com
AASRI
Procedia
AASRI Procedia 1 (2012) 480 - 485
www.elsevier.com/locate/procedia
Yiqin Cao Sebuah, Zhangming Lei Sebuah,*, Xiaosheng Huang b, Zhen Zhang Sebuah, Tao Zhong Sebuah
Sebuah Sekolah perangkat lunak, Cina Timur Jiaotong University, Nanchang, 330.013, Cina
b Sekolah Teknik Informatika, Cina Timur Jiaotong University, Nanchang, 330.013, Cina
Abstrak
Sebuah metode deteksi kendaraan efisien adalah suatu keharusan bagi sistem transportasi cerdas di bawah lingkungan lalu lintas yang rumit saat ini. Untuk
memecahkan masalah komputasi besar dan miskin real-time dalam kendaraan mendeteksi metode tradisional, artikel ini mengusulkan sebuah kendaraan
real-time mendeteksi algoritma terintegrasi penginderaan tekan (CS) teori dan metode latar belakang pengurangan. Selain itu, makalah ini melakukan
rekonstruksi gambar latar depan kendaraan berdasarkan algoritma orthogonal pencocokan mengejar (OMP). Dibuktikan dengan hasil eksperimen, algoritma
deteksi kendaraan yang diusulkan dapat menghasilkan deteksi presisi tinggi, perhitungan yang lebih kecil dan berkualitas tinggi direkonstruksi gambar
dibandingkan dengan yang tradisional.
2012 Diterbitkan oleh Elsevier seleksi dan / atau peer review di bawah tanggung jawab Amerika Sains Terapan Research Institute
Terbuka akses di bawah CC BY-NC-ND lisensi.
Kata kunci: CS (penginderaan tekan); latar belakang pengurangan; rekonstruksi citra; OMP (orthogonal pencocokan mengejar)
1. Perkenalan
Lalu lintas perkotaan telah berkembang pesat. Namun, kecelakaan lalu lintas dan kemacetan jalan telah muncul bersama dengan
peningkatan jumlah [1] yang mengakibatkan korban jiwa yang sangat besar dan kerugian ekonomi.
2212-6716 © 2012 Diterbitkan oleh Elsevier Ltd doi: 10,1016Terbuka akses di bawah CC BY-NC-ND lisensi.
/ j.aasri.2012.06.075
Yiqin Cao et al. / AASRI Procedia 1 (2012) 480 - 485 481
Sistem transportasi cerdas telah menarik banyak peneliti. Sebagai salah satu langkah penting, kendaraan deteksi [1] sangat
signifikan untuk video cerdas sistem pemantauan lalu lintas.
Metode umum untuk bergerak deteksi kendaraan berisi: aliran optik [2], bingkai pengurangan [3], dan pengurangan latar belakang [4]. Untuk algoritma aliran optik,
itu adalah perhitungan sangat besar dan tanpa fungsi pemantauan real-time. Mengingat pengurangan bingkai, hampir tidak untuk mendapatkan informasi kendaraan
lengkap dan kendaraan pada kecepatan rendah tidak dapat dideteksi. pengurangan latar belakang yang digunakan dalam artikel ini adalah algoritma yang lebih populer
saat ini [5-6]. Di awal, Wren diusulkan algoritma latar belakang pengurangan berjalan-Gaussian-rata [7]. Dia percaya bahwa setiap pixel dari gambar latar belakang
independen dan puas fungsi probabilitas Gaussian. Algoritma ini sangat cepat dan diperlukan ruang penyimpanan kecil, tapi hasil gambar latar belakang tidak baik.
