کنترل و مدیریت ترافیک شهرى با استفاده از داده های سنجش از دور – بخش ۲

2- استخراج و دسته بندی وسایل نقلیه

این بخش، شامل دو مرحله کلى مى باشد. مرحله اول، تشخیص وسیله نقلیه و استخراج آن از سطح جاده است که با توجه به نوع سنجنده و نوع اطلاعات خروجى سنجنده روش هاى متفاوتى براى این امر پیشنهاد شده است. از آن جمله، تکنیک هاى تشخیص لبه و استفاده از حد آستانه مى باشد. مرحله دوم، تشخیص نوع وسیله نقلیه و دسته بندى آن مى باشد. دسته بندى وسایل نقلیه به تفکیک مدل آنها امرى بسیار پیچیده مى باشد، اما مى توان وسایل نقلیه را به تفکیک کاربرى در دسته هاى سوارى، کامیون و چندمنظوره دسته بندى کرد.

2-1- تصویر برداری اپتیکى

2-1-1- تصویربردارى اپتیکى هوایی

تصویربرداری هوایی، در دهه های اخیر اساسی ترین ابزار نقشه برداری بوده است و امروزه دوربین هایی با قدرت تفکیک بسیار بالا ساخته می شوند که قادرند تا 95 درصد اطلاعات زمینی را در خود جای دهند. دوربین های رقومى که امروزه برروی هواپیماها نصب می شوند، دارای محدودیت در محدوده پوشش، هستند. در این میان، سیستم هایی جدید دوربین های دیجیتال، سرعت تصویر برداری های متوالی را بسیار افزایش داده است و این امر موجب تسریع در تشخیص رخدادهای سریع شده است. به عنوان مثال، برای تشخیص سرعت خودرو، با تصویر برداری های متوالی از خودرو در سطح جاده و به کارگیری الگوریتم های مقایسها ی، مى توان سرعت و جهت خودرو برروی سطح جاده را تعیین کرد. شکل شماره 4 ، قسمتى از یک تصویر دوربین رقومى را نمایش می دهد. در این تصویر، وسایط نقلیه از سطح جاده کاملا متمایز بوده و با استفاده از الگوریتم هاى استخراج عوارض، مانند شبکه هاى عصبى و یا اپراتورهاى آشکارساز لبه، مىت وان وسایل نقلیه را از سطح جاده، استخراج کرد.

04 thumb كنترل و مدیریت ترافیك شهرى با استفاده از داده های سنجش از دور – بخش 2

شکل 4- نمونه ای از یک تصویر دوربین رقومى

براى دسته بندى وسایط نقلیه در تصاویر اپتیکی هوایی، از المان هاى طول و عرض وسیله نقلیه مىت وان استفاده کرد. یعنى با قرار دادن حد آستانه اى براى طول یا عرض هر نوع وسیله نقلیه، نوع وسیله را مشخص کرد. همچنین، از شبکه هاى عصبى، به عنوان الگوریتمى انعطاف پذیر، با استفاده از نمونه هاى آموزشى مناسب مى توان براى دسته بندى وسایط نقلیه استفاده کرد .

2-2-1- تصویربردارى اپتیکى زمینى

در نظارت و مدیریت ترافیک با استفاده از تصویربردارى اپتیکى زمینى، از دوربین هاى رقومى که در معابر و بزرگراه ها و در ارتفاع مناسب از سطح زمین نسب شده اند، استفاده می شود. از آنجایى که این تصاویر رقومى مىب اشند، از تکنیک هاى مبتنى بر رایانه، مى توان براى استخراج وسایل نقلیه از سطح جاده استفاده نمود. به عنوان مثال، مىت وان ابتدا سطح جاده را از تصویر کم کرده و با استفاده از تکنیک هاى آشکارسازى لبه مثل Canny یا Prewitt وسایل نقلیه را از تصویر استخراج نمود. (شکل 5)

شکل شماره 6نیز، نمونه اى از اعمال اپراتور آشکارساز بر روى تصاویر ویدئویى رقومى کنترل ترافیک را نمایش می دهد.

05 thumb كنترل و مدیریت ترافیك شهرى با استفاده از داده های سنجش از دور – بخش 2

شکل 5- (الف) تصویر اصلى (ب) بعد از حذف جاده (پ) آشکارساز لبه ى Prewitt

06 thumb كنترل و مدیریت ترافیك شهرى با استفاده از داده های سنجش از دور – بخش 2

شکل 6- (الف) تصویر اصلى (ب) اعمال اپراتور آشکارساز لبه Sobel

براى دسته بندى وسایل نقلیه در این روش، بهترین کار، استفاده از شبکه هاى عصبى، به عنوان الگوریتم هایى انعطاف پذیر براى تشخیص عوارض، با استفاده از نمونه هاى آموزشى متفاوت است. شبکه هاى عصبى مصنوعى، الگوریتم هاى ریاضى غیرخطى مى باشند که به منظور مدل کردن تصمیم گیرى هاى انسانى و توابع پیچیده مورد استفاده قرار مى گیرند. بالوجا در مقاله اى به تشریح استفاده از شبکه هاى عصبى مصنوعى، به منظور استخراج و دسته بندى وسایل نقلیه بصورت خودکار پرداخته است.

