Delist.ru

Технология и методы интеллектуального мониторинга автотранспортных потоков и состояния автомобильных дорог (26.11.2008)

Автор: Кузьмин Дмитрий Михайлович

Цифровое изображение – это двумерное изображение I[r, с], представленное в виде двумерного массива дискретных значений интенсивности. Каждый кадр представляет собой проекцию видимых объектов на матрицу камеры и, следовательно, набор пикселов, каждый из которых имеет собственный физический размер, зависимый от ракурса съемки. В главе представлен анализ технологий видеокадров методами пиксельного и матричного сканирования. Анализ одного пиксела полосы движения потока АТС не достаточен, т.к. координаты пиксела не являются постоянными в проекции на дорожное покрытие, происходит колебание камеры. Дорога может также иметь неоднородное покрытие, автомобили маневрируют между полосами. Все эти факторы мешают точному детектированию и, следовательно, необходимо ввести область детектирования движения АТС по заданной полосе, как массив заданных пикселов, а именно матрицу для мониторинга полосы движения (рис. 2).

(а), кадр № 0 (б), кадр № 10 (в), кадр № 20

. а – объект отсутствует в контрольной области (КО), б – объект присутствует в КО, в – объект отсутствует в КО

Значения цветов пикселов КО № 1 запишем в матрицу Mk. Далее для каждого кадра видеофрагмента и заданного участка получим матрицу значений цветов пикселов Mk[i,j].

Индекс матрицы Mk равен номеру кадра. Таким образом, при скорости воспроизведения видеопотока с частотой 25 кадров в секунду количество полученных матриц за минуту составляет 1500=25*60.

Матрица значений M0 для заданной области кадра видеофрагмента, где отсутствуют АТС, рис. 2а. При воспроизведении видеофрагмента матрица заданной области Mk будет создаваться для каждого кадра и затем сравниваться с матрицей M0.

Сравнение элементов матриц M0 и Mk позволяет получить новую двоичную матрицу M’k, где [i,j] элементы матрицы M’k формируются по формуле

Используя описанный метод сравнения двух контрольных областей, для заданной контрольной области получаем двоичную матрицу M’k. Анализ матрицы позволяет произвести идентификацию АТС как ограниченную область единиц матрицы M’k. Построим график распределения количества единичных элементов в матрице M’k. Для этого определим функцию summa(k):

Данный график summa(k) при k=60 и размере контрольной области 30x16 пикселов.

. График функции summa(k), k – номер кадра

Анализ полученного графика показывает интервал кадров, в котором находилось АТС. Как видно из графика, при проезде АТС через область фиксации значение summa(k) резко возрастает, что свидетельствует о заполнении контрольной области пикселами, цвета которых отличны от базовых. Также, когда АТС «покидает» область фиксации, то значение summa(k) резко падает. Исходя из характера изменения значения summa(k), можно сделать вывод, что АТС покинуло заданную контрольную область. Полученные характеристики summa(k) позволяют дать оценку не только о наличии АТС в контрольной области, но о параметрах, таких как тип АТС и скорость. Также анализ матрицы Mk дает оценку направления движение автомобилей, посредством смещения 0 и 1 в матрице M’k.

Оценивая характеристику изменения Mk, можно зафиксировать количество (X) кадров видеопотока, в которых АТС находились в КО, что дает оценку скорости движения АТС.

Пусть мы имеем установившийся поток АТС, тогда: V – скорость АТС [м./с.]; X – длина сигнала (кадры); L – длина АТС [м.]; l – пороговая длина фиксации АТС [м.].

Тогда имеем:

(L – 2l) = VX/25, где L ~ VX/25 + 2l[м]. (3)

Оценка скорости АТС в данном методе осуществляется путем фиксирования времени прохождения АТС через две контрольные области фиксации (контрольные детекторы). Расстояние между областями измеряется предварительно. Исходя из разницы времени прохождения АТС между двумя областями, определяется скорость движения АТС по следующей формуле:

где S – расстояние между контрольными областями[м], t1, t2 – время прохождения АТС через контрольные области.

Временем прохождения ТС расстояния S считается интервал кадров от t1 до t2 при известной частоте D (25 кад./сек.). Кадр, в котором АТС идентифицировано в контрольной точке, выбирается как первый кадр, в котором значение summa(k) больше заданного порогового значения.

?????????u

„Е`„ЕgdK

4 Движение АТС по заданному пути S и образ АТС на двух контрольных точках

Как видно из рис. 4, графическое представление идентифицированного АТС отличается в разных КО, так как они расположены на разных расстояниях и, следовательно, по-разному проецируются. Для повышения точности синхронной идентификации АТС необходимо произвести сравнение графиков фиксирования АТС, чтобы выявить идентичность проезжающего ТС через контрольные точки, используя коэффициент сравнения ширины диапазона кадров x’ где идентифицировано АТС (x’=x2/x1). Данный коэффициент (x’) сравнивается с текущим коэффициентом и вычисляется как средняя величина начальной выборки АТС на заданном промежутке времени (~10 автомобилей).

