Manusia 123
Bandingkan Modul
dengan
semua codeword
di A
ۄ൯ൌ
ʹǤ ??????????????????? ǡ ????????
Y
Ǥ
??୫୫ ??୫୫ ??୫୫ Y ୫ ଶ
????????????????
୫ ? ?? ?? ɂ
?? ??6 ??୫ ǡ ??୫ ǡ ??୫ ୫ ୫
?? ???? ǡ ?????? ɉ ǡ ?? െ ǡ ʹǤ ?????????????????? ۄ൯ൌ
?? ՚ ?????? ǡ ?????? ǡ ?? ?? ?? ǡ ?? ?ǡ ????????
୫ ୫ ୫ ୫ ୫ ୫ ୫
N
???????????? ?????????????
??????? ?
ൌ
???????????
?????????????
???????? ????
Gambar 3. prosedur perpustakaan pengurangan latar belakang
ൌ ൌ
ଶ ୫ୟ ଶ ()
?????? ൌ ୫ୟ Τ ୫୧୬ (
2. fitur ketinggian benda bergerak
???????????????????????????????????????????????? ???????????????????????????????
????????????????? ???? ??????????????
ଢ଼ ିଢ଼
౮
???????????????? ൌ ୟ୬ୌ ୧ ୦ ( )
????????????????????? ?????? ?????? ???????????? ?? ???????????? ?? ???? ??????????
?????? ???? ?????? ?????????????? ??????????????
ୌ ୧ ୦ భାୌ ୧ ୦ మା ڮାୌ ୧
୦
?????????????? ൌ ୬ ( )
Di pengklasifikasi tingkat kedua. Kami memproses bingkai yang dinilai
tidak berdiri oleh pengklasifikasi tingkat pertama. Karena squat dan fall
memiliki ciri-ciri yang serupa, pengklasifikasi tingkat kedua terutama
membedakan squat dan fall. Pengklasifikasi tingkat kedua menggunakan
empat fitur: rasio sumbu mayor dan minor elips, area proyek objek bergerak,
sudut kemiringan elips, kecenderungan variasi sumbu mayor dan minor.
1. area proyek dari benda bergerak
Area proyeksi mewakili jumlah piksel bergerak bukan nol dalam objek
bergerak setelah binerisasi. Saat jongkok, orang tua akan mengangkat
tubuhnya dan area proyek akan menjadi kecil, ketika jatuh, tubuh akan
meregang, area tersebut akan lebih besar. Jadi kita bisa menggunakannya
untuk membedakan squat dan fall.
2. sudut kemiringan elips
Perubahan sudut kemiringan dapat membedakan jongkok dan jatuh
dengan baik, ketika orang tua berjongkok, sudutnya tidak akan banyak
berubah, tetapi ketika orang tua itu jatuh, tubuh berubah vertikal menjadi
horizontal, sudutnya akan banyak berubah. Rumusnya adalah sebagai
berikut:
మభ
ି
?????? భభ ???? ൌ
ൌ ି మమ
?????? భమ ???? ൌ ଶ
4 Hasil Eksperimen
Untuk mengevaluasi akurasi algoritma, kami mengundang 10 mahasiswa
untuk melakukan eksperimen, kami memilih tiga scene luar dan tiga scene
dalam. Postur tersebut antara lain: jatuh tapi tidak berbaring, jatuh dan
berbaring, jongkok dan jatuh ke kiri / kanan (Gbr.5). kami merancang
beberapa postur di table1. Pelaku eksperimen akan melakukan beberapa
postur dengan jatuh untuk menyelesaikan eksperimen. Data video akan
dikumpulkan oleh kamera HD. Setiap eksperimen akan melakukan 20
eksperimen, semua eksperimen akan menyelesaikan 200 eksperimen.
Hasil statistik ditunjukkan pada tabel1. SEBUAH Lmengacu pada apakah alarm.
benar. NFadalah jumlah peristiwa yang terdeteksi secara salah. N Tadalah jumlah
Pengakuan
Makalah ini didukung oleh Project for the Key Project of Beijing Municipal
Education Commission di bawah Grant No. KZ201610005007, Beijing
Postdoctoral Research Foundation under Grant No. 2015ZZ-23, China
Postdoctoral Research Foundation under Grant No. 2015M580029,
2016T90022, the National Natural Science Yayasan Tiongkok di bawah Hibah
No. 61672064 dan Sistem Kecerdasan dan Kecerdasan Komputasi dari
Yayasan Penelitian Laboratorium Kunci Beijing berdasarkan Hibah
No.002000546615004.
Referensi
1. Zhu L, Zhou P, Pan A, dkk. Survei Algoritma Deteksi Jatuh untuk Pemantauan
Kesehatan Lansia [C] // Konferensi Internasional Kelima IEEE tentang Big Data dan
Komputasi Awan. IEEE, 2015: 270-274.
