Виявлення рухомих об’єктів у динамічному просторі інтелектуальних транспортних систем
DOI:
https://doi.org/10.18372/2306-1472.80.14268Ключові слова:
інтелектуальна транспортна система, ядерна оцінка щільності, рухомі об'єкти, фон, відео потікАнотація
У статті розглядаються аспекти виявлення рухомих об'єктів у динамічному просторі інтелектуальної транспортної системи на основі комп'ютерного зору і штучного інтелекту. Були розглянуті традиційні і нові моделі фонового моделювання. Непараметричний підхід для визначення фону, що базується на ядерному оцінюванні, був використаний як найбільш придатний для використання в динамічному середовищі. Значення оціночної функції щільності ядра для кожного пікселя вихідного зображення порівнювалося із граничним значенням, оціненим за методом Оцу. Запропонований метод побудови ядерної оцінки щільності був перевірений на відеопотоці, що містить рухомі об'єкти, і показав прийнятну ефективність для застосування в безпілотних літальних апаратах.
Посилання
Balaž, Zdenko, et al. "Intelligent Transport Systems (ITS) for sustainable mobility." (2014), UNECE, Geneva, 123 P.
Loce, R. P., Bala, R., Trivedi, M., & Wiley, J. (Eds.). (2017). Computer Vision and Imaging in Intelligent Transportation Systems. Wiley, 404 P. https://doi.org/10.1002/9781118971666
Sładkowski, Aleksander, and Wiesław Pamuła, eds. Intelligent transportation systems-problems and perspectives. Vol. 303. Springer International Publishing, 2016, 303 P. https://doi.org/10.1007/978-3-319-19150-8
Intelligent Transport Systems: when technology improves the quality of mobility. Available at: https://erticonetwork.com/intelligent-transport-systems-when-technology-improves-the-quality-of-mobility-2/.
V.P. Kharchenko, A.G. Kukush, N.S. Kuzmenko, and I.V. Ostroumov, "Probability density estimation for object recognition in Unmanned Aerial Vehicle application," in Actual problems of unmanned aerial vehicles development: APUAVD-2017 5th International Conference of IEEE, pp. 233-236, October 2017. https://doi.org/10.1109/APUAVD.2017.8308818
M. Piccardi.Background subtraction techniques: a review. IEEE International Conference on Systems, Man and Cybernetics. Vol4., 2004, pp. 3099-3104.
V. Kharchenko, A. Kukush, N. Kuzmenko, and I. Ostroumov, Probabilistic approach to object detection and recognition for videostream processing, Proceedings of the National Aviation University. Vol 71, No 2 (2017), NAU, 2017, p. 8-14. https://doi.org/10.18372/2306-1472.71.11741
T. Bouwmans. Traditional and recent approaches in background modeling for foreground detection: An overview.Computer Science Review 11, 2014, pp. 1-66. https://doi.org/10.1016/j.cosrev.2014.04.001
A. Elgammal, D. Harwood, and L. Davis. Non-parametric model for background subtraction. In European conference on computer vision, 2000, pp. 751-767 https://doi.org/10.1007/3-540-45053-X_48
A.Pérez, P.Larrañaga, and I. Inza. Bayesian classifiers based on kernel density estimation: Flexible classifiers. International Journal of Approximate Reasoning, 50(2), 2009, pp. 341-362. https://doi.org/10.1016/j.ijar.2008.08.008
M. Narayana, A. Hanson, and E. Learned-Miller. Background subtraction separating the modeling and the inference. Machine Vision and Applications, 2014, pp. 1163-1174. https://doi.org/10.1007/s00138-013-0569-y
A. Tavakkoli, M. Nicolescu, G. Bebis, and M. Nicolescu. Non-parametric statistical background modeling for efficient foreground region detection. Machine Vision and Applications, Vol. 20(6), 2009, pp. 395-409. https://doi.org/10.1007/s00138-008-0134-2
B. Zhong, S. Liu, and H. Yao. Local spatial co-occurrence for background subtraction via adaptive binned kernel estimation. Asian Conference on Computer Vision, ACCV 2009, 2009, pp.152-161. https://doi.org/10.1007/978-3-642-12297-2_15
Y. Chen. A tutorial on kernel density estimation and recent advances. Biostatistics & Epidemiology, 1(1), 2017, pp.161-187. https://doi.org/10.1080/24709360.2017.1396742
Khushbu and I. Vats, "Otsu Image Segmentation Algorithm: A Review," International Journal of Innovative Research in Computer and Communication Engineering, vol. 5(6), pp. 11945- 11948, June 2017.
N. Otsu, "A Threshold Selection Method from Gray-Level Histograms," IEEE transactions on systems, man, and cybernetics, vol. SMC-9, no. 1, pp. 62-66, January 1979. https://doi.org/10.1109/TSMC.1979.4310076
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з такими умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
