System oceny natężenia ruchu ulicznego
- opis algorytmu, spostrzeżenia i wnioski

Algorytm

• dane wejściowe - zbiór obrazów przedstawiających sytuację na drodze obserwowana z jednej kamery w kolejnych chwilach.
• dane wyjściowe - stopień natężenia ruchu ulicznego („zasamochodowienia”) oraz określający jego wiarygodność współczynnik korelacji.
• etapy:
  1. wyznaczenie „obszaru zainteresowań” - fragmentów obrazów, na których badany jest stopień natężenia ruchu.
     • „Obszar zainteresowań” wyznacza odpowiednio sprogowany obraz wariancyjny. Obraz wariancyjny to obraz, w którym wartość poszczególnych składowych punktu jest proporcjonalna do wariancji (odchylenia od średniej) jasności składowych punktów o tych samych współrzędnych w analizowanej grupie obrazów.
     • Obraz wariancyjny poddawany jest operacji otwarcia (wykonywane jest to w celu usunięcia szumów z obrazu).
     • Progi wartości składowych, powyżej których punkt jest zaliczany do obszaru zainteresowań, są proporcjonalne do wartości średniej składowej w obrazie wariancyjnym. Jeżeli wartość którejkolwiek składowej przekracza próg – cały punkt jest zaliczany do obszaru zainteresowań.
  2. wyznaczenie obrazu historii, na podstawie którego możliwe jest wyznaczenie drogi (tła) po której poruszają się samochody. Składowa każdego punkt obrazu jest obliczana jako mediana odpowiadających składowych w grupie obrazów.
  3. wyznaczenie obrazu z pojazdami – odbywa się poprzez odjęcie od analizowanego (ostatniego znanego) obrazu, obrazu historii. Otrzymany tak obraz jest poddany operacji otwaria (w celu eliminacji szumów), a następnie progowany. Wartość progu na każdej ze składowych zależna jest od wartości średniej w obszarze zainteresowań.
  4. współczynnik natężenia ruchu ulicznego („zasamochodowienia”) – liczony jest jako stosunek liczby punktów w obrazie będącym przecięciem obszaru zainteresowań i obrazu z pojazdami do liczby punktów w obszarze zainteresowań.
  5. wyznaczanie stopnia korelacji obrazu historii z obrazem analizowanym (ostatnim znanym). Jest to miara aktualności (przydatności) wyliczonego obrazu historii. Liczona jest osobno dla każdej ze składowych. Obliczenia przeprowadzane są jedynie dla części obrazów nie należących do obszaru zainteresowań (aby nie uwzględniać zmian w ruchu a jedynie zmiany w oświetleniu, lub ruch kamery).

Wnioski i spostrzeżenia

• miara natężenia ruchu („zasamochodowienia”) – przyjmuje wartości z przedziału 0%-100%. Jednakże obszar zainteresowań na ogół obejmuje również część zmiennych elementów poza jezdnią. Ponadto nawet przy największym natężeniu ruchu samochody nie zajmują całego obszaru jezdni. Zatem wartość współczynnika na ogół nie przekracza 50%. Na podstawie analizy danych historycznych należałby dokonać kalibracji współczynnika tak, aby użytkownik otrzymywał łatwo interpretowalną miarę.
• obszar zainteresowań powinien być wyznaczany dość rzadko (w zasadzie jedynie w przypadku poruszenia kamery lub reorganizacji ruchu). Obraz historii natomiast ze względu na częste zmiany pogody, oświetlenia i podobne czynniki – powinien być wyznaczany znacznie częściej. Na podstawie przeprowadzonych testów, zaleca się wyznaczanie obszaru zainteresowań jednokrotnie na podstawie około 20 obrazów a obrazu historii - na podstawie około 7 obrazów (przy niskiej wartości współczynnika korelacji).
• wyznaczany stopień korelacji przyjmuje zwykle (dla każdej ze składowych) dość wysokie wartości - powyżej 0,8. Testy wykazały, że należy podejmować działania korygujące pracę systemu w przypadku spadku stopnia korelacji poniżej 0,95.
• miara natężenia ruchu nie uwzględnia perspektywy w analizowanych obrazach. Rozpoznane obiekty znajdujące się dalej powinny być liczone z większą wagą w stosunku do rozpoznanych obiektów, które są bliżej. Na ogół obiekty znajdujące się bliżej są w dolnej części obrazów, obiekty znajdujące się dalej w środkowej części, a niebo zajmuje górną część obrazu. Ulepszona miara mogłaby uwzględniać opisane wartość (musiałaby jednak również wykrywać sytuacje, w których droga obserwowana jest „z lotu ptaka”).
• w przeprowadzonych badaniach, w przypadku zapisywania obrazów przedstawiających obszar zainteresowań i obraz historię, nie sprawdził się format JPEG. Przeprowadzana podczas zapisu w tym formacie stratna kompresja wprowadza dodatkowe szumy, które wpływają na obniżenie skuteczności całego systemu.
• z uwagi na wyznaczanie progu na podstawie wartości średniej składowych w obszarze zainteresowań liczba punktów pojazdu w obszarze zainteresowań uznanych za należące do tego pojazdów zależy od wielkości obszaru zainteresowań.

Propozycje

• niestety zastosowanie modelu HSI w trakcie obliczeń nie przyniosło oczekiwanych rezultatów. Najprawdopodobniej ma to związek z faktem, że zmiana oświetlenia nie wpływa wyłącznie na zmianę składowej intensivity (co stanowiło podstawowy powód zastosowania tego modelu).
• optymalizację wyników można uzyskać poprzez zastosowanie innych złożeń operacji morfologicznych (poza otwarciem) oraz poprzez dobór optymalnych masek dla tych operacji.
• naturalnym wydaje się założenie, że obszar zainteresowania powinien być spójny (wyniki danych testowanych prezentowanym algorytmem rzadko takie obszary znajdowały). Dlatego proponujemy zastosowanie algorytmu wypełniającego puste obszary w obiektach i wygładzającego ich krawędzie (należy przeprowadzić testy dla różnych sąsiedztw).
• ponieważ wyżej definiowany współczynnik korelacji bada związek regionów obrazów leżących poza obszarem zainteresowań (a to nie zawsze ma bezpośredni związek z aktualnym poziomem oświetlenia obszaru zainteresowań) proponujemy wprowadzić inną jego wersję. Taki współczynnik korelacji badałby związek pomiędzy tymi fragmentami obszaru zainteresowań analizowanego obrazu, na których nie znajdują się pojazdy a odpowiadającymi im fragmentami obrazu historii.

Wybrane wyniki działania zaimplementowanego oprogramowania

Przykładowy analizowany obraz:

Przykładowy obraz medianowy:

Obszar zainteresowania zdefiniowany "ręcznie"

Detekcja pojazdów w obszarze zainteresowania

Podziękowania