2. Mubashir M, Shao L, Seed L. Sebuah survei tentang deteksi jatuh: Prinsip dan
pendekatan [J]. Neurocomputing, 2013, 100 (2): 144-152.
3. Dai J, Bai X, Yang Z, dkk. PerFallD: Sistem Deteksi Jatuh Pervasif Menggunakan
Ponsel [C] // Konferensi Internasional IEEE Kedelapan tentang Komputasi dan
Komunikasi Pervasif, PERCOM 2010, 29 Maret - 2 April 2010, Mannheim, Jerman,
Prosiding Lokakarya. 2010: 292-297.
4. Bourke AK, Lyons G M. Algoritma deteksi jatuh berbasis ambang menggunakan
sensor giroskop bi -aksial [J]. Teknik Medis dan Fisika, 2008, 30 (1): 84-90.
5. Schuman Sr. RJ, Collins W F. Peralatan indikator untuk sistem komunikasi
kesehatan: EP, US8384526 [P]. 2013.
6. Zigel Y, Litvak D, Gannot I. Sebuah metode untuk deteksi jatuh otomatis pada
lansia menggunakan getaran lantai dan konsep kedap suara pada manusia yang
meniru boneka jatuh. [J]. Transaksi IEEE pada Teknik Biomedis, 2010, 56 (12): 2858-
2867.
7. Mubashir M, Shao L, Seed L. Sebuah survei tentang deteksi jatuh: Prinsip dan
pendekatan [J]. Neurocomputing, 2013, 100 (2): 144-152.
8. Awaida SM, Mahmoud S A. Pengenalan Digit Cek Otomatis untuk Bahasa Arab
Menggunakan Fitur Multi-Skala, Klasifikasi HMM dan SVM [J]. British Journal of
Mathematics & Computer Science, 2014, 4 (17): 2521-2535.
9. Zhuo K Y. Pengenalan jenis mobil berdasarkan jaringan saraf RBF yang
1 pengantar
kecepatan eksekusi. Studi lain mengusulkan untuk menggunakan tiga fitur, yaitu grey
level, HOG, dan linear back projection, untuk mengidentifikasi gambar, dan
kemudian mengadopsi support vector machine (SVMs) untuk mengklasifikasikan dan
menganalisis hasil [10]. Meskipun metode ini relatif akurat, menggunakan beberapa
pengklasifikasi menghasilkan kompleksitas komputasi yang sangat tinggi.
Algoritma sistematis yang diusulkan mencakup fase pelatihan dan deteksi. Gbr. 1
menyajikan diagram alir. Untuk setiap sampel positif, histogram modifikasi dari
gradien berorientasi (MHOGs) digunakan untuk memilih arah utama setiap sel;
kemudian, arah utama dari setiap sampel ditentukan berdasarkan arah utama sel
komponennya (Gbr. 1 [a]). Hasil percobaan menunjukkan bahwa arah utama dari
semua sampel positif adalah identik; akibatnya, arah ini dipilih sebagai fitur pertama
dalam deteksi kendaraan. Selanjutnya, fitur lain diekstraksi menggunakan MHOG;
hasilnya diberikan ke SVM untuk melatih fitur kedua.
(Sebuah) (b)
Gambar 1. Algoritma pendeteksian kendaraan berbasis gambar. (a) Diagram alir pelatihan
sampel; (b) Diagram alir dari algoritma deteksi kendaraan.
Isi dari sampel pelatihan memberikan pengaruh yang cukup besar pada hasil
deteksi. Berbagai citra depan dan belakang kendaraan dikumpulkan sebagai sampel
positif, sedangkan citra non-kendaraan dikelompokkan sebagai sampel negatif.
Gambar dari sampel positif dan negatif digunakan sebagai gambar masukan (Gbr. 2),
di mana gradien (G) dan sudutnya(θ) dari setiap piksel dihitung (Persamaan 1-3).
Untuk mengurangi kompleksitas, Persamaan. 4 dipekerjakan untuk
mengkategorikanθmenjadi sembilan nampan, di mana kisaran 20 derajat merupakan
nampan (Gbr. 3). Setelah perhitungan tersebut dilakukan
Algoritma Deteksi Kendaraan Berdasarkan Gradien yang Dimodifikasi ....................................129
dilakukan, arah setiap piksel diklasifikasikan ke dalam bins. Sampel masukan dibagi
menjadi 36 sel yang tidak tumpang tindih, yang masing-masing berukuran 8 × 8
piksel (Gbr. 4). Arah setiap piksel dihitung menggunakan Persamaan. 1-4;
berdasarkan hasil, HOG dari setiap sel ditentukan. Distribusi arah sel dengan-dalam
sampel diperoleh dengan metode yang sama (Gbr. 5. [b]).