Kemudian, Koller membuat perbaikan di update latar belakang, yang melakukan pekerjaan sampah di dasar mantan algoritma dan meningkatkan perhitungan. Untuk
menyesuaikan dengan lingkungan eksternal yang rumit, Stauffer dan Grimson dilakukan metode latar belakang pengurangan didasarkan pada model campuran
Gaussian [8]. algoritma diperoleh kinerja yang baik untuk deteksi target, tetapi terbatas pada perhitungan. Meskipun banyak peneliti mengusulkan modifikasi untuk
model [9], itu sulit untuk memecahkan masalah. Algoritma di atas dinilai dalam hal kecepatan komputasi, volume penyimpanan dan kompleksitas bawah premis deteksi
menguntungkan. Maka target mendeteksi metode berdasarkan kompresi data muncul. B.Ugur menyarankan wavelet-domain algoritma deteksi target [10]. Menimbang
bahwa target kendaraan memiliki bagian kecil dalam gambar latar belakang yang setuju untuk karakteristik rasa tekan jarang, artikel ini mengintegrasikan penginderaan
tekan [11-13] dan metode latar belakang pengurangan. Algoritma beroperasi sampel tekan pada gambar latar belakang dan gambar input masing-masing, dari mana
pengukuran tekan akan diterima, kemudian mengurangi pengukuran gambar latar belakang dan gambar input untuk mendapatkan pengukuran target kendaraan, dan
tepat merekonstruksi informasi kendaraan dengan pencocokan orthogonal algoritma mengejar akhirnya. Sebagai update latar belakang hanya dilakukan pada
pengukuran, perhitungan sebagian besar menurun. Algoritma beroperasi sampel tekan pada gambar latar belakang dan gambar input masing-masing, dari mana
pengukuran tekan akan diterima, kemudian mengurangi pengukuran gambar latar belakang dan gambar input untuk mendapatkan pengukuran target kendaraan, dan
tepat merekonstruksi informasi kendaraan dengan pencocokan orthogonal algoritma mengejar akhirnya. Sebagai update latar belakang hanya dilakukan pada
pengukuran, perhitungan sebagian besar menurun. Algoritma beroperasi sampel tekan pada gambar latar belakang dan gambar input masing-masing, dari mana
pengukuran tekan akan diterima, kemudian mengurangi pengukuran gambar latar belakang dan gambar input untuk mendapatkan pengukuran target kendaraan, dan
tepat merekonstruksi informasi kendaraan dengan pencocokan orthogonal algoritma mengejar akhirnya. Sebagai update latar belakang hanya dilakukan pada
N K
x ()n n
()n l nl
. (1)
n 1 l 1
entri K-nol dari dasar dekomposisi. Persamaan (1) dapat lebih kompak dinyatakan sebagai berikut
x (2)
dimana adalah 1 kolom dengan unsur-unsur K-nol. menggunakan || || p untuk menunjukkan p norma mana
N vektor
itu 0 norma hanya menghitung elemen nol dari . kita sebut X gambar sebagai K-jarang jika 0 K.
482 Yiqin Cao et al. / AASRI Procedia 1 (2012) 480 - 485
Dalam rangka CS, diasumsikan bahwa K-terbesar ()n tidak diukur secara langsung. Agak, M N
proyeksi linear dari vektor gambar x ke set vektor [, ....,
1
] Diukur:
y x . (3)
min 1
st. . y . (4)
masalah optimasi ini, juga dikenal sebagai Basis Pursuit [11], bisa efisien diselesaikan menggunakan algoritma waktu polinomial.
Menerapkan metode latar belakang pengurangan berdasarkan CS, dalam makalah ini, pengukuran video yang pertama
diperoleh melalui sampel tekan dioperasikan pada gambar input video. Dan kemudian, pengukuran dari gambar latar belakang
akan dicapai dari estimasi mantan pengukuran. Selain itu, gambar latar belakang kebutuhan update real-time dianggap tentang
perubahan lingkungan eksternal. Ketika melakukan pengurangan latar belakang, operasi ambang diferensial harus dilakukan pada
pengukuran model latar belakang dan pengukuran real-time frame video gambar untuk menentukan apakah ada ada
memindahkan kendaraan pada gambar bingkai. Jika tidak ada eksistensi, drop gambar. Jika tidak, merekonstruksi gambar target
kendaraan melalui algoritma rekonstruksi citra OMP di Ref. [14].
Sebagai latar belakang pengurangan algoritma deteksi target telah banyak diterapkan pada sistem pemantauan, metode pengurangan
latar belakang diperluas ke domain kompresi data citra [10]. Dalam tulisan ini, kami menggunakan kompresi data berdasarkan CS
menyadari pengurangan latar belakang yang memperkirakan pengukuran gambar latar belakang dari pengukuran video gambar.
Seandainya X, nn B mewakili citra masukan pada
hadir dan gambar latar belakang, masing-masing. Dan bn y adalah pengukuran B,n adalah apa yang harus
y tn X. Kemudian,
n
saya 1, 2, ..., M
| yitn () y tn 1
()saya
| T ni () (6)
dimana ()
T ni adalah ambang update real-time. Strategi pembaruan digambarkan seperti di bawah ini.
aT ni () (1 abyi
) (| tn
() yibn () |), ada bergerak di i
Tn 1
()saya
T ni (), ada non bergerak di i (7)
saya 1, 2, ..., M
dimana Sebuah adalah bilangan bulat mendekati 1, b adalah angka yang lebih besar dari 1. ambang batas dapat disesuaikan dengan mengubah nilai Sebuah dan b.
Dalam metode latar belakang pengurangan tradisional, langkah pertama adalah untuk membangun model latar belakang, maka untuk melakukan
pengurangan antara input gambar dan gambar latar belakang, mengatur ambang batas untuk gambar dikurangi, dan akhirnya mendapatkan target.
