Klasyfikacja rodzajowa pojazdów na podstawie danych obrazowych

• Autorzy: Czapla Z.

Warianty tytułu

EN

Generic vehicle classification on the basis of image data

• Języki publikacji: PL

Abstrakty

PL

Opracowanie prezentuje metodę klasyfikacji rodzajowej pojazdów na podstawie wejściowej sekwencji obrazów cyfrowych Każdy z obrazów sekwencji jest konwertowany do binarnej postaci dwuwarstwowego modelu obrazu cyfrowego. Dwuwarstwowy model obrazu cyfrowego składa się z dwóch warstw wartości pikseli: warstwy wartości bazowych oraz warstwy wartości różnicowych. Podział na warstwy przeprowadzany jest predykcyjnie, przy użyciu zmodyfikowanego kodowania delta. Rozkład punktów bazowych w dwuwarstwowym modelu obrazu odpowiada zawartości obrazu. Postać binarna dwuwarstwowego modelu obrazu tworzona jest na podstawie warstwy wartości różnicowych zwierającej znaczniki wartości bazowych. Klasyfikacja rodzajowa pojazdów jest przeprowadzana na podstawie analizy zmian stanu pól detekcji. Do klasyfikacji pojazdów wykorzystywany jest wskaźnik kształtu pojazdów. Przedstawiona metoda klasyfikacji pojazdów jest nieskomplikowana obliczeniowo i może mieć zastosowanie w systemach czasu rzeczywistego, a także w implementacjach sprzętowych. Opracowanie zawiera prezentację wyników rodzajowej klasyfikacji pojazdów.

EN

The paper presents a method of generic vehicle classification with the use of an input sequence of digital images. Each image of the sequence is converted into a binary form of the two-layer digital image model. The two-layer digital image model consists of two pixel value layers: the base values layer and the difference values layer. Splitting into the layers is carried out by predictive method with the use of a variant of delta encoding. Layout of base pixel values in the two-layer image model is in accordance with an image content. The binary form of the two-layer image model is created on the basis of the different values layer that contains base value markers. Vehicle classification is carried out on the basis of occupancy changes analysis of the detection field state. A vehicle shape pointer is used to classification of vehicles. The presented method of generic vehicle classification of is not complex computationally and can by applied to real time processing and also in hardware implementations. Experimental results of the presented method of generic vehicle classification are provided.

Słowa kluczowe

PL

klasyfikacja rodzajowa pojazdów; obraz cyfrowy; postać binarna

EN

generic vehicle classification; digital image; binary form

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 6
• Strony: 2851--2861
• Opis fizyczny: Bibliogr. 10 poz., il., tab., wykr., pełen tekst na CD3

Twórcy

autor

Czapla Z.

• Politechnika Śląska, Wydział Transportu, Katedra Systemów Transportowych i Inżynierii Ruchu, ul. Krasińskiego 8, 40-019 Katowice

Bibliografia

• 1. Coifman B., Beymer D., McLauchlan P., Malik J., A real-time vision system for vehicle tracking and traffic surveillance. Transportation Research Part C, 1998, p. 271-288.
• 2. Czapla Z., Zliczanie pojazdów przy użyciu sekwencji obrazów cyfrowych. Logistyka, 3/2014, s. 1164-1170.
• 3. Czapla Z., Video Based Vehicle Counting for Multilane Roads. Logistyka, 4/2014, p. 2709-2717.
• 4. Fernandez-Caballero A., Gomez F. J., Lopez-Lopez J., Road traffic monitoring by knowledge-driven static and dynamic image analysis. Expert Systems with Applications, 35, 2008, p. 701-719.
• 5. Gupte S., Masoud O., Martin R. F. K., Papanikolopoulos N. P., Detection and Classification of Vehicles. IEEE Transaction on Intelligent Transportation Systems, Vol. 3, No. 1, 2002, p. 37-47.
• 6. Huang D.-Y., Chen C.-H., Hu W.-C., Yi S.-C., Lin Y.-F., Feature-Based Vehicle Flow Analysis and Measurement for Real Time Surveillance System. Journal of Information Hiding and Multimedia Signal Processing, Vol. 3, No. 3, 2012, p. 282-296.
• 7. Kamijo S., Matsushita Y., Ikeuchi K., Sakauchi M., Traffic Monitoring and Accident Detection at Intersections. IEEE Transactions on Intelligence Transportation Systems, Vol. 1, No. 2, 2000, p. 108-118.
• 8. Kang C.-C., Wang W.-J., A novel edge detection method based on the maximizing objective function. Pattern Recognition, 40, 2007, p.609-618.
• 9. Mithun N. C., Rashid N. U., Rahman S. M. M., Detection and Classification of Vehicles From Video Using Multiple Time-Spatial Images. IEEE Transaction on Intelligent Transportation Systems, Vol. 13, No. 3, 2012, p. 1215-1225.
• 10. Rosin P. L., A simple method for detecting salient regions. Pattern Recognition, 42, 2009, p. 2363-2371.