(Sebuah) (b)
Gambar 2. Sampel pelatihan. (a) sampel positif (b) sampel
negatif
ª1º
G « 0 »* I (x, y)
x « »
« 1 »
¬ ¼
Gy [1 0 1] * I (x, y)
G G
y
°tan
1 ( ) , jika tan1 (
° Gx
T (x, y) ®
Gy
°tan1 ( ) S, lain
°
¯ Gx
«T»
jik
° « » , a 0 d T 80
° ¬ 20 ¼
° « T»
(1)
(2)
(3)
(4)
130 W.-K. Tsai dkk.
(Sebuah) (b)
Gambar 5. Skema histogram diuraikan menurut arah gradien. (a) Input gambar sampel positif.
(b) Arah gradien setiap sel
Gambar 5 (b) menunjukkan bahwa setiap sel memiliki delapan arah. Untuk
mengurangi perhitungan, arah utama dipilih dari setiap sel untuk mewakili arah
seluruh sel (Gbr. 5). Namun, Gambar 6 menunjukkan bahwa arah utama sebagian
besar sel jatuh ke dalam kisaran Bin 4. Analisis dari 555 sampel positif
mengungkapkan bahwa arah utama dari setiap sampel positif ada di Bin 4. Oleh
karena itu, Bin 4 ditunjuk sebagai fitur pertama kendaraan.
Algoritma Deteksi Kendaraan Berdasarkan Gradien yang Dimodifikasi ....................................131
Setelah arahan utama diperoleh, SVM dilatih untuk mengidentifikasi fitur kedua.
Gambar 7 menunjukkan bahwa setiap set empat sel yang berdekatan merupakan satu
blok (sel 2x2). Algoritme menentukan kursor blok yang bergerak ke kanan satu sel
pada satu waktu untuk memproses data di semua blok. Karena ukuran gambar asli
menggunakan 6 × 6 sel, penyelidikan komprehensif dari gambar ini melibatkan 25
pembaruan tambahan, dari mana 900 dimensi (9 bin × 4 sel × 25 blok) diperoleh
(Persamaan 5). Dalam studi ini, SVM diterapkan untuk klasifikasi. Hyperplane yang
sesuai dilatih dari 555 sampel positif dan 1000 sampel negatif. Deteksi kendaraan
diuji setelah pelatihan selesai.
3 Hasil Eksperimen
Karena SVM diharapkan memiliki kecepatan eksekusi yang rendah, prosedur
diadopsi untuk menghilangkan sebagian besar wilayah non-kendaraan. SVM tidak
digunakan sampai hanya sejumlah kecil wilayah yang tersisa; karenanya kecepatan
eksekusi SVM lebih tinggi dari kecepatan SVM biasa. Gambar. 1 (b)
mendemonstrasikan proses eksekusi algoritma ini. Gambar 8 (a) adalah gambar input
dan Gambar 8 (b) menampilkan gambar by-distribusi arah piksel pada area merah di
bagian atas-sudut kiri gambar masukan. Karena distribusi arah tidak didominasi oleh
Bin 4, maka wilayah ini dapat langsung dihilangkan. Demikian pula, arah gradien
utama wilayah skuter adalah Bin 0, oleh karena itu wilayah ini dihilangkan pada
langkah pertama dan tidak masuk klasifikasi SVM (Gbr. 9). Sebagai perbandingan,
wilayah otomotif didominasi oleh Bin 4 (Gbr. 10). Wilayah mobil memasuki klasifikasi
SVM untuk verifikasi lebih lanjut karena memenuhi kondisi yang ditentukan pada
Langkah 1. Akhirnya, Gambar. 11 dimasukkan sebagai masukan untuk kelas SVM
yang terlatih; wilayah kendaraan diidentifikasi dan ditandai dengan kotak hijau.
(Sebuah) (b)
Gambar 8. Skema arah gradien dari gambar masukan
4 Kesimpulan
Referensi
1. Bing-Fei Wu, Jhy-Hong Juang: Pendekatan Detektor Kendaraan Adaptif untuk
Lingkungan Kompleks. Transaksi IEEE pada Sistem Transportasi Cerdas 13,817-827 (2012)
