دانلود رایگان مقاله تشخیص وسیله نقلیه در عکس های هوایی با دقت بالا

چکیده

            این مقاله مطالعه ای در مورد تشخیص وسایل نقلیه از نقشه های هوایی با وضوح و دقت بالا را ارائه می دهد.در این مقاله، روش بخش بندی سوپرپیکسل طراحی شده برای عکس های هوایی برای کنترل بخش بندی با نرخ شکست پایین  پیشنهاد شده است. برای کارایی بیشتر تمرین و تشخیص، تکه های مهم و عمده ای مبتنی بر مراکز سوپرپیکسل های بخش بندی شده را استخراج کردیم. بعد از بخش بندی، با استفاده استراتژی تکرار انتخاب نمونه های آموزشی که مبتنی بر ارائه پراکنده است، از مجموعه کلی اصلی زیرمجموعه ای آموزشی و کوچک و کامل فراهم می آوریم.توسط زیرمجموعه آموزشی انتخاب شده، فرهنگی دارای توانایی تمییز و تفاوت قائل شدن برای تشخیص وسایل نقلیه فراهم می آوریم.طی آموزش و تشخیص، شبکه مشخصه های گرادیان متمایل هیستوگرام (HOG)  به منظور استخراج ویژگی ها استفاده شده اند.برای بهبود بیشتر کارایی تشخیص و آموزش،روشی برای تخمین جهت اصلی مشخص شده برای هر  تکه و قطعه ارائه شده است . با چرخش هر قطعه به جهت اصلی آن، جهات ثابتی به قطعات می دهیم. تحلیل های جامع و مقایسات بر روی دو مجموعه داده ها، عملکرد رضایت بخش الگوریتم پیشنهادی را نشان می دهد.

1. مقدمه

            به دلیل  توسعه اقتصادی و نیاز در حال افزایش مسافرت سریع و راحت، اتومبیل ها به شدت محبوب گشته اند . در زندگی روزمره نقش مهمی ایفا می کنند. تعداد زیاد ماشین ها، فشار زیادی بر حمل و نقل، جاده، و مقامات نظارتی ترافیک متحمل می کند و  همچنین نظارت ماشین ها را برای جمع آوری اطلاعات ترافیک، راهبندان و پیشگیری ازدحام، کنترل تصادف ترافیک، آمار رفت و آمد  وسایل نقلیه، طراحی شبکه جاده، و تخمین حالات پارک حیاتی می سازد.

           تعداد زیادی از سنسورهای زمینی ثابت شده مانند حلقه های القایی، سنسورهای پل، دوربین های ثابت، و سنسورهای رادار، برای نظارت و کنترل کارآمد وسایل نقلیه و جمع آوری اطلاعات ترافیکی مورد نیاز هستند. با استفاده از این سنسورهای زمینی ثابت شده، جریان ترافیک، تراکم وسایل نقلیه، و وضعیت پارک تا اندازه ای بدست می آید. با این وجود، این روش ها در ارائه خلاصه کلی از وضعیت ترافیک ناتوان هستند  و وضعیت ترافیک  منبع اطلاعات حیاتی برای مطالعه نقشه و طرح شبکه جاده ای،مدل سازی، بهینه سازی، و آمار مربوط به ترافیک است.

            نیاز به جمع آوری خلاصه کلی وضعیت های ترافیک منجر به نظارت وسایل نقلیه  توسط روش های جایگزین مانند تصاویر  حسگر از دور گرفته شده توسط ماهواره ها یا هواپیما ها می شود.با توجه به قابلیت آنها برای تهیه پوشش کلی منطقه مورد نظر، تصاویر حسگر از دور بصورت گسترده به منظور نظارت وسایل نقلیه بکار گرفته شده اند.هم اکنون ،ماهواره های تجاری پایش زمین وجود دارند مانند IKONOS ,GeoEye TWorldView-2, WorldView-3 &QickBirdکه تصاویری در دسترس عموم با دقت و وضوح فضایی یک submeter فراهم می کنند.با استفاده از دقت و وضوح فضایی بالا،تصاویر ماهواره ای منبع داده ای برای مطالعه نظارت وسایل نقلیه است.در مقایسه با تصاویر ماهواره ای،معمولا تصاویر هوایی بدلیل وضوح فضایی زیاد آنها در محدوده 0.1 تا 0.5 متر و بدست آوردن داده آسان تر آنها ترجیح داده می شوند. با وضوح فضایی بیشتر،وسایل نقلیه و حتی ماشین ها در تصاویر هوایی قابل شناسایی هستند.بنابراین،شناسایی وسایل نقلیه از تصاویر هوایی با وضوح بالا برای نظارت ترافیک و کاهش در یک منطقه و بخش بزرگ قابل توجه است.شناسایی دستی و غیرخودکار وسایل نقلیه از تصاویر هوایی زمان بر و کار فشرده ای است.بنابراین،بوجود آوردن روش اتوماتیک و خودکار شناسایی وسایل نقلیه از تصاویر هوایی با وضوح فضایی بالا امری ضروری و حیاتی است.