Meskipun banyak sekali karya-karya peneliti pada metode pemodelan latar belakang, sulit untuk mencapai hasil yang sempurna. Terlebih lagi, estimasi
dilakukan melalui pemodelan latar belakang dan memperbarui untuk setiap pixel akan membuat perhitungan yang sangat besar. Metode penginderaan
yang tekan digunakan dalam teks ini mengatasi masalah dalam metode tradisional yang tidak membutuhkan pemodelan dan memperbarui untuk setiap
pixel dan tidak ada keharusan untuk rekonstruksi gambar latar belakang. Sebaliknya, metode yang diusulkan mengurangi pada pengukuran gambar latar
belakang penginderaan kompresi dan gambar input, seperti yang ditunjukkan dalam ekspresi (8).
dimana ()
T i adalah ambang batas dikurangi diperbarui oleh ekspresi (7). Diagram alir dari kendaraan
mendeteksi algoritma diilustrasikan sebagai berikut.
y tn y bn
y tn y bn 1
| yi ()
tn
y bn
()saya
| T i ()
n
Algoritma yang diusulkan bereksperimen di bawah lingkungan Matlab 2009. Gbr.2 adalah 50 th bingkai lalu lintas video diri yang
direkam. Gbr.3 adalah hasil dari langkah-langkah yang compressively sampel dari setiap frame gambar dengan matriks pengamatan
acak, mendapat nilai 50 th bingkai gambar latar belakang diukur dengan pemodelan latar belakang dan memperbarui menurut
ekspresi (5), dan direkonstruksi gambar latar depan kendaraan untuk observasi. Kendaraan Hasil mendeteksi ditunjukkan di Gbr.4,
dari mana lengkap dan akurat kontur kendaraan hampir diperoleh.
5. Kesimpulan
Sebagai bagian penting dari sistem transportasi cerdas modern, algoritma kendaraan mendeteksi tinggi-efisien memiliki arti
besar untuk meningkatkan keandalan transportasi cerdas. Untuk karakteristik sejumlah kecil data untuk sampel tekan dan presisi
tinggi untuk konstruksi, teori penginderaan tekan cocok untuk diterapkan pada kendaraan mendeteksi algoritma. Seperti beberapa
jumlah pengukuran pada setiap frame gambar melalui perhitungan Model latar belakang, itu sangat menurun pada operasi
komputasi. Dibuktikan dengan hasil eksperimen, algoritma deteksi kendaraan yang diusulkan dapat menghasilkan deteksi presisi
tinggi, perhitungan yang lebih kecil dan berkualitas tinggi direkonstruksi gambar dibandingkan dengan yang tradisional.
Karya ini didukung oleh Yayasan inovasi pascasarjana dari Provinsi Jiangxi di bawah Hibah No.YC2011-S082.
Referensi
[1] Zehang Sun, Bebis G, Miller, et al. deteksi kendaraan di jalan: review A. Transaksi IEEE pada Pola Analisis dan Mesin
Intelijen, 2006, 28 (5): 694-711.
[2] BARRON JL, ARMADA DJ, Beauchem di S S. Kinerja teknik aliran optik. International Journal of Computer Vision, 1994,12
(1): 43-47.
[3] ALI AT, metode praktis DAGLESS E L. alternatif untuk bergerak deteksi obyek. Konferensi Internasional tentang Image
Processing dan Aplikasi. Maastricht, 1992: 77-80.
[4] HARITAOGLU saya, HARWOOD D, DAVIS L S. Real-time pengawasan orang dan kegiatan mereka. Transaksi IEEE pada
Pola Analisis dan Mesin Intelijen, 2000, 22 (8): 809-830. [5] Surenda Gupte, Osama Masoud, Robert F, K. Martin, et al. Deteksi
dan klasifikasi kendaraan. Transaksi IEEE pada Cerdas Sistem Transportasi, 2002, 3 (1): 413-417.
[6] Massimo Piccardi. teknik latar belakang pengurangan: tinjauan. IEEE Konferensi Internasional tentang Sistem, Man dan
Cybernetics. 2005, 58 (4): 3099-3104.
[7] C. Wren, A. Azarbayejani, T. Darrell, dan AP Pentland. pelacakan real-time dari tubuh manusia. IEEE Trans. pada Pola Anal.
Dan Mesin Intell.1997, 19: 780-785.
[8] C. Stauffer dan WEL Grimson, model campuran latar belakang Adaptive untuk pelacakan real-time, Proc.IEEE CVPR 1999.USA: Fort
Collins; 1999.
[9] A. Elgammal, D. Harwood, dan LS Davis, Model Non-parametrik untuk pengurangan latar belakang. Proc. ECCV 2000, UK: London;
2000.
[10] B. Ugur Toreyin, A. Enis Cetin, deteksi obyek Anil Aksay et al.Moving di wavelet video terkompresi. Signal Processing: Gambar
Komunikasi. 2005, 20 (3): 255-264.
[11] Donoho D L. Compressed penginderaan. IEEE Transaksi Informasi Teori, 2006, 52 (4): 1289-1306. [12] Candes E, ROM
BERG J, TERENCE T. prinsip ketidakpastian Kuat sinyal Exact rekonstruksi dari informasi frekuensi yang sangat lengkap. IEEE
Transaksi pada Teori Informasi. 2006, 52 (2): 489-
509.
[13] BARANIUK R. A kuliah penginderaan Tekan. IEEE Signal Processing Magazine, 2007, 24 (4): 118-
121.
[14] Tropp J, Gilbert A. Sinyal Pemulihan dari Informasi Partial melalui Orthogonal Matching Pursuit. Transaksi IEEE Informasi
Teori, 2007, 53 (12): 4655-4666.