مقايسۀ روش هاي شناسايي نوع و مدل وسيلۀ نقليه با رويكرد كلي نگر و جزئي نگر و ارائۀ يك رويكرد جديد

A Comparison between Holistic and Part-Based Approaches and Proposing a New Approach for Vehicle Make and Model Recognition

پس از موضوعاتي چون تشخيص مكان خودرو و شناسايي گروه كلي خودرو، شناسايي نوع و مدل دقيق وسيله نقليه (VMMR) در دهه‌ي اخير در مركز توجه محققين قرار گرفته است. اين مسئله به دليل وجود تعداد كلاس‌هاي زياد و نزديكي بسيار زياد اين كلاس‌ها به يكديگر، از مسائل طبقه‌بندي دشوار به حساب مي‌آيد. در اين مقاله به مقايسه رويكرد كلي‌نگر و جزئي‌نگر پرداخته و روش‌هاي ارائه شده در هر دسته، به طور كامل مرور گشته‌اند. علاوه‌ بر اين، رويكردي در دسته‌ي روش‌هاي جزئي‌نگر براي شناسايي نوع و مدل وسيله نقليه پيشنهاد شده است كه سعي بر برطرف كردن برخي از مشكلات موجود دارد. اين رويكرد با تمركز بر بخش‌هاي معني‌دار تشكيل دهنده‌ي خودرو از قبيل چراغ‌ها، جلوپنجره و نشان‌واره به طبقه‌بندي كلاس‌هاي مختلف وسيله نقليه مي‌پردازد. توصيفگر هيستوگرام گراديان‌هاي جهت‌دار براي استخراج ويژگي و ماشين بردار پشتيبان براي طبقه‌بندي به كار گرفته شده‌اند. براي اين منظور مجموعه داده‌اي متشكل از 352 تصوير از نماي جلو و پشت هشت كلاس مختلف از خودروها جمع‌آوري شده و تمامي بخش‌هاي آن‌ها علامت‌گذاري گشته‌اند. نتايج آزمايشات انجام شده بر روي اين تصاوير، برتري رويكرد مبتني بر بخش را نسبت به رويكردهاي پيشين نشان مي‌دهد. روش پيشنهادي موفق به كسب دقت 95.4% بر روي نماي جلو و دقت 100% بر روي نماي پشت شده است.

In this paper, a comparison between holistic and part-based approaches has been made and most of the previous methods in each category have been reviewed. In addition, a new part-based method is proposed which tries to overcome some of the hard challenges in this area. This method operates on meaningful parts of vehicle like lights, grilles and logo for distinguishing of different classes. The Histogram of Oriented Gradients (HOG) and Support Vector Machine (SVM) have been used for feature extraction and classification tasks respectively. For evaluation purposes, a dataset including 352 images from frontal and rear view of eight different classes of vehicles have been prepared and fully marked based on their parts. The experimental results show the effectiveness of the proposed part-based approach in comparison to the traditional approaches. The proposed method achieved 95.4% accuracy on frontal view and 100% accuracy on rear view images.