134 W.-K. Tsai dkk.
2. Wanxin Xu, Meikang Qiu, Zhi Chen, Hai Su: Deteksi dan Pelacakan Kendaraan Cerdas
untuk Mengemudi di Jalan Raya. Konferensi Internasional IEEE tentang Multimedia dan Expo
Work-toko, 67-72 (2012)
3. B. Yogameenaand, S.Md. MansoorRoomi, R. Jyothi Priya, S. Raju, V. Abhaikumar:
Klasifikasi orang / kendaraan dengan gerakan berulang dari fitur kerangka. Jurnal IET tentang
Komputer Vision 6, 442-450 (2012)
4. N. Dalal dan B. Triggs, “Histogram Gradien Berorientasi untuk Manusia Deteksi:
IEEE Kon. Intell. tentang Visi Komputer dan Pengenalan Pola 1, 886- 893 (2005)
5. P. Viola dan MJ Jones, “Robust RealDeteksi Wajah Waktu: Jurnal Internasional Visi
Komputer 52, 137-154 (2004)
6. Hong Wang, Su Yang, Wei Liao: Algoritma Pengenalan Wajah PCA yang Ditingkatkan
Berdasarkan Transformasi Wavelet Diskrit dan Mesin Vektor Dukungan. Konferensi
Internasional IEEE tentang Intelijen Komputasi dan Lokakarya Keamanan, 308-311 (2007)
7. Z. Sun, G. Bebis, dan R. Miller: Deteksi kendaraan precrash bermata: Fitur dan kelas.
IEEE Trans. Pemrosesan Gambar 15, 2019-2034 (2006)
8. S. Sivaramanand, MM Trivedi: Kerangka Pembelajaran Aktif Umum untuk Pengenalan
dan Pelacakan Kendaraan On-Road. IEEE Trans. Transp. Cerdas. Sistem, 267-276 (2010)
9. Jiafu Jiang, Changsha, Hui Xiong, Changsha: Deteksi Pejalan Kaki Cepat Berdasarkan
HOG-PCA dan AdaBoost Lembut. ICCSS. Ilmu Komputer dan Sistem Layanan, 1819-1822
(2012)
10. Shunli Zhang, Xin Yu, Yao Sui, Sicong Zhao, Li Zhang: Pelacakan Objek Dengan Mesin
Vektor Dukungan Multi-Tampilan. IEEE Trans. pada Multimedia 17, 265-278 (2015)
Merek Kendaraan Berbasis Model dan Pengakuan Model
dari Jalan
Li-Chih Chen
Departemen Teknik Elektro, Institut Teknologi Lee-Ming.
No. 22, Sec. 3, Tailin Rd., Taishan Dist., Kota Taipei Baru, Taiwan.
Email: lcchen@mail.lit.edu.tw
1 pengantar
Deteksi dan analisis kendaraan merupakan tugas penting dalam berbagai aplikasi
pengawasan, seperti sistem bantuan pengemudi, kendaraan mandiri, pengumpulan tol
elektronik, sistem parkir cerdas, atau dalam pengukuran parameter lalu lintas seperti
jumlah kendaraan, kecepatan, dan arus. Dalam pencegahan kejahatan atau investigasi
kecelakaan kendaraan, tugas ini dapat memberikan informasi yang berguna bagi polisi
untuk mencari kendaraan yang mencurigakan dari video pengawasan.
Faro dkk. [5] menggunakan teknik pengurangan latar belakang untuk mengurangi
kemungkinan piksel kendaraan dari jalan raya dan kemudian menerapkan skema
segmentasi untuk menghilangkan oklusi sebagian dan penuh di antara gumpalan
kendaraan. Dalam [6], Unno et al. informasi gerak terintegrasi dan properti simetri untuk
mendeteksi kendaraan dari video. Jazayeri [7] menggunakan HMM untuk secara
probabilistik memodelkan gerakan kendaraan untuk deteksi kendaraan. Namun, fitur
gerakan semacam ini tidak lagi dapat digunakan dan tersedia dalam gambar diam. Untuk
mengatasi masalah ini, makalah ini akan mengusulkan skema deteksi kendaraan baru
untuk mencari daerah dengan a
© Springer International Publishing AG 2017 135
J.-S. Pan dkk. (eds.), Kemajuan dalam Menyembunyikan Informasi Cerdas
dan Pemrosesan Sinyal Multimedia, Inovasi Cerdas, Sistem dan Teknologi 64,
DOI 10.1007 / 978-3-319-50212-0_17
136 L.-C. Chen
simetri vertikal tinggi untuk menemukan kendaraan dalam gambar diam atau video
dengan menemukan pasangan titik fitur SURF simetris.
Setiap kendaraan harus dideteksi dari gambar atau video terlebih dahulu. Metode
yang paling umum digunakan mengadopsi pengurangan latar belakang untuk
mengekstrak calon kendaraan yang mungkin dari video. Jika lingkungan termasuk
berbagai perubahan getaran dan pencahayaan kamera, hasil deteksi tidak akan stabil.
