METODY PŘEDZPRACOVÁNÍ OBRAZU PRO AUTOMATICKOU DETEKCI ÚČASTNÍKŮ SILNIČNÍHO PROVOZU
DOI:
https://doi.org/10.46585/pc.2022.2.2389Klíčová slova:
předzpracování obrazu, filtrování obrazu, denoising, matematická morfologie, thresholding, automatická detekceAbstrakt
Hlavním cílem tohoto článku je provést analýzu metod předzpracování obrazu a uvést jednotlivé autory a publikace, které se jimi zabývají. Za účelem získání systematického přehledu je v článku navržena metodika pro vyhledávání jednotlivých relevantních zdrojů. Metody předzpracování obrazu předcházejí automatické detekci účastníků silničního provozu. Díky vhodně zvolenému postupu předzpracování obrazu je automatická detekce přesnější a rychlejší stejně jako následující klasifikace detekovaných objektů a jejich trasování. Vhodné předzpracování obrazu se využívá jak u standardní metody detekce odečítání pozadí, tak u moderních metod pracujících na principu neuronových sítí jako CNN, YOLO, SSD a další. Obsahem článku je přehled jednotlivých nejčastěji využívaných metod předzpracování obrazu a publikací, ve kterých je jednotliví autoři využívají pro přípravu obrazu před různými metodami automatické detekce. Následuje vyhodnocení výsledků a na závěr jsou navrženy směry dalšího výzkumu v této oblasti.
Stažení
Reference
Seenouvong, N., Watchareeruetai U., Nuthong C., Khongsomboon K. a Ohnishi, N. 2016. A computer vision based vehicle detection and counting system. 8th International Conference on Knowledge and Smart Technology (KST). DOI: 10.1109/KST.2016.7440510.
Zhuang, X., Kang, W. a Qiuxia, U. 2016. Real-time vehicle detection with foregroundbased cascade classifier. IET Image Processing, 10(4): 289-296.
Crouzil, A., Khoudour, L., Valiere, P. a Truong, N. 2016. Automatic Vehicle Counting System for Traffic Monitoring. Journal of Electronic Imaging. 25. 051207. 10.1117/1.JEI.25.5.051207.
Koetsier, C., Busch, S. a Sester, M. 2019. Trajectory extraction for analysis of unsafe driving behaviour. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLII-2/W13. Enschede, Netherlands.
Najm, M. a Ali, Y. H. 2020. Automatic Vehicles Detection, Classification and Counting Techniques / Survey. Iraqi Journal of Science, 61(7), 1811–1822. https://doi.org/10.24996/ijs.2020.61.7.30
Chen, X-Z, Liao, K-K., Chen, Y-L., Yu, C-W. a Wang, C. 2018. A vision-based nighttime surrounding vehicle detection system. 7th International Symposium on Next Generation Electronics (ISNE). pp. 1-3, doi: 10.1109/ISNE.2018.8394717.
Ooi, H. L., Bilodeau a G. A., Saunier, N. 2020. Supervised and unsupervised detections for multiple object tracking in traffic scenes: A comparative study. In International conference on image analysis and recognition (pp. 42-55). Springer, Cham.
Yaghoobi, E. N., Menéndez J. M. a Jiménez D. 2018. Robust vehicle detection in different weather conditions: Using MIPM. PLOS ONE 13(3): e0191355. https://doi.org/10.1371/journal.pone.0191355.
Yang, Y. a Bilodeau, G. A. 2017. Multiple Object Tracking with Kernelized Correlation Filters in Urban Mixed Traffic. 14th Conference on Computer and Robot Vision (CRV), pp. 209-216, doi: 10.1109/CRV.2017.18.
Karim, A. A. 2018. Construction of a Robust Background Model for Moving Object Detection in Video Sequence. Iraqi Journal of Science, 59(2B), 969–979.
