولى ، خوارزمية Lucas-Kanade ، تم استخدام طريقة التدفق البصري للتعرف على المركبات المتحركة من خلال معالجة الصور ، أي يتم الكشف عن حركة السيارة باستخدام خوارزمية Lucas-Kanade ، أما بالنسبة للخوارزمية الثانية ، فهي خوار زمية Kalmanfilter ، تم استخدام "طريقة طرح الخلفية" لاكتشاف المركبات الموجودة في الفيديو. في المرحلة التالية ، قد تحتوي الصورة الناتجة على فجوات ، وعدم اكتمال ، وما إلى ذلك. يتم استخدام العمليات الصرفية لحل هذه المشكلة. في هذه الرسالة ، يتم تنفيذ عملية الإغلاق لإزالة الثقوب والفجوات الصغيرة في السياره. أي أنه يملأ الفجوات في منطقة الخلفية. الغرض من هذه التقنية هو زيادة جودة الصورة عن طريق إزالة العيوب غير المرغوب فيها. في المرحلة التالية ، تم تعقب GUS pall المكتشفة. في الخوارزمية الأولى ، تم تتبع حركة السيارة وتعقبها باستخدام خوارزمية LelLucas-Kanade. بالنسبة للخوارزمية الثانية ، فقد تم تعقب المركبات باستخدام مرشح كالمان. في المرحلة النهائية ، سيتم حساب السرعة بناءً على البيانات التي تم الحصول عليها. أخيرًا ، تمت مقارنة نتائج كل من خوارزمية Lucas-Kanade وخوارزمية مرشح Kalman بمخرجاتهما لمنح المستخدمين السرعة الدقيقة للمركبات. تم تنفيذ النظام باستخدام 713613 (إصدار ٠ )3١7١ وأجريت الاختبارات على سلسلة من الإطارات (فيديو) تعمل بمعدل "١ إطارًا في الثانية بدقة ١1١ بكسل ا ١٠١١ بكسل. النتائج التي تم الحصول عليها لكل مرحلة والكشف والتتبع دلت على نجاح جميع المراحل في تحقيق المهام الموكلة إليها. أشارت النتيجة الإجمالية التي تم الحصول عليها إلى أن النظام نجح في تتبع المركبات. ستتم مقارنة السرعة التي تم الحصول عليها بواسطة خوارزمية Lucas-Kanade وخوارزمية مرشح els Kalman على دقتها مع السرعة الحقيقية التي تم الحصول عليها ، وأظهرت المقارنة أن خوارزمية مرشح Kalman أعطت أداءً أفضل نسبيًا مقارنة بخوارزمية Lucas-Kanade. بالنسبة للجزء الثاني ، تم استخدام الطائرات بدون طيار ، واستخدمت مقاطع الفيديو التي تم التقاطها بواسطة المركبات غير المأهولة (UAVs) لاكتشاف وتتبع المركبات وحساب سرعة السيارة. تم الكشف باستخدام طريقة الطرح الخلفية. تم إجراء التتبع باستخدام مرشح كالمان للحصول على مسارات أكثر دقة واستمرارية. تظهر التجارب مع التسلسلات المستخدمة فعالية الطائرة بدون طيار من خلال تحقيق دقة تقدير السرعة بنسبة 98.8%.
Abstract
Recently, traffic control has become very important. Nowadays, there are more accidents on the road every year as a result of the rise in the number of vehicles on the road. Vehicle speed is only one cause of road accidents. So the traffic management authority needs a better monitoring system. The task here is to automatically detect and track vehicles and estimate vehicle speed from the video sequences, which are obtained. The goal of this thesis is to create a system that can use image processing to identify moving cars in a video clip and display their speeds, which includes two parts the first part uses a camera mounted on a traffic light, while the second part uses a moving camera on a drone. The Lucas-Kanade algorithm and Kalman's filter algorithm are used in several stages. firstly, the obtained video is converted into frames, secondly, the images are first converted from RGB to grayscale. then used a medium filter to get rid of noise 80% of the noise was reduced. the grayscale images were converted to binary images. thirdly detection of moving cars in the video. In the first algorithm, the Lucas-Kanade algorithm, the optical flow method was used to identify moving vehicles through image processing, that is, the movement of the vehicle is detected using the Lucas-Kanade algorithm. As for the second algorithm, the Kalman filter algorithm, a 'background subtraction method' was used to detect the compounds present in the video. fourthly, the resulting image may contain gaps, incompleteness, etc. morphological operations are used to solve this problem. Fifthly the detected vehicles were tracked using the Lucas-Kanade algorithm and Kalman filter. Finally, the speed will be calculated based on the data obtained. the results of both the Lucas-Kanade algorithm and the Kalman filter algorithm were compared to their outputs to give users the exact speed of the vehicles. The system was implemented using Matlab (2020 version), and the tests were conducted on a series of frames (video) running at 30 frames per second at a resolution of 160 pixels by 120 pixels. The results obtained for each stage, detection, and tracking indicated the success of all stages in achieving the tasks assigned to them. The overall score obtained indicated that the system succeeded in tracking the vehicles. The speed obtained by the Lucas-Kanade algorithm and the Kalman filter algorithm will be compared based on its accuracy with the obtained real speed, and the comparison showed that the Kalman filter algorithm gave relatively better performance compared to the Lucas-Kanade algorithm. For the second part, drones were used, and videos captured by unmanned vehicles were used to detect and track vehicles and calculate vehicle speed. Detection was done using the background subtraction method. Tracking was done using a Kalman filter to obtain more accurate and continuous trajectories. Experiments with the sequences used show the drone's effectiveness by achieving a speed estimation accuracy of 98.8%.
طلب نسخة من الملف
الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.