Model latar belakang tidak dapat berhasil ditetapkan di setiap bingkai saat kamera
bergerak diadopsi. Model background tidak dapat dibuat jika background adalah
variasi pada setiap frame yang merupakan kelemahan utama dari metode
pengurangan background. Baru-baru ini, skema berbasis terlatih adalah metode
populer lainnya untuk mendeteksi kendaraan oleh beberapa klasifikasi terlatih melalui
SVM atau Adaboost. Pendekatan ini sangat bergantung pada basis pengetahuan yang
telah dilatih sebelumnya. Makalah ini akan menyajikan metode berbasis simetri
untukmendeteksi kendaraan dari video tanpa menggunakan informasi
gerakan apa pun.
Pendekatan selanjutnya adalah mengidentifikasi merek dan model kendaraan
setelah kandidat kendaraan terdeteksi. Hasil deteksi ini dapat diterapkan pada sistem
pengumpulan tol elektronik yang dapat mengklasifikasikan setiap kendaraan ke
dalam kategorinya masing-masing. Identifikasi merek dan model kendaraan
menawarkan bantuan yang berharga bagi polisi saat mencari calon kendaraan yang
dicurigai. Dalam makalah ini, kami mengabdikan upaya kami untuk menyelesaikan
berbagai tantangan dalam deteksi dan pengenalan kendaraan.
2. Pekerjaan Terkait
Deteksi kendaraan merupakan masalah utama dalam banyak aplikasi pengawasan
seperti sistem navigasi, sistem bantuan pengemudi, sistem parkir cerdas, dan
sebagainya. Deteksi kendaraan yang tepat dapat meningkatkan akurasi pengenalan
kendaraan. Mengembangkan deteksi dan pengenalan kendaraan berbasis visi yang
kuat dan efektif merupakan salah satu tantangan yang diakibatkan oleh variasi ukuran
kendaraan, orientasi, bentuk, dan pose.
Berbasis
Pasangan dari histogram Temukan
Memas
ukkan SURF Poin Mirroring ROI
Gamba
r Ekstraksi Transformasi Ekstraksi
Poin SURF Analisis Garis
Bagian depan kendaraan memiliki keistimewaan yang sangat berbeda dengan kendaraan
merek lain, yaitu bumper depan, gril depan dan lain-lain, yang memberikan beberapa
informasi yang berguna untuk mengenali jenis kendaraan seperti yang ditunjukkan pada
Gambar 2. Umumnya, manusia mengenali model kendaraan dan make juga didasarkan
pada karakteristik signifikan frontal.
Setelah kendaraan depan diekstraksi, fitur yang berbeda akan diekstraksi dari kami
Skema MMR kendaraan. Untuk memenuhi berbagai kebutuhan pasar, pabrikan
kendaraan akan memodifikasi bentuk kendaraan. Dalam tulisan ini, novelSkema
klasifikasi akan disajikan untuk mengklasifikasikan kendaraan ke dalam model yang
berbeda kategori. Diagram alir pembuatan kendaraanPengenalan model d
ditunjukkan pada Gambar 3.Sistem ini membagi ROI kendaraan menjadi beberapa
grid. Fitur kendaraan akan menjadidiekstrak dari masing-masing grid dan fitur grid
dilatih sebagai pengklasifikasi lemah. Setelah bahwa, pengklasifikasi lemah ini telah
dirakit sebagai pengklasifikasi yang kuat untuk dikenali merek dan model kendaraan.
Untuk mempromosikan kinerja pengakuan, kami kumpulkan fitur-fitur di bagian kiri atau
kanan setengah depan wilayah kendaraan yang ditunjukkan seperti Gambar 4.
BABI + SVM - berbasis
BABI + SVM - berbasis
BERSELANCAR
BERSELANCAR
fitur Penggolong11
BABI +
BABI +
Kotak BERSELANCAR
BERSELANCAR SVMSVM--berbasisberbasis
Kotak22
Penggolong Penggolon
Kendaraan
fiturfitur PenggolongPenggolong22 g Kendaraan
ROIROI daridari MembagiMembagi untukuntuk
KendaraanKendaraan KisiKisi
Ansambel
Ansambel KategoriKategori
BABIBABI ++
BERSELANCARBERSELANCA
Kotak R SVMSVM--berbasisberbasis
fitur PenggolongN N
6L 7L 8L
3L 4L 5L
0L 1L 2L
3. SURF simetris
Ide dasar dari pendekatan kami adalah bahwa titik yang cocok memiliki beberapa
atribut simetris antara gambar asli dan bayangan cermin. Contoh pencocokan fitur
SURF antara gambar asli dan bayangan cermin ditunjukkan seperti Gambar 5.
Metode [2] menyediakan matriks transformasi M untuk mengubah SURF [1] fitur
dalam gambar yang sama dan kemudian menghitung 'kesamaannya antaraen
aslinya Fitur SURF dan fitur SURF simetris. Namun, SURF tidak memiliki
kemampuan untuk menemukan pasangan titik fitur yang simetris. Pada kenyataannya,
pasangan simetris biasa ditemukan untuk mencari objek dengan berbagai sifat simetri.
