Loading...

Scene Detection and Analysis by Image Classification in Specific Classes

Abbasi Dinani, Mina | 2013

1379 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 45383 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Gholampour, Iman
  7. Abstract:
  8. Traffic density estimation is one of the most challenging problems in Intelligent Transportation Systems. One of the important traffic information that is broadcasted to drivers is Traffic Density information. In many traffic control centers; human operators are responsible for estimating traffic density from captured video data. Increasing traffic cameras and constraint number of operators introduce an updating delay to broadcasted information. So it is important to have an automatic traffic density estimation system. In this thesis, machine vision is used to solve this problem. Supervised Image classification is our approach. In supervised Image classification, images are classified to thematic classes. The traffic density is usually divided into three main classes: light, medium and heavy. So the data is manually labeled to these three classes. Two groups of dynamic and static features are represented to describe these classes. Static features are calculated based on a single video frame. Dynamic features are extracted from a set of consecutive frames in a traffic video. Two parameters of “sample length” and “difference interval” are introduced for extracting dynamic features. These parameters are optimized for increasing classification accuracy through simulations. The chosen classifier is Support Vector Machine. Simulations have done on two traffic data sets: Tehran traffic control center dataset and University of South California dataset. The final accuracy of system on Tehran traffic control center dataset is 100%. This accuracy degrades in bad light condition to 96.6%. The obtained accuracy for university of South California dataset is 82.7%
  9. Keywords:
  10. Machine Vision ; Scene Classification ; Support Vector Machine (SVM) ; Intelligent Transportation System (ITS) ; Traffic Density Estimation