           برعکس، شناسایی اتوماتیک وسایل نقلیه از تصاویر هوایی با وضوح بالا کار و وظیفه چالش برانگیزی است چرا که وجود ساختارهای متعدد (مانند سطل های زباله، علائم جاده ای، واحد های الکتریکی ،و واحد های تهویه هوا در بالای ساختمان ها) بخصوص در مناطق شهری، می تواند باعث ایجاد هشدارهای خطا شود. علاوه بر این، انسداد های مقطعی که توسط سایه درخت ها و ساختمان ها ایجاد شده ممکن است مشکلات شناسایی وسایل نقلیه را زیاد افزایش دهد. وضعیت روشنایی عامل حیاتی دیگری در شناسایی وسایل نقلیه از تصاویر هوایی است .نمونه های آموزشی در شناسایی هدف نقش مهمی ایفا می کنند. به منظور بدست اوردن دقت طبقه بندی زیاد مابین وسایل نقلیه و پس زمینه ها، یک مجموعه نمونه آموزشی که شامل انواع مثبت و منفی نمونه ها است مورد نیاز است. آسان ترین راه ، استفاده از تمام مجموعه نمونه های آموزشی است. ولی کل مجموعه نمونه آموزشی معمولا خیلی بزرگ و زائد است که باعث پیچیدگی زیاد محاسباتی تشخیص یا آموزش می شود. بنابراین برای آموزش یه عنصر طبقه بندی کننده، انتخاب زیرمجموعه ای  کامل و کوچک از نمونه های آموزشی ضروری است. با این وجود انتخاب دستی و غیرخودکار تمامی نمونه های نماینده از تعداد زیادی از منفی ها کار سخت و زمان بری است. علاوه بر این،هر دوی روش های دستی و تصادفی انتخاب نمونه های آموزشی نمیتوانند تضمین کنند که عنصر طبقه کننده ای بهینه را آموزش بدهند تا بهترین عملکرد را بدست آورد.

          برای بهبود کارایی شناسایی و تشخیص و  تشکیل خودکار مجموعه آموزشی نوعی وگویا و کامل،الگوریتم و روشی را توسعه دادیم که از ارائه پراکنده و بخش بندی سوپرپیکسل برای تشخیص اتوماتیک وسایل نقلیه در تصاویر هوایی با وضوح بالا استفاده می کند.برای حرکت دادن پنجره تشخیص بدون اثرات جانبی، بخش بندی مبتنی بر سوپرپیکسل برای بخش بندی کردن  تصویر هوایی با وضوح بالا به مجموعه ای از سوپرپیکسل ها ارائه شده است.بر اساس مراکز سوپرپیکسل ها،از این رو قطعات مهم تولید شده اند.سپس ارائه پراکنده برای یادگیری لغت نامه و  پردازش طبقه بندی بکار گرفته شده است.برای تشکیل زیرمجموعه آموزشی بهینه،تکرار استراتژی انتخاب نمونه مبتنی بر ارائه پراکنده را پیشنهاد می دهیم.در طی انتخاب نمونه های آموزشی، کامل بودن نمونه های مثبت و منفی نوعی وگویا در نظر گرفته می شود.با مجموعه آموزشی بهینه انتخاب شده،فرهنگ لغت ارائه پراکنده با قابلیت تمایز زیاد برای تشخیص وسایل نقلیه بدست می آوریم.

          روش خود را بر روی 2 مجموعه داده های تصویر هوایی با وضوح بالا اعمال می کنیم.یکی از مجموعه داده ها تصاویر هوایی است که شهر تورنتو کانادا را با وضوح فضایی 0.15 متر پوشش می دهند؛ مجموعه داده دیگر از مجموعه داده تحقیقات بالاسری تصوراتی (OIRDS) است.تحلیل های آزمایشی و مقایسات بر روی هر دو مجموعه داده عملکرد بهتر روش ما در مقابل چندین روش بروز و آخرین فناوری که شامل گرادیان متمایل هیستوگرام (HOG)  + ماشین بردار پشتیبان خطی (SVM)، تبدیل ویژگی غیرقابل تغییر با مقیاس(SIFT) + SVM خطی + SVM  کرنل و مرکزی.