Dalam penerapan nyata, kesimetrian refleksi horizontal dan vertikal muncul paling
sering daripada kesimetrian lainnya.
Definisi asli SURF [1] tidak memiliki dukungan untuk mencocokkan dua titik jika
keduanya simetris. Untuk memberikan kemampuan ini, hubungan antara deskriptor SUFR
dua titik simetris harus diturunkan. MembiarkanBasli menunjukkan kotak asli
diekstrak dari titik minat dan Bcerminmenjadi versi cerminnya secara horizontal. Kemudian,
kita bisa membagi Basli dan Bcermin untuk m 8 u8 persegi untuk 4 u 4 sub-wilayah
sebagai
«
ªB B B B º B
00 01 02 03
s
«B B B B » a
B « 10 11 12 13 » ,B y
a
«B B B B » B B B B
3
asli cermin
¬30 31 32 33 ¼ ¬3
« 20 21 22 23 »
B02m B01m B00m º
22 21 20 »
B saya B saya Bsaya » B saya B saya Bsaya »
12 11 10 »
(1)
32 31 30 ¼
B saya B saya Bsaya »
Untuk setiap sub-wilayah Baku j , jumlah respon waveletnya dapat dihitung dengan bentuk:
Merek Kendaraan Berbasis Model dan Pengakuan Model dari Jalan 139
f
( ¦ dx (b), ¦ dy (b), ¦| dx (b) |,¦| dy (b) |)
aku
j (2)
b?? b?? b??
b??Baku Baku Baku Baku
j j j j
me
ngg
diman b b b una
a dx (b) y , x1 y , x dan dy (b) y 1, x by , x . Kita kan dix, j , diy, j , | dix, j | , dan
untuk menunjukkan jumlah tanggapan
| diy, j | wavelet, yaitu,
d ix, j ¦ dx (b ), d iy, j ¦ dy (b ), | dix, j | ¦ | dx (b ) |, dan | diy, j | ¦ | dy (b) | (3)
b??Bsaya , b??Bsaya b?? b??Bsaya
j ,j Bsaya , j ,j
saya ,
|), f saya
j (dix, j , d iy, j, | dix, j |, | d iy, j , mj (d ix, j , d iy, j, | dix, j |, | diy, j |) (5)
S
e
Me b
mbi u
arka B ªB B B a
saya
n B B B B B dan saya saya saya Bsaya º . Dari B , h baru
s
a sa sa sa
y say ya y sa saya say ya
a > saya 0 a1 2 a3 @ ya ¬ 3 a2 1 saya0 ¼ saya
f f (f ,f ,f
sa saya , 0 saya , 1 saya ,
yait say ) ata ,f
vektor fitur ya bisa dibangun, a u., 2 saya, 3 u
f |, | diy, |, dix, 1 , d iy, 1, | dix, 1 |, | d iy, 1 |, d ix, 2 , d iy, 2, | dix,
saya (dix, 0 , d iy, 0, | dix, 0 0 2 |, | diy, 2 |, d ix, 3 , d iy, 3, | dix, 3 |, | diy, 3 |) (6)
Demikian pula Bsay
dari a , vektor fitur lainnya f saya dapat dibangun:
sa
ya saya
f ( d ix, 3 , d iy, 3, | dix, 3 |, | d iy, 3 |, d ix, 2 , d iy, 2, | dix, 2 |, | diy, 2 |, d ix, 1 , d iy, 1, | dix, 1 |, | d iy, 1 |, d ix, 0 , d iy, 0, | dix, 0 |, | diy, 0 |)
saya (7)
saya
saya
Den , para deskriptor da
gan f dan f SURF f asli dan f ri B dan B
say sa
a ya cermin asli cermin
dapat dibangun, masing-masing, sebagai
berikut:
sa
y
f say
f
f [f f f f ]t dan f [f a
saya
f a
saya
]t (8)
asli 0 1 2 3 cermin 0 1 2 3
m
en diba
f f bis ja dengan ngu ol mengkonve
Itu transformasi antara asli dan cermin a di mudah n di eh rsi
f
s
a fsay
y unt
menggunakan hubungan antara Persamaan (6) dan (7).
