在空中监视车辆目标检测

Maheswari¹,Ramaswamy reddy²

维杰亚瓦达,学生,部门,LBRCE印度
副教授,部门,LBRCE,维杰亚瓦达,印度

文摘

介绍了在空中监视车辆目标检测系统。这个系统是有用的在军事领域的识别和交通控制系统自动目标识别和跟踪移动物体的视频。我们提出一个车辆检测框架在两个阶段培训和检测阶段。在这个视频中分为帧。我们执行一个像素明智的分类方法在邻近的像素区域的对象来获取定量观测。色彩变换有效地应用于独立的汽车和非汽车颜色。精明的边缘检测方法应用于提取对象的地方特色。因此特征提取过程给出确切的结果分类通过考虑车辆颜色和地方特色。进一步构建动态贝叶斯网络(DBN)车辆分类。一些种类的实验天线视频。 The results demonstrate flexibility and good generalization abilities of the proposed system on a challenging data set with aerial surveillance images taken at different heights and under different camera angles.

关键字

车辆检测、空中监视,动态贝叶斯网络(DBNs)。

介绍

最近的车辆数量的增长在巷道网络运输管理机构不得不依靠先进技术更好的决策。从这个角度来看,空中监视有更好的地方了。空中监视提供了增加监测结果的快速移动的目标,因为空间区域范围更大。聪明的空中侦察的主要话题之一是车辆检测和跟踪。困难参与空中监视包括相机运动如平移、倾斜和旋转。也不同的相机高度很大程度上影响检测结果。

空中监视有着悠久的历史观察敌人的军事活动和资源监测在商业世界。这些技术被用于新闻采集和搜救空中监视主要使用电影。高度拍摄静态图像监控区域内的,可能后来会被人类或机器分析师。视频捕捉动态事件不能理解与天线相比图像。反馈和触发的动作启用基于动态事件,并提供至关重要的和及时的情报和理解,是不可用的。视频观测可以用来发现和定位实时移动对象。视频还提供了新的技术挑战。摄像机分辨率较低的框架相比相机。得到所需的分辨率和识别物体在地上,有必要使用长焦镜头,狭窄的视野。这导致视频监控的缺点。它提供了一个“吸管”视图的场景。 The camera should be scanned to cover the extended regions of interest. Observer who is watching this video must pay constant attention, to the objects of interest rapidly moving in and out of the camera field of view. This video lacks a larger visual context—the observer has difficulty perceiving the relative locations of objects seen at one point of time where the object moments seen before. In addition to that geodetic coordinates for objects of interest seen in the video are not available.

二世。相关工作

程Hsu-Yung[1]提出的系统,逃离车辆检测的刻板印象和现有框架在空中监视,基于区域或滑动窗口。像素明智的分类方法是专为车辆检测。海因茨Hsu-Yung程提出提出的层次模型和鲍姆加特纳[2],描述不同级别的车的细节特征和基于级联分类器的检测方法有很多错过检测的缺点。车辆检测算法基于对称属性[3]汽车形状很容易错误的检测。均值漂移分割算法的高计算复杂度是一个主要的问题在现有的方法。一个方法利用色彩变换的静态图像和一种方法往往利用广域运动图像。未漂亚麻衬布。[4]提出了一种方法,减去背景颜色的每一帧,然后精制车辆候选区域执行尺寸限制,车辆在[4]中,作者提出了一种基于级联分类器的运动车辆检测方法。多尺度滑动窗口中生成检测阶段。这种方法的缺点是有很多小姐在旋转的车辆检测。崔和阳[5]提出了车辆检测算法使用汽车形状的对称性质。 Therefore, they applied a log polar histogram shape descriptor to verify the shape of the candidates. Unfortunately, the shape descriptor is obtained from the fixed vehicle model, such that the algorithm inflexible. The algorithm in [6] relied on mean-shift clustering algorithm for image colour segmentation. The high computational complexity of mean-shift segmentation algorithm is another concern.

三世。方法

答:层次模型

这项工作引入了一个新的方法在单眼大规模空中自动车辆检测图像。提取是基于层次模型,描述详细突出车辆特性在不同的水平。除了这个对象的属性,该模型包含上下文知识,即。,relations between the vehicle and objects e.g., pavement beside a vehicle and the sun causing a vehicle's shadow projection. This approach neither relies on external information like digital maps or site models, nor is it limited to vial specific vehicle models.