 Digital Object List

 Bookmark

  • دانشکده مهندسی برق
  • پایان‌نامه کارشناسی ارشد
  • گرایش سیستم‌های دیجیتال
  • عنوان
  • تشخیص و تحلیل صحنه با طبقه‌بندی تصاویر در دسته‌های معین
  • نگارش
  • مینا عباسی دینانی
  • استاد راهنما
  • دکتر ایمان غلامپور
  • شهریور1392
  • فصل 1: مقدمه
    • 1-1- اهمیت تخمین تراکم ترافیک
  • فصل 2: فصل 2
  • روش‌های تخمین تراکم ترافیک
    • 2-1- تخمین تراکم در کاربردهای مختلف
    • 2-2- روشهای مبتنی بر قطعهبندی و ردگیری
    • 2-3- ترافیک به عنوان بافت پویا
    • 2-4- روشهای مبتنی بر جریان نوری
    • 2-5- تخمین ترافیک با استفاده از شمارش خودروها
      • شکل(2-2). آشکارساز حلقهی مجازی برای دو حالت وجود خودرو (راست) و عدم وجود خودرو(چپ) بر روی آشکارساز
    • 2-6- تخمین تراکم به روش دسته‌بندی با نظارت
  • فصل 3: فصل 3
    • 3-1- ویژگیهای ایستا
      • 3-1-1- هیستوگرام لبه
        • شکل (3-1) تقسیم تصویر لنا به 16 زیرفریم و تقسیم هر زیرفریم به تعدادی بلوک
        • شکل (3-2) لبه‌ها و ضرایب فیلتر متناظر با آن‌ها
        • شکل (3-3) تقسیم بلوک به 4 زیربلوک
          • (3-1)
          • (3-2)
          • (3-3)
          • (3-4)
          • (3-5)
          • (3-6)
          • (3-7)
      • 3-1-2- بافت
      • 3-1-2-1- آمار مرتبه اول
        • (3-8)
        • (3-9)
        • (3-10)
        • (3-11)
        • (3-12)
        • (3-13)
      • 3-1-2-2- آمار مرتبه دوم
        • (3-14)
        • (3-15)
        • (3-16)
        • (3-17)
        • (3-18)
        • (3-19)
        • (3-20)
        • (3-21)
        • (3-22)
        • (3-23)
      • 3-1-3- تعداد نقاط کلیدی
    • 3-2- ویژگیهای پویا
      • 3-2-1- مقایسهی پیکسلها
        • (3-24)
        • (3-25)
        • (3-26) ,,+1,,.=,,1-0.. ,if ,,-.,,.−,-+1.,,..>,-1.-otherwise.
        • (3-27)
      • 3-2-2- لبههای فریم تفاضل
        • (3-28)
        • (3-29)
      • 3-2-3- لبههای متحرک
        • (3-30)
        • (3-31)
        • (3-32)
        • (3-33)
        • (3-34)
      • 3-2-4- تغییرات هیستوگرام رنگ
        • (3-35)
        • شکل (3-8) تفاضل هیستوگرام رنگ. ترافیک سنگین 0.254925 ترافیک متوسط0.1756021 ترافیک سبک 0.1159337
      • 3-2-5- تحلیل مؤلفه‌های اصلی فریم تفاضل
        • شکل (3-9) کاهش ابعاد دادهها با استفاده از تحلیل مؤلفه‌های اصلی الف) مجموعه داده در فضای x. ب) کاهش مقدار میانگین هر بعد از آن بعد ج) به دست آوردن بردارهای ویژهی توصیف‌کننده‌ی دادهها د) توصیف دادهها در فضای بردار‌های ویژه
      • 3-2-6- هیستوگرام ضرایب تبدیل کسینوسی گسسته فریم تفاضل
        • (3-36) ,.=,,1/,2.-=0-1-ℎ..
    • 3-3- نحوه‌ی استخراج بردارهای ویژگی
      • 3-3-1- به دست آوردن زمان محاسبه و طول بردار بهینه برای ویژگی‌های پویا
        • شکل (3-11) معیار تفاضل برای مقادیر 0=K و 4=K ، تفاضل فریمهای به دست آمده برای استخراج ویژگی به‌کاربرده میشوند.
          • (3-37)
        • شکل (3-12) معیار طول نمونهی ویدئو برای دو حالت 1=N و 2=N با نرخ 25 فریم بر ثانیه
      • 3-3-2- به دست آوردن زمان بهینه برای ویژگی‌های ایستا
      • 3-3-3- ترکیب ویژگی‌ها با N متفاوت
  • فصل 4: فصل 4
    • 4-1- مبانی ماشین بردار پشتیبان
      • (4-1)
      • (4-2)
      • شکل (4-1) سمت چپ نمونهها جداشوندهی خطی هستند. سمت راست نمونهها جداشوندهی خطی نیست. رنگ پسزمینه شکل سطح تصمیمگیری را نشان میدهد.
        • (4-3)
        • (4-4)
        • (4-5)
        • (4-6)
        • (4-7)
      • 4-1-1- ماشین بردار پشتیبان غیرخطی