2.کارهای مرتبط

           ارائه پراکنده و  بخش بندی سوپرپیکسل در از لحاظ و دید کامپیوتری توجه چشمگیری دریافت کرده اند.ارائه پراکنده بصورت موفقت آمیزی در زمینه های مختلفی شامل  تشخیص صورت،طبقه بندی اهداف و اشیا، طبقه بندی تصویر، مرتفع سازی نویز از تصویر،بازسازی تصویر، برجستگی عینی و فشرده سازی داده ها  بکار گرفته شده است.Yokoya و Iwasaki از ارائه پراکنده در  تشخیص اهداف و اشیا در تصاویر حسی از راه دور استفاده کردند و نتایج خوبی بدست آوردند.توسعه بخش بندی سوپرپیکسل راه و روشی جدید برای پردازش اولیه تصویر،بخش بندی تصویر،استخراج ویژگی ها،و دنبال کردن اهداف و اشیا  فراهم می آورد.در سال های اخیر ،بیشتر تحقیقات بر بخش بندی تصویر بر اساس سوپرپیکسل  متمرکز شده اند و بسیاری از رویکرد ها  بوجود آمده اند.رویکرد های نوعی وگویا شامل الگوریتم های مبتنی بر نمودار و الگوریتم های مبتنی بر گرادیان می شوند. موفقیت های اخیر  خوشه بندی خطی تکراری (SLIC)،ورونی مرکزی وزن شده بر اساس لبه ها مبتنی بر موزاییک(قطعه قطعه)(سلول های V )، و خوشه بندی نرخ آنتالپی هستند. استفاده از ارائه پراکنده  و بخش بندی سوپرپیکسل  راهی جدید برای تشخیص وسایل نقلیه در تصاویر هوایی با وضوح بالا است.

          رویکردهای بسیاری برای تشخیص وسایل نقلیه در تصاویر هوایی با وضوح بالا بوجودآمده اند.اکثر رویکردها به دو نوع مدل های وسایل نقلیه مانند مدل های ضمنی مبتنی بر ظاهر  و مدل های صریح و روشن بخش پذیر هستند.

Abstract

           This paper presents a study of vehicle detection from high-resolution aerial images. In this paper, a superpixel segmentation method designed for aerial images is proposed to control the segmentation with a low breakage rate. To make the training and detection more efficient, we extract meaningful patches based on the centers of the segmented superpixels. After the segmentation, through a training sample selection iteration strategy that is based on the sparse representation, we obtain a complete and small training subset from the original entire training set. With the selected training subset, we obtain a dictionary with high discrimination ability for vehicle detection. During training and detection, the grids of histogram of oriented gradient descriptor are used for feature extraction. To further improve the training and detection efficiency, a method is proposed for the defined main direction estimation of each patch. By rotating each patch to its main direction, we give the patches consistent directions. Comprehensive analyses and comparisons on two data sets illustrate the satisfactory performance of the proposed algorithm.

I. INTRODUCTION

           DUE to economic development and an increasing demand for fast and convenient travel, automobiles have become extremely popular and play an important role in daily life. The large number of cars generates heavy pressure on transportation, road, and traffic regulatory authorities and also makes vehicle monitoring a vital part of traffic information gathering, traffic jam and congestion prevention, traffic accident control, vehicle flow statistics, road network planning, and estimating parking situations [1]–[5].

            A large number of fixed ground sensors, such as induction loops, bridge sensors, stationary cameras, and radar sensors, are required to efficiently monitor vehicles and gather traffic information [6], [7]. By using these fixed ground sensors, the traffic flow, vehicle density, and parking situation are partially acquired. However, these methods fail to provide a complete overview of the traffic situation, which is a vital information source for studying road network planning, modeling, optimization, and traffic-related statistics.

           The demand for gathering an overview of traffic situations leads to monitoring of vehicles via alternate methods such as remote sensing images captured by satellites or airplanes. Due to their capability to provide full coverage of an area of interest, remote sensing images have been widely applied for monitoring vehicles [6], [8], [9]. Currently, there are many commercial Earth observation satellites such as IKONOS, GeoEye, WorldView-2, WorldView-3, and QuickBird that provide publicly available images with the spatial resolution of a submeter. Benefiting from the high spatial resolution, satellite images are a data source for studying vehicle monitoring [5], [7], [10]. Compared with satellite images, aerial images are usually preferred because of their higher spatial resolution ranging from 0.1 to 0.5 m [11], [12] and their easier data acquisition [13]. With high spatial resolution, vehicles, even small cars, can be clearly identified in aerial images. Thus, detecting vehicles from high-resolution aerial images is attractive for traffic monitoring and mitigation over a large area [14]. Manually detecting vehicles from aerial images is time consuming and labor intensive. Therefore, it is imperative to develop an automatic vehicle detection method from high-spatial-resolution aerial images.