Waykole, S., Shiwakoti, N. a Stasinopoulos, P. 2021. Review on Lane Detection and Tracking Algorithms of Advanced Driver Assistance System. Sustainability. 13, 11417. https://doi.org/10.3390/su132011417.
Moutakki, Z., Ouloul, M. I., Karim, A. a Abdellah, A. 2018. Real-Time System Based on Feature Extraction for Vehicle Detection and Classification. Transport and Telecommunication Journal. 19. 93-102. 10.2478/ttj-2018-0008.
Kaur, P., Kumar, Y. a Gupta, S. 2022. Artificial Intelligence Techniques for the Recognition of Multi-Plate Multi-vehicle Tracking Systems: A Systematic Review. Arch Computat Methods Eng. https://doi.org/10.1007/s11831-022-09753-4.
Guo, L., Liu, K., Zhang, L., Zhang, Y., Tian, Y. a Zhang, J. 2021. Research on Vision Perception Technology of Auto Fueling Robot on opencv-based gas tank cap recognition. In Journal of Physics: Conference Series (Vol. 1952, No. 2, p. 022067). IOP Publishing.
Razi, A., Chen, X., Li, H., Russo, B.J., Chen, Y. a Yu, H. 2022. Deep Learning Serves Traffic Safety Analysis: A Forward-looking Review. ArXiv, abs/2203.10939.
Stratmann, L. 2022. HSV [online]. Dostupné z: http://color.lukas-stratmann.com/. [cit. 2022-02-22].
Yaghoobi, E. N., Menéndez, J.M. a Jiménez, D. 2018. Robust vehicle detection in different weather conditions: Using MIPM. PLoS ONE 13(3): e0191355. https://doi.org/10.1371/journal.pone.0191355.
Beaupré, D. A., Bilodeau a G. A., Saunier, N. 2018. Improving multiple object tracking with optical flow and edge preprocessing. arXiv preprint arXiv:1801.09646.
Horák, K. Matematická morfologie [online]. Brno University of Technology: Computer Vision Group.
Dostupné z: http://vision.uamt.feec.vutbr.cz/ZVS/lectures/11_Matematicka_morfologie.pdf. [cit. 2022-02-24].
Shashirangana, J., Padmasiri, H., Meedeniya, D. a Perera, C. 2021. Automated License Plate Recognition: A Survey on Methods and Techniques. IEEE Access, vol. 9, pp. 11203-11225. doi: 10.1109/ACCESS.2020.3047929.
Song, H., Liang, H., Li, H., Dai, Z. a Yun, X. 2019. Vision-based vehicle detection and counting system using deep learning in highway scenes. Eur. Transp. Res. Rev. 11, 51. https://doi.org/10.1186/s12544-019-0390-4.
Addala, S. 2020. Research paper on vehicle detection and recognition. 10.13140/RG.2.2.34908.82561.
Zhao, Z. Q., Zheng, P., Xu, S. T., and Wu, X. 2019. Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems, 30(11), 3212-3232.
Kumar, V. a Singh, A. 2018. Deep Learning based Vehicle Detection and Tracking Techniques: State-of-the-Art Survey. International Journal of Computer Science and Information Security (IJCSIS), Vol. 16, No. 8. ISSN 1947-5500.
Plötz, T. a Roth, S. 2017. Benchmarking Denoising Algorithms with Real Photographs. In: 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), p. 2750-9.
Arafat, M. Y., Khairuddin, A., Khairuddin, U. a Paramesran, R. 2019. Systematic review on vehicular licence plate recognition framework in intelligent transport systems. IET Intelligent Transport Systems. 13. 10.1049/iet-its.2018.5151.
Chakraborty, P., Hegde a C., Sharma, A. 2019. Data-driven parallelizable traffic incident detection using spatio-temporally denoised robust thresholds. Transportation research part C: emerging technologies. 105:81-99.