2-2- تصاویر لیدار LiDAR

لیدار، یک تکنولوژی سنجش از دور نوری فعال می باشد که با ثبت اطلاعات امواج پراکنده شده از اجسام در طول موج های کوتاهتر از محدوده رادار در محدوده فرابنفش، مرئى و مادون قرمز نزدیک NIR، اطلاعاتی از قبیل محدوده و تغییرات ارتفاعی عوارض را ثبت می کند. تکنولوژی رایج در این روش، استفاده از پالس های لیزر است و مشابه با تکنولوژی رادار، از تاخیر فاز و زمان رفت و برگشت امواج ارسالی و دریافتی، برای تشخیص ویژگی های عوارض استفاده می کند. سنجنده های لیدار عموماً برروی هواپیما و هلیکوپتر نسب می شوند و از سری سنجنده های فعال می باشند که قادرند تغییرات ارتفاعی سطوح را تا حد دسیمتر اندازه گیری کنند. به همین دلیل، این تکنولوژی به سرعت تبدیل به یک ابزار تجاری سریع و دقیق در زمینه تهیه نقشه گردیده است.

در بحث لیدار میتوان استخراج وسایل نقلیه را با استفاده از اختلاف بازتابش وسایل نقلیه و سطح جاده و یا اختلاف ارتفاع سقف وسیله نقلیه و سطح جاده، انجام داد. بنابراین، در یک تصویر لیدار اختلافات زمانی یا فازی امواج ارسالی و دریافتی در سنجنده، در سطح جاده را میتوان نشانه وجود وسیله نقلیه در سطح جاده دانست. بنابراین، با شناسایی سطح جاده و محدوده آن با استفاده از نقشه هاى موجود در محیط هاى CAD و GIS و همچنین، اعمال الگوریتم هایی برای تشخیص اختلافات، میتوان وسایط نقلیه را از سطح جاده استخراج نمود. شکل هاى 8 و 7 نمایش دهنده اطلاعات ارتفاعی و اطلاعات شدت بازتابش سطوح از یک تصویر لیدار مربوط به تصویر ارائه شده در شکل 1 ، میباشد. در این دو شکل، به راحتى مى توان مشاهده کرد که تفاوت ارتفاع وسیله نقلیه از سطح جاده و همچنین تفاوت شدت بازتابش وسیله نقلیه با سطح جاده، مىتواند معیار استخراج وسایل نقلیه از سطح جاده باشد.

07 thumb كنترل و مدیریت ترافیك شهرى با استفاده از داده های سنجش از دور – بخش 2

شکل 7 – اطلاعات شدت بازتابش سنجنده LiDAR

08 thumb كنترل و مدیریت ترافیك شهرى با استفاده از داده های سنجش از دور – بخش 2

شکل 8- اطلاعات ارتفاعی سنجنده LiDAR

همانطور که در شکل 7 مشاهده مى شود، تغییرات ارتفاعى سطح زمین، مى تواند به عنوان یک عامل مزاحم براى تشخیص وسیله نقلیه به شمار آید، بنابراین، با داشتن مدل ارتفاعى رقومى DEM منطقه و اعمال آن به تصویر، میتوان این مشکل را مرتفع کرد. همچنین در حالتى که سنجنده برروى هواپیما سوار است، مى بایست کشیدگى وسایط نقلیه در حال حرکت در جهت حرکت سنجنده در تصویر لیدار، مى بایست به عنوان یک عامل ایجاد خطا در دسته بندى وسایط نقلیه مورد توجه قرار گیرد. علت ایجاد این خطا، کمتر بودن سرعت نسبى وسیله نقلیه نسبت به هواپیما، در مقایسه به حالت سکون و یا حرکت در خلاف جهت هواپیماست، که این امر باعث مى شود وسیله نقلیه، مدت زمان بیشترى در دید سنجنده قرار داشته باشد. نکته قابل توجه در ارتباط با تصاویر لیدار، دقت ارتفاعى بالاى این تصاویر است. بنابراین، در مرحله ى دسته بندى وسایط نقلیه، المان ارتفاع را مى توان، علاوه بر المان هاى طول و عرض وسیله نقلیه، به منظور دسته بندى وسایط نقلیه مورد استفاده قرار داد. با در نظر گرفتن المانهاى طولى، عرضى و ارتفاعى وسایط نقلیه و با استفاده از الگوریتم هاییی از قبیل الگوریتم PCA مى توان یک فضاى ویژگى دو بعدى را براى دسته بندى وسایل نقلیه ایجاد کرد. براى مثال، براى پارامتر ارتفاع، مى توان 4 کلاس و براى هریک از پارامترهاى طول و عرض نیز 1 کلاس در نظر گرفته و وسایط نقلیه مختلف را در کلاس هاى مختلف مثل سوارى، حمل و نقل عمومى، کامیون و . . . با استفاده از الگوریتم هاى کاهش ابعاد فضاى ویژگى مانند PCA طبقه بندى کرد (شکل 9).

09 thumb كنترل و مدیریت ترافیك شهرى با استفاده از داده های سنجش از دور – بخش 2

شکل 9- فضاى ویژگى براى وسایط نقلیه با استفاده از الگوریتم

براى دسته بندى وسایل نقلیه در این فضا، از روش هایى مثل تعریف روابط ریاضى یا کمترین فاصله از میانگین و یا شبکه هاى عصبى استفاده می شود. به عنوان مثال مىت وان با استفاده از خطوطى با درجه اول، وسایل نقلیه را جدا کرده و با تعریف روابط ریاضى ساده، محدوده هر وسیله را تعیین کرد، به عنوان مثال براى ناحیه 1 در شکل 10 این رابطه آورده شده است.

10 thumb كنترل و مدیریت ترافیك شهرى با استفاده از داده های سنجش از دور – بخش 2

شکل 10 – دسته بندى وسایل نقلیه

نویسنده: سید مجتبى شهابى، محمد طالعى (ماهنامه فضا، ویژه نامه هفته جهانى فضا / مهر 1387 شماره 33)

مطالب مرتبط

نظر بدهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *