Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phản hồi hai chiều của mô hình hỗn hợp Gaussian tối ưu hóa và bộ lọc tương quan Kernel nhằm nâng cao khả năng phát hiện đơn giản các phương tiện có pixel nhỏ
Tóm tắt
Việc phát hiện chính xác vị trí và hình dạng của phương tiện từ máy bay không người lái (UAV) mang lại thông tin quan trọng cho các nghiên cứu về hành vi của phương tiện và dòng chảy giao thông. Các phương tiện trong video UAV có những đặc điểm độc đáo về pixel mục tiêu nhỏ, điều này gây khó khăn trong việc phát hiện chính xác. Ngoài ra, sự rung lắc của camera UAV, bóng của phương tiện, cũng như biển báo/đánh dấu trên mặt đất cũng dẫn đến khó khăn trong việc phát hiện chính xác hình dạng của phương tiện. Nghiên cứu này đề xuất một phương pháp mới thiết kế một khung phản hồi hai chiều (GKB) giữa mô hình hỗn hợp Gaussian tối ưu hóa và bộ lọc tương quan Kernel để nâng cao khả năng phát hiện phương tiện. Khung này dự đoán vị trí của phương tiện dựa trên thông tin của các khung hình liên tục và có liên quan trước đó để đạt được hiệu suất tốt hơn. Chúng tôi cũng cải thiện khả năng phát hiện các phương tiện sát nhau và tối màu bằng các thuật toán hình thái học và xử lý dữ liệu. Phương pháp này được thử nghiệm trên hai video UAV với các độ cao chụp khác nhau, điều kiện ánh sáng khác nhau, và trạng thái giao thông khác nhau. Kết quả cho thấy phương pháp đề xuất cải thiện đáng kể khả năng phát hiện phương tiện. Độ chính xác tổng thể của mô hình của chúng tôi đạt 98%, tức là cải thiện 11% so với mô hình phát hiện đơn truyền thống và 4% so với phương pháp theo dõi sau phát hiện. Tỷ lệ phát hiện các phương tiện sát nhau và tối màu của mô hình chúng tôi được cải thiện từ 15-25% so với các phương pháp trước đây. Độ chính xác phát hiện hình dạng phương tiện của mô hình chúng tôi vượt quá 94%, tức là khoảng 15% cải thiện so với các phương pháp trước đó.
Từ khóa
Tài liệu tham khảo
Wang Z (2013) Visual traffic jam analysis based on trajectory data. IEEE Trans Visual Comput Graph 19(12):2159–2168
Sopasakis A, Katsoulakis M (2016) Information metrics for improved traffic model fidelity through sensitivity analysis and data assimilation. Trans Res Part B: Methodol 86:1–18
V-os J, Farah H, Hagenzieker M (2021) Speed behaviour upon approaching freeway curves. Accid Anal Prev 159:106276
Monteil J et al (2014) Calibration, estimation, and sampling issues of car-following parameters. Trans Res Record: J Trans Res Board 2422:131–140
Guo H, Wang Z, Yu B, Zhao H, Yuan X (2011) Tripvista: Triple perspective visual trajectory analytics and its application on microscopic traffic data at a road intersection. In Proc IEEE PacificVis 20:163–170
AT Palma, V Bogorny, B Kuijpers, LO Alvares (2008) A clusteringbased approach for discovering interesting places in trajectories. In: Proc ACM symposium on applied computing, p 863–868
Lars Sommer, Nicole Schmidt, Arne Schumann1 Jurgen Beyerer (2018)Search area reduction fast-RCNN for fast vehicle detection in large aerial imagery. In: 2018 25th IEEE international conference on image processing (ICIP), p 3054–3058
Qiwei Peng,Wang Luo, Gongyi Hong, Min Feng, Yuan Xia, Lei YuXiaolong Hao, Xu Wang, Mingxuan Li (2016) Pedestrian detection for transformer substation based on gaussian mixture model and YOLO.2016 In: 8th international conference on intelligent human-machine systems and cybernetics, p 562–565
Razakarivony S, Jurie F (2016) Vehicle detection in aerial imagery: a small target detection benchmark. J Vis Commun Image Represent 34:187–203
Krajewski R, Moers T, Eckstein L (2019) VeGAN: using GANs for augmentation in latent space to improve the semantic segmentation of vehicles in images from an aerial perspective. IEEE Winter Conf Appl Comput Vision (WACV) 2019:1440–1448
Mingqiang Chen, Qingling Zhao, Zhe Jiang, Rui Xu Intrusion. Detection for in-vehicle CAN networks based on auxiliary classifier GANs In: 2021 international conference on high performance big data and intelligent systems p.186–191.
He K et al (2015) Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition. IEEE Trans Pattern Anal Mach Intell 37(9):1904–1916
Sang Jun, et al. (2017) Faster-RCNN model identification analysis. Journal of Chongqing University7
Medera, Dusan, and S. Babinec. (2009) Incremental learning of convolutional neural networks.In: Ijcci 2009—Proceedings of the international joint conference on computational intelligence, Funchal, Madeira, Portugal, October DBLP, p 547–550
Syed Tariq, Ali Kalpana Goyal. Moving object detection using self adaptive gaussian mixture model for real time applications. In: Proceeding international conference on recent innovations is signal processing and embedded systems (RISE-2017), p 27–29
Bouwmans T (2009) Subspace learning for background modeling: a survey. Recent Patents Comput Sci 2(3):223–234
Meng Liu, Chengdong Wu and Yunzhou Zhang (2007) Motion vehicle tracking based on multi-resolution optical flow and multi-scale harris corner detection In: Proceedings of the 2007 IEEE international conference on robotics and biomimetics, p 2032–2036
Barnich O, Van Droogenbroeck M (2011) ViBe: a universal background subtraction algorithm for video sequences. IEEE Trans Image Process 20(6):1709–1724
KaewTraKulPong, P., Bowden, R. (2002) An improved adaptive background mixture model for real-time tracking with shadow detection. In: P. Remagnino, G. Jones, N. Paragios, C. Regazzoni (eds.) Videobased surveillance systems, p.135–144
Ke R et al (2019) Real-time traffic flow parameter estimation from UAV video based on ensemble classifier and optical flow. IEEE Trans Intell Transp Syst 20(1):54–64
M. Kristan, R. Pflugfelder, A. Leonardis, J. Matas, F. Porikli, (2013) The Visual Object Tracking VOT2013 challenge results. In ICCV Workshops, p 98–111
J.-Y. Lee and W. Yu. (2011) Visual tracking by partition-based histogram backprojection and maximum support criteria. In Proceedings of the IEEE international conference on robotics and biomimetic (ROBIO)
Moeslund TB, Hilton A, Kruger V (2006) A survey of advances in vision-based human motion capture and analysis. Comp Vis Image Underst 2–3:90–126
Ren W, Wang X, Member S, Tian J (2021) Tracking-by-counting: using network flows on crowd density maps for tracking multiple targets. IEEE Trans Image Process 30:1439–1452
Xinqiang Chen, Zhibin Li, Yongsheng Yang, Lei Qi, and Ruimin Ke (2019) High-resolution vehicle trajectory extraction and denoising from aerial videos. In: IEEE transactions
Naima Amrouche ; Ali Khenchaf ; Daoud Berkani (2017) Multiple mode multi-target tracking in high noise environment using radar measurements. In: 2017 sensor signal processing for defence conference (SSPD).
Z. Wang, H. Xiao, W. He, F. Wen and K. Yuan (2013) Real-Time SIFT-Based Object Recognition System, In: International conference on mechatronics and automation, Takamatsu
Nimbalkar AK, Kahe RR, Patil CS (2014) Patil face and hand gesture recognition using principle component analysis and kNN classifier. Int J Comput Appl 8:26–28
Z. Zivkovic (2004) Improved adaptive gaussian mixture model for background subtraction. In: IEEE International Conference on Pattern Recognition, p 28–31
C. Xie, M. Savvides, and B. Vijaya-Kumar (2005) Kernel correlation filter based redundant class-dependence feature analysis (KCFA) on FRGC2.0 data, In : analysis and modelling of faces and gestures