جبران حركت دوربين‌هاي كنترل نظارتي با استفاده از ثبت تصاوير متوالي در شناسايي خودروها

Compensating surveillance camera movements using sequential image registration for car detection

تشخيص خودروها در تصاوير ويدئويي به‌عنوان يك موضوع كليدي در مباحث بينايي كامپيوتر محسوب مي‌گردد. فرض اصلي اكثر دوربين‌هاي نظارتي، ثابت بودن دوربين در حين فيلم‌برداري مي‌باشد ولي اگر دوربين نظارتي به هر دليلي مثلا براثر باد يا فشارهاي بيروني محيط اطراف دچار لرزش‌هاي مكرر شود ديگر روش‌هاي موجود براي شناسايي خودروها به‌درستي عمل نمي‌كنند. اين موضوع باعث جابجا شدن پيكسل هاي تصوير و ايجاد نويز مي¬شود كه در اكثر مواقع باعث شناسايي عوارض ثابت به‌عنوان عوارض متحرك مي¬گردد. هدف اصلي در اين تحقيق استفاده از روش ثبت(هم‌مرجع سازي) فريم‌هاي متوالي با تصوير پس¬زمينه، براي حذف نويز و مشكل يادشده مي¬باشد. روند كار به اين صورت مي‌باشد كه بعد از استخراج فريم¬هاي متوالي و تصوير پس زمينه از طريق روش ميانه‌گيري، تمام فريم‌هاي موجود با تصوير پس‌زمينه ثبت شده و سپس با استفاده از تفريق پس زمينه به شناسايي خودروها پرداخته مي‌شود. سه نوع داده براي پياده سازي و ارزيابي توانايي روش پيشنهادي مورد استفاده قرار گرفته است. ويژگي اصلي اين مجموعه داده ها لرزش هاي مكرر دوربين در حين فيلم‌برداري و متفاوت بودن تراكم خودروهاي موجود در هر مجموعه مي‌باشد. از معيارهاي HR,MODP,FAR و OR، براي ارزيابي روش پيشنهادي در دو حالت با ثبت تصوير(روش پيشنهادي) و بدون ثبت تصوير استفاده شده است. به طوركلي دقت به‌دست‌آمده براي شناسايي خودروها با ثبت تصاوير و بدون ثبت تصاوير به‌طور متوسط به‌ترتيب 89 درصد و 76 درصد مي‌باشد. بنابراين مي‌توان با استفاده از روش ثبت تصاوير حدود 13درصد دقت شناسايي خودروها را افزايش داد.

Recognizing and detecting cars in videos is ones of the main issues in computer visions. The main assumption of surveillance cameras is that the camera is fixed while taking videos. Any movements due to wind or external forces causes frequent vibrations in the camera and shift of image pixels. This makes conventional methods to detect static objects as moving ones mistakenly. The main aim of this research is to register sequential frames with background image to remove the noise and the mentioned problem. The algorithm first extracts sequential frames and background image using median method, and then registers all frames with the background image. Cars are detected by subtracting background image from frames. Three data were used to evaluate the capability of the proposed methods. Each data set has different car density and contain frequent vibrations while recording the videos. To evaluate the proposed method, FAR, MODP, HR and error percentage criteria were calculated with and without registration. The overall accuracies were 89% and 76% respectively which shows the 13% improvement in the accuracy of detecting cars with registration technique.