Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Hệ Thống Giám Sát Video Giao Thông Phát Hiện Phương Tiện Di Chuyển Dựa Trên Mạng Nơ-ron Tối Ưu
Tóm tắt
Bài báo này giới thiệu một hệ thống giám sát video giao thông hiệu quả để phát hiện các phương tiện di chuyển trong các cảnh giao thông. Quá trình xác định phương tiện di chuyển trên đường phố được sử dụng để theo dõi, đếm, tính toán tốc độ bình thường của từng phương tiện, kiểm tra chuyển động, và phân loại phương tiện, có thể thực hiện dưới nhiều tình huống khác nhau. Trong bài báo này, chúng tôi phát triển một phương pháp lai mới giữa mạng nơ-ron nhân tạo (ANN) và thuật toán tối ưu hóa tìm kiếm trọng lực đối kháng (OGSA)-dựa trên phát hiện phương tiện di chuyển (MVD). Hệ thống được đề xuất bao gồm hai giai đoạn chính là tạo nền và phát hiện phương tiện. Trước tiên, chúng tôi phát triển một phương pháp hiệu quả để tạo nền. Sau khi tạo nền, chúng tôi phát hiện phương tiện di chuyển bằng cách sử dụng mô hình ANN–OGSA. Để tăng cường hiệu suất của bộ phân loại ANN, chúng tôi tối ưu chọn giá trị trọng số bằng cách sử dụng thuật toán OGSA. Để chứng minh tính hiệu quả của hệ thống, chúng tôi đã so sánh thuật toán đề xuất với các thuật toán khác và sử dụng ba loại video cho phân tích thực nghiệm. Độ chính xác của phương pháp ANN–OGSA được đề xuất đã được cải thiện hơn 3% và 6% so với GSA-ANN và ANN hiện có, tương ứng. Tương tự, hệ thống MVD dựa trên GSA-ANN đạt được độ nhạy tối đa là 89%, 91%, và 91% cho video 1, video 2, và video 3, tương ứng.
Từ khóa
#giám sát video #phát hiện phương tiện di chuyển #mạng nơ-ron nhân tạo #tối ưu hóa tìm kiếm trọng lực đối kháng #thuật toánTài liệu tham khảo
A. Ahilan, E.A.K. James, Design and implementation of real time car theft detection in FPGA, in 2011 Third International Conference on Advanced Computing, Chennai (2011), pp. 353–358
A. Ahilan, P. Deepa, Improving lifetime of memory devices using evolutionary computing-based error correction coding, in Computational Intelligence, Cyber Security and Computational Models (2016), pp. 237–245
A. Ahilan, P. Deepa, Modified Decimal Matrix Codes in FPGA configuration memory for multiple bit upsets, in 2015 International Conference on Computer Communication and Informatics (ICCCI) (2015), pp. 1–5
A. Ahilan, P. Deepa, Design for built-in FPGA reliability via fine-grained 2-D error correction codes. Microelectron. Reliab. 55(9–10), 2108–2112 (2015)
A. Appathurai, P. Deepa, Design for reliability: a novel counter matrix code for FPGA based quality applications, in 6 Asia Symposium on Quality Electronic Design (ASQED) (2015), pp. 56–61
A. Baher, H. Porwal, W. Recker, Short term freeway traffic flow prediction using genetically optimized time-delay-based neural networks, in Transportation Research Board 78th Annual Meeting, Washington, DC (1999)
P.V.K. Borges, N. Conci, A. Cavallaro, Video-based human behavior understanding: a survey. IEEE Trans. Circuits Syst. Video Technol. 23(11), 1993–2008 (2013)
H.-Y. Cheng, C.-C. Weng, Y.-Y. Chen, Vehicle detection in aerial surveillance using dynamic bayesian networks. IEEE Trans. Image Process. 21(4), 2152–2159 (2012)
M. Cheon, W. Lee, C. Yoon, M. Park, Vision-based vehicle detection system with consideration of the detecting location. IEEE Trans. Intell. Transp. Syst. 13(3), 1243–1252 (2012)
H. Chung-Lin, L. Wen-Chieh, A vision-based vehicle identification system, in Pattern Recognition, 2004. ICPR 2004. Proceedings of the 17th International Conference on, vol. 4 (2004), pp. 364–367
W.-C. Hu, C.-Y. Yang, D.-Y. Huang, Robust real-time ship detection and tracking for visual surveillance ofcage aquaculture. J. Vis. Commun. Image Represent. 22(6), 543–556 (2011)
W.-C. Hu, C.-H. Chen, T.-Y. Chen, D.-Y. Huang, Z.-C. Wu, Moving object detection and tracking from video captured by moving camera. J. Vis. Commun. Image Represent. 30, 164–180 (2015)
X. Ji, Z. Wei, Y. Feng, Effective vehicle detection techniques for traffic surveillance systems. J. Vis. Commun. Image Represent. 17(3), 647–658 (2006)
R.E. Kalman, A new approach to linear filtering and prediction problems. Trans. ASME J. Basic Eng. 82, 35–45 (1960)