           Conversely, automatically detecting vehicles from highresolution aerial images is still a challenging task because the presence of a large number of structures (e.g., trash bins, road marks, electrical units, and air conditioning units on top of buildings), particularly in urban areas, can cause false alarms. In addition, the partial occlusions caused by the shadows of trees and buildings might greatly increase the difficulties of vehicle detection. The illumination condition is another critical factor for detecting vehicles from aerial images. Training samples play an important role in object recognition. In order to obtain high classification accuracy between vehicles and background, a training sample set that contains kinds of positives and negatives is required. The simplest way is to use the whole training sample set. However, the whole training sample set is usually too large and redundant, which causes high computational complexity of training or detection. Thus, to train a classifier, it is necessary to select a small and complete subset of training samples. However, it is time consuming and difficult to manually select all of the representative samples from a large number of negatives. Additionally, both the manual and random training sample selection methods cannot promise to train an optimal classifier to obtain the best performance.

          To improve the detection efficiency and automatically construct a complete and representative training set, we develop an algorithm using sparse representation and superpixel segmentation for automatic vehicle detection in high-resolution aerial images. To effectively slide the detection window without side effects, a superpixel-based segmentation is introduced to segment the high-resolution aerial image into a set of superpixels. Based on the centers of superpixels, meaningful patches are generated accordingly. Then, sparse representation is applied for dictionary learning and classification processing. To construct an optimal training subset, we propose an iteration of sample selection strategy based on sparse representation. During the training sample selection, the completeness of representative positives and negatives are both considered. With the selected optimal training set, we obtain a sparse representation dictionary with high discriminative ability for vehicle detection.

          We apply our method to two high-resolution aerial image data sets. One data set is the aerial images covering the city of Toronto, Canada, with 0.15-m spatial resolution; the other data set is from the overhead imagery research data set (OIRDS). Experimental analyses and comparisons on both data sets demonstrate the superior performance of our method versus several state-of-the-art methods, including histogram of oriented gradient (HOG) + linear support vector machine (SVM) [15], [16], scale-invariant feature transform (SIFT) + linear SVM [17], and HOG + kernel SVM [18].

II. RELATED WORK

         Sparse representation and superpixel segmentation have received considerable attention in computer vision [19]–[22]. Sparse representation has been successfully applied in many fields, including face recognition, object classification, image classification, image de-noising, image restoration, visual saliency, and data compression [23]–[30]. Yokoya and Iwasaki applied sparse representation for object detection in remote sensing images and achieved good results [31]. The development of superpixel segmentation provides a new way for image preprocessing, image segmentation, feature extraction, and object tracking [22], [32]. In recent years, much research has focused on superpixel-based image segmentation, and many approaches have been developed. Representative approaches include graph-based algorithms and gradient-based algorithms. The latest achievements are simple linear iterative clustering (SLIC) [33], edge-weighted centroidal Voronoi tessellationsbased (VCells) [34], and entropy-rate clustering [35]. Using sparse representation and superpixel segmentation is a new way to detect vehicles from high-resolution aerial images.

         Many approaches have been developed for vehicle detection from high-resolution aerial images [6], [8], [11]–[14], [36]–[44]. Most of the approaches can be separated into two types of vehicle models, i.e., appearance-based implicit models and explicit models.

چکیده
1. مقدمه
2.کارهای مرتبط
3. راه حل پیشنهادی
A. چارچوب
B. بخش بندی سوپرپیکسل
 .Cشبکه های توصیف گر های HOG
D. نمایندگی پراکنده
E. انتخاب نمونه های آموزشی تکراری
4. آزمایشات و بحث ها
A. بحث بخش بندی سوپرپیکسل
.B مجموعه داده تورنتو
C. تشکیل مجموعه آموزشی کامل و فشرده
D. حساسیت اندازه سوپرپیکسل 
E.تاثیرات بر روی نمونه های آموزشی
F. عملکرد در مجموعه داده تورنتو 
G. عملکرد OIDRS
5. نتیجه گیری
منابع

Abstract
1. INTRODUCTION
2. RELATED WORK
3. PROPOSED SOLUTION
A. Framework
B. Superpixel Segmentation
C. Grids of HOG Descriptor
D. Sparse Representation
E. Iterative Training Sample Selection
4. EXPERIMENTS AND DISCUSSIONS
A. Superpixel Segmentation Discussion
B. Toronto Data Set
C. Compact and Complete Training Set Construction
D. Sensitivity of the Superpixel Size
E. Effects on Training Samples
F. Performance on Toronto Data Set
G. Performance on OIRDS
5. CONCLUSION
REFERENCES