a
saya
setiap fitur baris a uk Dalam Persamaan (8), file
BERS
ad ELA
f f ala 4 u16 . diberik NCA
dimensi asli dan cermin h Kemudian, an dua R deskriptor
dan f q , jarak mereka didefinisikan
f p sebagai:
4 16
[BERSELANCAR ( f p
,fq) ¦¦[f p (m, n ) f q
(m, n)]2 (9)
saya 1 n 1
140
L.-C. Chen
Baku j dibagi lagi menjadi
dimana 2 u 2 sub-grid gsaya , n yang terdiri dari 2 u 2
B sampel,
ªg
ak
g º dan gsaya , ª b b º
uj « 2 i, 2 j
¬
g
2 saya
g 2 i, 2 j1 » n «b 2 m, 2 n b 2 m, 2 n1 » (11)
1,2 j
2 saya 1,2 j1 ¬ 2 saya 1,2
Kemudian, nilai rata- ¼ n 2 m 1,2 n1 ¼
g
rata g saya
,n saya ,
da
ri n dihitung dengan
1
g (b b b b ) (12)
saya , n 4 2 m, 2 n 2 m, 2 n 1 2 m 1,2 n 2 m 1,2 n1
Berdasark dar bisa disimpulkan
an g , respon wavelet d x dan d y i B dengan
saya say aku
,n saya , j a,j j
formulir
2 saya
d ix, j g 2 i, 2 j 1 g g
2 saya 1,2 j 1 2 i, 2 j g 1,2 j
(13)
g 2 saya 1,2 j g 2 saya 1,2 j 1g 2 i, 2 j g 2 i, 2 j1
d iy, j
Dengan Persamaan (13), deskriptor fsaya , j Baku j dapat dibangun dengan menggunakan
SURF dari Persamaan (11).
saya
da B dihitung dengan cara yang
Deskriptor f saya ri sama. Dengan f dan f saya , fitur-fitur
say saya ,
saya , j aku j a,j j
meng
fsaya dan fsaya diperole ole gunak Persam
saya
dapat h h an aan (6) dan (7). Kemudian, simetris
f f adala sama dengan Persamaan (8).
transformasi antara asli dan cermin h Sebenarnya, bahkan
nai lebi
melalui wavelet tanggapan dix, j dan diy, j dijumlahkan k h 5 u 5 sampel,
Persamaan (8) masih berfungsi dengan baik untuk kasus nyata. Gambar 6 menunjukkan
contoh untuk mencocokkan dua titik simetris ketika deskriptor SURF diekstraksi dengan
menjumlahkan respons wavelet d ix, j dan diy, j dari 5 u 5 sampel. Gambar 6 (a) menunjukkan
hasil pencocokan dari keduanya
poin tanpa menggunakan transformasi yang diusulkan. Gambar 6 (b) adalah hasil
pencocokan setelah transformasi simetris. Jelas, setelah konversi, deskriptor SURF
yang ditransformasi (dilambangkan dengan garis merah) sangat mirip dengan yang
biru.
(a) Sebelum transformasi (b) Setelah transformasi Gambar 6. Hasil pencocokan
dari dua titik SURF simetris sebelum / sesudah transformasi simetris. Garis
dengan warna berbeda menunjukkan fitur dari dua titik SURF simetris.
Diberikan bingkai sayat , satu set Fsayat poin SURF pertama kali diekstraksi.
Untuk suatu hal yang menarik
p di Fsayat , kita dapat mengekstrak deskriptor SURF-nya foriginalp dan dapatkan
versi cerminnya
fmirrorp dengan menggunakan Persamaan (8). Membiarkan Minr menunjukkan jarak
minimum antara minat titik r dan titik lainnya masuk Fsayat , yaitu,
Merek Kendaraan Berbasis Model dan Pengakuan Model dari Jalan 141
Min min [ (f r , fs )
BERSEL
r ANCAR
s??FItu , szr
Selain itu, biarkan MinrSec menunjukkan jarak dari pertandingan kedua r kepada
terbaik orang
lain
poin di Fsayat. Untuk dua poinp dan Fsayat , mereka membentuk kecocokan
mereka memuaskan q di simetris jika
[ (f p ,
BERSELANCAR asli Minp
f q ) Min dan 0.65 (15)
cermin
Secp
p Min
Gambar 7 menunjukkan contoh pencocokan simetri horizontal dari kendaraan dengan
menggunakan Persamaan (15).
Batas kap
Garis Bayangan
4. Hasil Eksperimen
Untuk mengevaluasi kinerja sistem yang kami usulkan, sistem otomatis untuk
klasifikasi kendaraan diterapkan dalam makalah ini. Dua puluh sembilan jenis
kendaraan dikumpulkan dalam makalah ini untuk evaluasi kinerja. Untuk melatih
pengklasifikasi HOG dan pengklasifikasi SURF, database yang berisi 2.840
kendaraan telah dikumpulkan. Untuk pelatihan, perpustakaan SVM digunakan dari
[4]. Fungsi basis radial (RBF) dipilih sebagai fungsi kernel dengan nilai gamma
0,08125 dan parameter C nu-SVC adalah 12,0. Selain itu, database pengujian lain
dengan 4.090 kendaraan juga dikumpulkan. Database kendaraan ini dikumpulkan
oleh proyek VBIE (Vision-Based Intelligent Environment) [8]. Gambar 8
menunjukkan dua hasil deteksi kendaraan. Dan analisis kinerja metode kami
ditunjukkan pada Tabel 1.