N.K. Kanhere, S.T. Birchfield, Real-time incremental segmentation and tracking of vehicles at low camera angles using stable features. IEEE Trans. Intell. Transp. Syst. 9, 148–160 (2008)
N.K. Kanhere, Vision-Based Detection, Tracking and Classification of Vehicles Using Stable Features with Automatic Camera Calibration, ed, (2008), p. 105
D.S. Kushwaha, T. Kumar, An efficient approach for detection and speed estimation of moving vehicles. J. Proc. Comput. Sci. 89, 726–731 (2016)
X. Li, Z.Q. Liu, K.M. Leung, Detection of vehicles from traffic scenes using fuzzy integrals. Pattern Recogn. 35(4), 967–980 (2002)
F.-L. Lian, Y.-C. Lin, C.-T. Kuo, J.-H. Jean, Voting-based motion estimation for real-time video transmission in networked mobile camera systems. IEEE Trans. Industr. Inf. 9(1), 172–180 (2013)
A. Lozano, G. Manfredi, L. Nieddu, An algorithm for the recognition of levels of congestion in road traffic problems. Math. Comput. Simul. 79(6), 1926–1934 (2009)
Y. Mary Reeja, T. Latha, W. Rinisha, Detecting and tracking moving vehicles for traffic surveillance. ARPN J. Eng. Appl. Sci. 10(4) (2015)
N. Messai, P.T. Thomas, D. Lefebvre, A.El. Moudni, Neural networks for local monitoring of traffic magnetic sensors. Control Eng. Pract. 13(1), 67–80 (2005)
S. Movaghati, A. Moghaddamjoo, A. Tavakoli, Road extraction from satellite images using particle filtering and extended Kalman filtering. IEEE Trans. Geosci. Remote Sens. 48(7), 2807–2817 (2010)
X. Niu, A semi-automatic framework for highway extraction and vehicle detection based on a geometric deformable model. ISPRS J. Photogr. Remote Sens. 61(3–4), 170–186 (2006)
G. Prathiba, M. Santhi, A. Ahilan, Design and implementation of reliable flash ADC for microwave applications. Microelectron. Reliab. 88–90, 91–97 (2018)
M. SaiSravana, S. Natarajan, E.S. Krishna, B.J. Kailath, Fast and accurate on-road vehicle detection based on color intensity segregation. J. Proc. Comput. Sci. 133, 594–603 (2018)
J. Satheesh Kumar, G. Saravana Kumar, A. Ahilan, High performance decoding aware FPGA bit-stream compression using RG codes. Cluster Comput. 1–5 (2018)
J.P. Shinora, K. Muralibabu, L. Agilandeeswari, An adaptive approach for validation in visual object tracking. Proc. Comput. Sci. 58, 478–485 (2015)
B. Sivasankari, A. Ahilan, R. Jothin, A. Jasmine Gnana Malar, Reliable N sleep shuffled phase damping design for ground bouncing noise mitigation. Microelectron. Reliab. 88–90, 1316–1321 (2018)
G. Somasundaram, R. Sivalingam, V. Morellas, N. Papanikolopoulos, Classification and counting of composite objects in traffic scenes using global and local image analysis. IEEE Trans. Intell. Transp. Syst. 14(1), 69–81 (2013)
D. Srinivasan, M.C. Choy, R.L. Cheu, Neural networks for real time traffic signal control. IEEE Trans. Intell. Transp. Syst. 7(3), 261–272 (2006)
Z. Sun, G. Bebis, R. Miller, On-road vehicle detection using Gabor filters and support vector machines, in Proceedings of the IEEE Conference Digital Signal Processing, vol. 2 (2002), pp. 1019–1022
B. Tian, Y. Li, B. Li, D. Wen, Rear-view vehicle detection and tracking by combining multiple parts for complex urban surveillance. IEEE Trans. Intell. Transp. Syst. 15(2) (2014)
D. Tran, J. Yuan, D. Forsyth, Video event detection: from subvolume localization to spatiotemporal path search. IEEE Trans. Pattern Anal. Mach. Intell. 36(2), 404–416 (2014)
L. Wang, F. Chen, H. Yin, Detecting and tracking vehicles in traffic by unmanned aerial vehicles. J. Autom. Constr. 72, 294–308 (2016)
Z. Wei et al., Multilevel framework to detect and handle vehicle occlusion. IEEE Trans. Intell. Transp. Syst. 9, 161–174 (2008)
W. Zhang, X.Z. Fang, X. Yang, Moving vehicles segmentation based on Bayesian framework for Gaussian motion model. Pattern Recogn. Lett. 27(1), 956–967 (2006)
J. Zhou, D. Gao, D. Zhang, Moving vehicle detection for automatic traffic monitoring. IEEE Trans. Veh. Technol. 56(1), 51–59 (2007)
X. Zhou, C. Yang, W. Yu, Moving object detection by detecting contiguous outliers in the low-rank representation. IEEE Trans. Pattern Anal. Mach. Intell. 35(3), 597–610 (2013)