种乐趣的roi(地区)

主要是基于边缘投票为推导长方形凸和紧凑的区域.Hypotheses形成序列前提取线,边缘,和表面.validation的辐射和几何分析和选择,其中包括矩形序列,并使用车辆模型和当地.Verification上下文,只为说明个人的步骤。为了避免时间、消费分组算法提取的早期阶段,我们首先关注通用图像边缘特征,纹,表面。

图:车辆检测的各个步骤

三维模型生成和验证

为了近似车辆的三维形状的假设,一个特定的高度选择概要文件从一组预定义的配置文件。请注意假说的基本矩形保持不变,即。,the height values of the profile refer to the image edges perpendicular to the vehicle direction. The selection of the profiles depends on the extracted sub structures, i.e., the shape of the validated rectangle sequence. We distinguish rectangle sequences corresponding to 3 types of vehicles: hatch-back cars, saloon cars, and other vehicles such as vans, small Trucks, etc. In contrast to hatch -back and saloon cars, the derivation of an accurate height profile for the last category would require a deeper analysis of the hypotheses (e.g., for an unambiguous determination of the vehicle orientation). Hence, in this case, we approximate the height profile only roughly by an elliptic arc having a constant height. Offset, above the ground. After creating a 3D model from the 2D hypothesis and the respective height profile we are able to predict the boundary of a vehicle's shadow projection on the underlying road surface. A vehicle hypothesis is judged as verified if a dark and homogeneous region is extracted besides the shadowed part of the vehicle and a bright and homogeneous region besides the illuminated part, respectively.

3 d刨床检测技术

如果我们试图检测车辆基于三维检测十分重要。

秘密共享(也称为秘密分割)是指方法分配一组参与者之间的一个秘密;分配每个人分享的秘密。秘密重构只有当足够多,股票可能的不同类型,结合个股是毫无用处的。

e .感知系统

在比赛中城市驾驶的车辆遇到了各种典型的场景。他们不得不与其他交通是人类或机器驱动的。它描述了知觉的方式由团队格子比赛,冠军的竞争。设置关注周围的其他车辆的检测和跟踪机器人。方法允许一个现状的具体解释感知数据通过情况评估算法保持情况独立感知算法。

四、车辆检测框架

在本文中,我们设计一个新的车辆检测框架,保留现有工作的优点,避免他们的缺点。

我们读的输入视频,从视频中提取的帧数。执行去除背景颜色不能仅仅减少假警报也加快检测过程。我们从图像中提取特征框架。我们做以下边缘检测,检测,颜色变换和颜色分类。帧图像边缘能够转移通过执行检测边缘,角落和地方变换颜色。我们执行像素明智使用DBNs分类车辆检测。(动态贝叶斯网络)。我们使用形态学操作来提高检测面具和执行连接组件标签的车辆对象在这篇文章中,我们不执行地区分类为基础,高度依赖意味着转变的颜色分割算法的结果。生成多尺度滑动窗口是没有必要的。

答:帧提取

在模块我们读输入视频,从视频中提取的帧数。像素的帧形成动态计算、边缘检测和纠错。

b .去除背景颜色

在这个模块中,我们构造每一帧的颜色直方图和消除频繁的出现在图片的颜色。这些像素删除不需要考虑在随后的检测过程。执行背景颜色去除不仅降低了假警报,而且加快检测过程。

c .特征提取

在这个模块中,我们从图像中提取特征框架。我们做下面的边缘检测,检测,颜色变换和颜色分类如图4所示。特征提取是检测在训练阶段和执行阶段我们考虑当地特征和颜色特征。

d . DBNS分类

动态贝叶斯网络(DBNs)用于车辆分类的视频。贝叶斯网络是一个有向无环图G = (V, E)的节点(顶点)代表随机变量域的兴趣和弧(边缘)象征着直接随机变量之间的依赖关系,但在贝叶斯网络中一个节点在其父母的价值观是有条件的

p (x1;x2;::;xn)是一个缩写p (X1 = X1 ^ x2………。Xn)。换句话说,贝叶斯网络模型的概率分布,如果每个变量条件独立的non-descendants图中给出其父母的价值。

我们对车辆检测执行像素明智的分类使用DBNs [13]。DBN模型的设计见图10。NodeVt表明如果一个像素属于车辆在时间片t, Vt的状态取决于Vt-1的状态。此外,在每一个时间片t,国家vt影响观测节点圣,Ct,英国《金融时报》,和Zt型,观察被认为是相互独立的,这些观察的定义是在前面的小节解释道。我们获得的条件概率表DBN模型通过采用算法通过提供每个像素的地面实况标签和对应的观测特性从几个培训视频检测阶段,在贝叶斯规则是用来获取像素属于车辆的概率,

e .后加工

需要识别的车辆,我们需要执行屏蔽操作车辆。我们是消除频繁的像素,因为它涉及到共性像素。我们能够认识到每辆车通过后置处理. .

