Object classification methods for application in FPGA based vehicle video detector

• Autorzy: Pamuła W.

Warianty tytułu

PL

Metody klasyfikacji obiektów dla zastosowania w wideo-detektorze pojazdów opartym na FPGA

• Języki publikacji: EN

Abstrakty

EN

The paper presents a discussion of properties of object classification methods utilized in processing video streams from a camera. Methods based on feature extraction, model fitting and invariant determination are evaluated. Petri nets are used for modelling the processing flow. Data objects and transitions are defined which are suitable for efficient implementation in FPGA circuits. Processing characteristics and problems of the implementations are shown. An invariant based method is assessed as most suitable for application in a vehicle video detector.

PL

Artykuł przedstawia dyskusje własności metod klasyfikacji obiektów stosowanych w przetwarzaniu strumieni wideo z kamery. Omówione są metody oparte na wydzielaniu cech, dopasowaniu do modeli i wyliczaniu niezmienników. Zastosowano sieci Petri do zamodelowania przetwarzania. Zdefiniowano obiekty danych i przejścia pozwalające na sprawną implementację z użyciem układów FPGA. Przedstawiono cechy i trudności w implementacji metod. Oceniono metodę opartą na niezmiennikach, jako najbardziej przydatną dla zastosowania w wideo detektorze pojazdów.

Słowa kluczowe

EN

Petri nets; video detection; video recorder; FPGA; pattern recognition

PL

sieci Petriego; modelowanie przetwarzania; wideodetekcja; wideorejestrator; FPGA; przetwarzanie obrazów

• Wydawca: Wydawnictwo Politechniki Śląskiej
• Czasopismo: Transport Problems
• Rocznik: 2009
• Tom: T. 4, z. 2
• Strony: 5--14
• Opis fizyczny: Bibliogr. 20 poz.

Twórcy

autor

Pamuła W.

• Department of IT Systems in Transport, Faculty of Transport, Silesian University of Technology, Krasinskiego St. 8, 40-019 Katowice, Poland,

Bibliografia

• 1. Datka S., Suchorzewski W., Tracz M.: Inżynieria ruchu, Warszawa WKŁ, 1999.
• 2. Oh C., Ritchie S.G..: Recognizing vehicle classification information from blade sensor signature. Pattern Recognition Letters vol. 28 , 2007, pp. 1041-1049.
• 3. Autoscope terra. Data sheet. Image Sensing Systems USA, 2008.
• 4. Traficam vehicle presence sensor. Traficon N.V. Belgium, 2008.
• 5. Bretherton R.D., Bodger M., Baber N.: SCOOT - Managing Congestion Communications and Control. Proceedings of ITS World Congress, San Francisco, 2005.
• 6. Maerivoet S., De Moor B.: Cellular automata models of road traffic, Physics Reports 419, 2005, pp.1- 64.
• 7. Song B.S., Lee K.M., Lee S.U., Yung I.D.: 3D target recognition based on projective invariant relationships, Journal of Visual Communications and Image Representation vol.14, 2003, pp 1-21.
• 8. FPGA Features and Design. Xilinx Inc. San Jose, CA USA, 2007.
• 9. Cyclone III Device Handbook. Altera Co. San Jose, CA USA, 2008.
• 10. LatticeXP Family Handbook. Lattice Semiconductor Co., 2007.
• 11. Handel-C Language Reference Manual. Agility Design Solutions Inc., 2007.
• 12. Sun Z., Bebis G., Miller R.: Object detection using feature subset selection. Pattern Recognition vol. 37, 2004 pp. 2165 - 2176.
• 13. Murata T.: Petri Nets: Properties, Analysis and Applications, Proceedings of the IEEE, 1989, vol.77,pp. 541-580.
• 14. Stauffer C., Grimson W.E.I.: Adaptive background mixture models for real time tracking, Proc CVPR, vol.2, 1999, pp 246-252.
• 15. Polat E., Yeasin M., Sharma R.: A 2D/3D model-based object tracking framework, Pattern Recognition vol.36, 2003, pp. 2127 - 2141.
• 16. Shina J., Kima S., Paika J., Abidid B., Abidi M.: Optical flow-based real-time object tracking using non-prior training active feature model, Real-Time Imaging vol. 11, 2005, pp. 204-218.
• 17. Project Report: Modules of Video Traffic Incidents Detectors ZIR-WD for Road Traffic Control and Surveillance. WKP-1/1.4.1/1/2005/14/14/231/2005, Katowice, Poland, 2007.
• 18. Mundy J.L., Zisserman A.: Geometric Invariance in Computer Vision, Cambridge MA, MIT Press, 1992.
• 19. Song B.S., Lee K.M., Lee S.U.: Model-Based Object Recognition Using Geometric Invariants of Points and Lines, Computer Vision and Image Understanding vol.84, 2001, pp. 361-383.
• 20. Zhu Y., Seneviratne L.D., Earles S.W.E.: New algorithm for calculating an invariant of 3D point sets from a single view, Image and Vision Computing vol.14, 1996, pp. 179-188.