Yao, L., Zhao, Y., Fan, J., Liu, M., Jiang, J. a Wan, Y. 2019. Research and Application of License Plate Recognition Technology Based on Deep Learning. Journal of Physics: Conference Series, Vol 1237, Issue 2. https://doi.org/10.1088/1742-6596/1237/2/022155.
Badue, C., Guidolini, R., Carneiro, R. V., Azevedo, P., Cardoso, V. B., Forechi, A., Jesusa, L., Berriela, R., Paixao, T., Mutzc, F., Veronesea, L., Oliveira-Santosa, T. a De Souza, A. F. 2021. Self-driving cars: A survey. Expert Systems with Applications, 165, 113816.
Parvin, S., Rozario, L. a Islam, Md. 2021. Vision-Based On-Road Nighttime Vehicle Detection and Tracking Using Taillight and Headlight Features. Journal of Computer and Communications. 09. 29-53. 10.4236/jcc.2021.93003.
Luvizon, D. C., Nassu, B. T. a Minetto, R. 2017. A Video-Based System for Vehicle Speed Measurement in Urban Roadways. Trans. Intell. Transport. Syst. 18, 6, 1393–1404. https://doi.org/10.1109/TITS.2016.2606369
Abdelhamed, A., Lin, S. a Brown, M. S. 2018. A High-Quality Denoising Dataset for Smartphone Cameras. In: 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. p. 1692-700.
Lee, Y., Lee, S.-h., Yoo, J. a Kwon, S. 2021. Efficient Single-Shot Multi-Object Tracking for Vehicles in Traffic Scenarios. Sensors 21, no. 19: 6358. https://doi.org/10.3390/s21196358
Jiao, L., Zhang, F., Liu, F., Yang, S., Li, L., Feng, Z. a Qu, R. 2019. A Survey of Deep Learning-Based Object Detection. IEEE Access, vol. 7, pp. 128837-128868. doi: 10.1109/ACCESS.2019.2939201.
Li, Y., Wang, J., Huang, J. a Li, Y. 2022. Research on Deep Learning Automatic Vehicle Recognition Algorithm Based on RES-YOLO Model. Sensors (Basel). 22(10):3783. doi: 10.3390/s22103783.
Yuan, Z., Xie, X., Hu, J. a Yao, D. 2014. An Efficient Method for Traffic Image Denoising. Procedia-Social and Behavioral Sciences. 138:439-45.
Ooi, H-L., Bilodeau, G-A. a Saunier, N. 2019. Tracking in Urban Traffic Scenes from Background Subtraction and Object Detection. In: Karray, F., Campilho, A., Yu, A. (eds) Image Analysis and Recognition. ICIAR 2019. Lecture Notes in Computer Science(), vol 11662. Springer, Cham. https://doi.org/10.1007/978-3-030-27202-9_17.
Vácha, L. 2016. Detekce aut přijíždějících ke křižovatce. Diplomová práce. VUT Brno.
Truchlík, S. 2013. Detekcia motorových vozidiel v 2D obraze. Diplomová práce. VŠB – Technická univerzita Ostrava.
Kříž, K. 2013. Detekce dopravních prostředků a vyhodnocování jejich stavů z videozáznamů křižovatek. Diplomová práce. Masarykova univerzita Brno.
Vašička, A. 2018. Detekce a klasifikace objektů v obraze z kamery. Diplomová práce. Univerzita Tomáše Bati ve Zlíně.
Sochor J. 2014. Fully Automated Real-Time Vehicles Detection and Tracking with Lanes Analysis. In: Proceedings of CESCG 2014. Smolenice: Technische Universität Wien s. 59-66. ISBN 978-3-9502533-6-8.
Stahování
Publikováno
Jak citovat
Číslo
Sekce
Licence
Copyright (c) 2022 Jan Berg, Petr Jilek, Jan Pokorný, Jan Krmela
Tato práce je licencována pod Mezinárodní licencí Creative Commons Attribution 4.0 .
Přijat 2022-11-03
Publikován 2022-12-30