V。实验结果

实验结果证明。分析该系统的性能,不同场景的视频序列和不同的拍摄高度。

答:帧提取

输入视频,从视频中提取的帧数,与像素帧形成动态计算。

b .去除背景颜色

这些像素删除不需要考虑在随后的检测过程。执行背景颜色去除不仅降低了假警报,而且加快检测过程。

c .检测边缘

帧图像边缘能够转移通过执行检测边缘。

d颜色分类

当使用支持向量机,我们需要选择的块大小样本和执行车辆颜色分类。

e .后加工

我们使用形态学操作来提高检测面具和执行连接组件标签。我们在后期处理阶段消除对象不可能的车辆。

自动车辆检测系统对空中侦察相机不承担任何先验信息的高度,车辆大小和纵横比。这个系统执行提出分类,这将很大程度上取决于计算密集的颜色分割算法如意味着转变。我们还没有生成的多尺度滑动窗口不适合检测旋转工具。相反,我们提出了一个像素明智使用DBNs车辆检测分类方法。尽管执行像素明智的分类、相邻像素之间的关系在一个地区保存在特征提取过程。因此,提取的特征组成不仅像素级的信息,而且区域层次上的信息。因为车辆的颜色不会显著改变由于摄像机的角度和高度的影响,我们只使用少量的正负样本训练支持向量机分类的汽车颜色,所需要的帧数火车DBN很小。总的来说,整个框架不需要大量的训练样本。我们也时刻保护应用于增强精明的边缘检测器,这就增加了适应性和精度检测图像在不同的天线。

引用

会员,IEEE, Hsu-Yung Cheng Chih-Chia翁,Yi-Ying陈,“空中监视车辆检测使用动态贝叶斯网络”3月21日,2012年。课堂讲稿在计算机科学项目99 - 2628 - e - 008 - 098。
海因茨和a·鲍姆加特纳“空中汽车检测”图像使用通用特性,分组、和上下文,“在Proc。DAGM计算机协会,9月。2001年,卷。2191年,课堂讲稿在计算机科学中,45-52页。
j.y.崔和y . k .杨”,车辆从空中探测图像使用本地的形状信息,“放置图像视频抛光工艺。卷。5414年,讲座笔记在计算机科学中,第236 - 227页,2009年1月。
曹r·林x, y, C。吴,h·乔,“机载移动车辆检测城市交通监视。”在Proc IEEE Conf.Intell 11 Int。透明。系统。,Oct. 2008, pp. 163–167
曹r·林x, y, C。吴,h·乔,“机载移动车辆检测城市交通视频监控的,“在Proc, IEEE Intell.Veh。计算机协会,2009年,页203 - 208。
l。Emst, s . Sujew k Thiessenhusen, M。Hetscher、美国Rabmann和m .孩子们“LUMOS-Airbone交通监控系统,”在Proc.IEEE智能。透明。系统。,Oct. 2003, vol. 1, pp. 753–759.
h . Cheng和d·巴特勒,”空中监视视频的分割使用的混合专家,“在Proc。IEEE数字。成像计算。高新技术。达成。,2005, p. 66.
s . Srinivasan h . Latchman j .谢伊和j . McNair t . Wong“空中交通监视系统:公路交通视频监控,“在Proc。ACM第二Int。车间视频监控Sens.Netw, 2004年,页131 - 135。
c·g·哈里斯和m . j . Stephens,”角落和边缘检测器相结合”,在Proc。4日阿尔维粘度相依,1988年,页147 - 151
j . f .精明的边缘检测的计算方法,“IEEE反式。模式肛门。马赫。智能。,vol. PAMI-8, no. 6, pp. 679–698, Nov.1986.
w·h·蔡“Moment-preserving阈值:一个新的方法,”计算。Vis.Graph、图像过程中,卷。29日,没有。3、377 - 393年,1985页。
l·w·蔡j . w .谢长廷,k . c .粉丝,“车辆检测使用规范化的颜色和边缘地图,“IEEE反式。图像的过程。,16卷,不。3,第864 - 850页,2007年3月
罗素和p . Norvig人工智能:现代的方法,第二版。恩格尔伍德悬崖,新泽西:普伦蒂斯