        • شکل (4-2) نمونههای جداشوندهی غیرخطی با کرنل درجه 3
          • (4-8)
          • (4-9)
          • (4-10)
      • 4-1-2- آموزش چند کلاسی
    • 4-2- انتخاب ویژگی‌ها با استفاده از ماشین بردار پشتیبان و معیار F-score
      • (4-11)
  • فصل 5: فصل 5
    • 5-1- شبیه‌سازی بر مجموعهی داده ترافیکی مرکز کنترل ترافیک تهران
      • شکل (5-1) سه حالت مختلف شبیه‌سازی بر روی مجموعه دادهی تهران. سطر اول: شبیه‌سازی اول. سطر دوم : شبیه‌سازی دوم. سطر سوم: شبیه‌سازی سوم. تصاویر سمت چپ مربوط به دادههای آموزش و تصاویر سمت راست مربوط به دادههای آزمون است.
      • 5-1-1- شبیه‌سازی اول
        • شکل (5-2) محدودهی مورد نظربرای مسیر‌های چپ و راست در تقاطع همت-نوری
      • 5-1-1-2- مقایسه‌ی قدرت تمایز ویژگی‌ها
        • شکل (5-3) نمودار قدرت تمایز ویژگی‌ها بین سه کلاس مختلف. خط آبی، نشان‌دهنده‌ی کلاس‌های واقعی نمونه‌های ورودی است. نقاط قرمز نمونه‌هایی را نشان می‌دهد که تصمیم‌گیری بر اساس آن ویژگی غلط بوده است.
          • جدول (5-1) ویژگی‌ها و ماتریس اغتشاش برای هر یک از آن‌ها
      • 5-1-1-3- بررسی زمان پیادهسازی ویژگی‌ها
        • جدول (5-2) زمان استخراج، مقیاس کردن و آموزش ویژگیها ( واحد زمان میکرو ثانیه است)
      • 5-1-1-4- تأثیر تغییر پارامتر طول نمونه و فاصله‎ی تفاضل بر دقت ویژگی‌های پویا
        • جدول (5-3) دقت به دست آمده برای ویژگیهای مختلف و با تغییر پارامترهای N و K برای آموزش و آزمون بر روی تقاطع همت نوری و در شرایط نور عادی
        • ادامهی جدول (5-3) دقت به دست آمده برای ویژگیهای مختلف و با تغییر پارامترهای N و K برای آموزش و آزمون بر روی تقاطع همت نوری و در شرایط نور عادی
        • ادامهی جدول (5-3) دقت به دست آمده برای ویژگیهای مختلف و با تغییر پارامترهای N و K برای آموزش و آزمون بر روی تقاطع همت نوری و در شرایط نور عادی
      • 5-1-1-5- تأثیر تغییر طول میانگین بر دقت ویژگی‌های ایستا
        • جدول (5-4) دقت به دست آمده برای ویژگیهای ایستا و با تغییر پارامتر M برای آموزش و آزمون بر روی تقاطع همت نوری و در شرایط نور عادی
      • 5-1-2- شبیه‌سازی دوم : دوربین‌های متفاوت برای آموزش و آزمون
        • شکل (5-4) محدوده مورد نظر چپ و راست در حالت تغییر دوربین در زمان آزمون ( تقاطع همت-ستاری)
          • جدول (5-5) دقت به دست آمده برای ویژگیهای ایستا و پویا در شرایط تغییر دوربین در زمان آزمون
      • 5-1-3- شبیه‌سازی سوم
        • شکل (5-6) محدوده مورد نظر چپ و راست در شرایط بد نور ( تقاطع همت نوری)
          • جدول (5-6) دقت به دست آمده برای ویژگیهای ایستا و پویا در شرایط نوری نامناسب در زمان آزمون
    • 5-2- شبیهسازی بر روی مجموعه داده دانشگاه کالیفرنیای جنوبی
      • 5-2-1- مجموعه داده دانشگاه کالیفرنیای جنوبی
        • شکل (5-7) نمونهای از تصاویر مجموعه داده ی دانشگاه کالیفرنیای جنوبی. سمت راست : ترافیک سنگین، وسط : ترافیک متوسط، چپ: ترافیک سبک
        • شکل (5-8) شرایط آب وهوایی مختلف در زمان تصویربرداری از ترافیک. راست: آفتابی. وسط: ابری. چپ: وجود قطرات آب بر دوربین
          • جدول (5-7) خصوصیات مجموعه دادهی دانشگاه کالیفرنیای جنوبی
          • جدول (5-8) دقت برای آزمایش بر روی مجموعه دادهی دانشگاه کالیفرنیا
    • 5-3- پژوهش‌های پیشین
      • جدول (5-9) نتایج پژوهش‌های پیشین
  • فصل 6
  • منابع و مأخذ
  • Electrical Engineering Department
  • M. Sc. Thesis
  • Scene Detection and Analysis by Image Classification in Specific Classes
  • By:
  • Mina Abbasi Dinani
  • Supervisor:
  • Iman Gholampour
  • September 2013
...see more