(a) Toyota Altis, 2010 (b) Toyota Camry, 2008
Gambar 8. Hasil deteksi kendaraan depan.
142 L.-C. Chen
Jenis Toyota Toyota Toyota Toyota Toyota Toyota Toyota Toyota Toyota Toyota
Elang
Analisis Altis Camry Vios Ingin Yaris Previa Innova Berselancar jantan Rav4
Ketepatan 95,37% 91,61% 96,87% 98,64% 97,56% 93,10% 95,45% 88,37% 88,10% 100%
Jenis Honda Honda Sipil Nissan Nissan Nissan Nissan Nissan Nissan Nissan
Analisis CRV Sipil COCOK Maret Livna Teana Sentra Cefiro Xtrail Tiida
Ketepatan 96,87% 94,17% 98,78% 91,37% 97,18% 96,67% 95,12% 81,58% 84,85% 84,92%
Jenis Mitsubishi Mitsubishi Mitsubishi Mitsubishi Suzuki Mengarungi Mengarungi Mengarungi Mengarungi
Total
Melarikan
Analisis Zinger Orang Luar Savrin Lancer Solio Liata diri Mondeo Tierra
Benar 20 68 22 39 86 11 75 27 29 3.847
Total 22 71 22 40 90 11 88 35 31 4.090
Ketepatan 90,91% 95,77% 100% 97,50% 95,56% 100% 85,23% 77,14% 93,55% 94,06%
5. Kesimpulan
Makalah ini telah mengusulkan deskriptor SURF simetris baru dan diterapkan pada
sistem MMR kendaraan untuk mendeteksi kendaraan dan mengenali merek, model
dengan sangat akurat. Kontribusi utama dari makalah ini dicatat sebagai berikut:
Skema deteksi kendaraan baru diusulkan untuk mendeteksi kendaraan dari kamera
yang bergerak. Keuntungan dari skema ini adalah tidak membutuhkan pemodelan
latar belakang dan pengurangan. Selain itu, sangat cocok untuk aplikasi waktu nyata
karena efisiensinya yang ekstrem. Skema baru berbasis jaringan diusulkan untuk
mengenali kendaraan. Pengklasifikasi lemah yang berbeda diintegrasikan untuk
membangun pengklasifikasi ansambel yang kuat sehingga dapat mengenali model
kendaraan secara efisien dan akurat.
Hasil eksperimen telah membuktikan keunggulan sistem analisis informasi
kendaraan yang kami usulkan menggunakan SURF simetris. Ke depan, optimalisasi
program kami harus dipertimbangkan untuk mendapatkan lebih banyak efisiensi
proses. Cara mendapatkan ROI kendaraan lebih cepat juga merupakan masalah yang
sangat penting. Semangat penelitian adalah mengejar ketepatan dan kecepatan sistem
yang tak ada habisnya. Saya akan mengangkat semangat penelitian dan melanjutkan
upaya kami dalam mengejar kinerja sistem yang lebih tinggi.
6. Referensi
[1] H. Bay, A. Ess, T. Tuytelaars, dan L. Van Gool, “Dipercepat-Ke Atas Fitur Kuat (SURF), ”
Visi Komputer dan Pemahaman Gambar, vol. 110, tidak. 3, hlm.346-359, 2008.
[2] Li-Chih Chen, Jun-Wei Hsieh, Yilin Yan dan Duan-Yu Chen, “Merek dan model kendaraan
pengenalan menggunakan representasi renggang dan SURFs simetris, ”Pengenalan Pola, vol.
48, hlm.1979-1998, Januari 2015.
[3] Sin-Yu Chen dan Jun-Wei Hsieh, “Pelabelan Tepi Bersama dan Batasan Geometris untuk
Jalur Deteksi dan Aplikasinya pada Analisis Perilaku Mengemudi yang Mencurigakan, ”Journal of
Ilmu dan Teknik Informasi, vol. 27, no.2, hlm.715-732, 2011.
[4] C.-C. Chang dan C.-J. Lin, LIBSVM: perpustakaan untuk mesin vektor dukungan, 2001.
Perangkat lunak tersedia di http://www.csie.ntu.edu.tw/~cjlin/libsvm.
[5] A. Faro, D. Giordano, dan C. Spampinato, “Pemodelan latar belakang adaptif
terintegrasi dengan sensor luminositas dan pemrosesan oklusi untuk deteksi kendaraan yang
andaltion, "Transaksi IEEE pada Sistem Transportasi Cerdas, vol. 12, no.4, hal.1398-1412,
2011.