Разработанная автором технология мониторинга автотранспортного потока позволяет улучшить точность детектирования АТС методом установки векторов контрольных детекторов на полосах движения АТС (рис. 5). Как видно из представленной схемы, детектируемое АТС с большой вероятностью пройдет через установленные контрольные области и будет идентифицировано. Общая оценка интенсивности может быть вычислена как среднее значение проезжающих АТС по конкретной полосе. Полученные данные о нахождении АТС в заданных контрольных областях позволяют построить матрицу оценки движения потока на заданном участке дороги.

. Задание вектора КО для полос движения 2 (левая) и 1 (правая)

Оценку точности представленного алгоритма можно получить, используя классическую задачу Стечкина С.Б. (1920-1995), где имеется функция x(t), значения которой могут быть вычислены с точностью ?, и необходимо восстановить первую производную x(t0).

. График оценки точности алгоритма

Оказывается, очень близкие значения в разностной схеме

брать невыгодно и наилучшей среди функций с ограниченной второй производной является формула

В данном случае ошибка ? связана с расстоянием от камеры до ТС, качеством цифровой матрицы источника изображения и высотой камеры над дорогой, а также частой кадров 1/25 сек. Представленная формула позволяет получить первую производную x(t0), ограниченность второй производной означает условие на физическую величину-ускорение ТС.

В параграфе 4 представлен алгоритм анализа состояния дорожного покрытия (ямы, трещины, заплаты) и оценки найденных неоднородностей в физических величинах с целью построения системы безопасности дорожного движения с учетом технического состояния покрытия дороги. Цветовой анализ неприкосновенного динамического габарита мобильной лаборатории позволяет выявить на дорожном покрытии такие его компоненты, как заплаты, трещины, ямы, посторонние предметы, грязь, лужи. Каждый из компонентов имеет физическую природу и, следовательно, может быть представлен в виде суммарных компонентов цвета. Динамическим габаритом называется расстояние, равное длине автомобиля и расстоянию до следующего автомобиля, при котором обеспечиваются безопасные условия движения. АТС в потоке обязаны его соблюдать для обеспечения безопасности дорожного движения.

Архитектура программного комплекса использует такие устройства, как видеокамера, фотоаппарат, устройство GPS (от англ. Global Position System) навигации. Видео- и фотокамера предназначены для получения кадров, содержащих информацию о дорожном покрытии, а GPS устройство служит для навигации и маршрутизации мобильной лаборатории.

Использование автором технологий и алгоритмов кластеризации, сравнение образов и их распознавание в заданных цветовых областях обеспечивают сбор необходимых данных. Независимо от выданной команды, полученная информация сохраняется в компьютере, что позволяет в дальнейшем осуществить анализ и обработку данных в лаборатории. Также компьютер запоминает в памяти координаты навигации (GPS) и сохраняет их в базе данных, что позволяет осуществить привязку с точностью до 1 м. и вычислить расстояние от нулевого километра дороги. Внедренное устройство беспроводной связи позволяет обеспечить передачу собранной информации в единый центр сбора данных для принятия решений по управлению дорожным движением.

Программная реализация алгоритма сканирования дорожного покрытия предназначена для анализа текстуры дорожного покрытия и выявления неоднородности. Под неоднородностью понимается ограниченная область на дорожном покрытии искусственного или инородного содержания, явно отличная от дорожного покрытия как по составу, так и по цвету. Здесь речь идет об анализе, по крайней мере, части дорожного покрытия, находящегося в неприкосновенной для других АТС зоне – динамическом габарите МЛ.

Пусть матрица M – матрица пикселов динамического габарита МЛ. Для анализа матрицы M необходимо ввести значение интенсивности каждого из векторов M [i,j]. Получаем матрицу M’, где

где R,G,B – цветовые компоненты интенсивности, полученные с матрицы фото- и видеоаппаратуры.

[126, 127, 119] [126, 127, 119] [125, 126, 118] [125, 126, 118] [126, 127, 119]

[126, 127, 119] [124, 126, 117] [124, 125, 117] [125, 126, 118] [124, 126, 117]

[124, 126, 117] [124, 125, 117] [122, 124, 116] [123, 125, 117] [124, 125, 117]

[123, 125, 116] [124, 126, 117] [123, 124, 116] [121, 122, 115] [123, 124, 116]

[123, 124, 116] [123, 124, 115] [122, 123, 115] [122, 124, 115] [121, 122, 114]

загрузка...