2026-08-18
CCD産業用カメラの画像処理技術の初期の応用範囲は、画像処理装置の高価さと処理速度の遅さの影響を受け、特定の分野に限定されていました。 1970年代以降、理論の発達と集積回路革命によるコンピュータ技術の進歩により、画像処理の適用範囲は徐々に拡大してきました。 CCD産業用カメラの輸送分野への最初の応用。
1978 年、米国連邦道路管理局は、EE ヒルバート、C. カール、W. グロス、GR ハンソン、MJ オラサビー、AR ジョンソンに広域検知システムの開発を依頼しました。日本、フランス、イギリス、スウェーデンなどの国も、相次いで多大な研究に投資し、良好な成果を上げています。近年、国内の交通分野における画像処理技術の開発は諸外国に比べて著しく進んでいます。たとえば、ナンバープレート認識は現在中国で非常に普及しており、多くのメーカーが対応製品を発売しています。以下では、交通機関における画像処理技術の応用について、車両検出、車種識別、車両追跡の 3 つの部分に分けて簡単に紹介します。
車両の検出方法は、サンプル点検出、検出ライン検出、全画面検出に大別されます。また、夜間の車両検知については次のように説明されています。
レーンの特定の部分でマトリックス状のサンプル ポイントを選択します。車両が通過すると、サンプル点の階調値は元の路面の階調値と異なります。両者を差し引いた統計値が一定の閾値を超えた場合、車両の存在を示します。
この手法は、図2に示すように、垂直または平行な交通流の方向にピクセルで構成された仮想の検出ラインを配置するものです。路面のピクセル深度と検出ラインの分離を容易にするために、通常は輝点で構成されます。車両が検出ラインを通過する場合、ライン上のグレー レベル値は車両が道路を通過しない場合とは異なります。グレーレベル値の差が特定のしきい値より大きい場合、車両が通過したことを意味します。サンプル点または検出ラインの検出方法では、ピクセル データの一部のみを取得して処理するため、処理されるデータ量が大幅に削減され、計算時間が大幅に短縮されます。現在、交通検知に使用されている画像処理システム「AUTOSCOPE」は、リアルタイム検知の要件を満たすため、検知ラインを使用して処理を行っています。
単純に車両が走行する道路区間では、車両検出手段としてサンプル点や検出ラインを使用すると良好な結果が得られます。しかし、複雑な交差点では、交差点内の車両は直進するだけでなく旋回動作もあり、どの位置に車両が出現する可能性があるため、サンプル点や検出ラインをどのように配置するかが最初の課題となります。
全画面処理による車両検知方式はより多くの情報を取得できますが、処理するデータ量も大幅に増加します。この方式には、背景減算方式と二値化方式の2つの検出方式があり、背景減算方式では車両のない画像を背景として取得します。車両を含む画像を背景画像から 1 点ずつ減算すると、TRIP システムなどの車両の部分が減算されます。二値化法は、ある閾値で画像を切り出す方法です。この値より大きいピクセル深度は 255 (白)、この値より小さいピクセル深度は 0 (黒) になります。これにより、オブジェクトを背景から分離できます。
バックグラウンド減算法と二値化法には両方とも多くの欠点があります。前者は背景を頻繁に更新する必要があり、後者は処理が複雑です。両方に共通する欠点は、オブジェクトの色が背景と似ている場合、切断に失敗するという運命に直面することです。また、閾値の設定が難しいため、多値カット法が提案されているが、処理はますます複雑になる。
海外の R. Taktak 氏、Rita Cucchiara 氏、Cucchiara 氏らは、夜間の画像に含まれる情報は昼間の画像とはかなり異なるため、アルゴリズムや検出ストリームの使用もまったく異なるものになると考えています。一般的に、夜間や照明が暗い状況では、目を引く視覚的特徴は、車のヘッドライトとそのビーム、街路灯、反射率の高い光のパターン (横断歩道など) だけです。彼らは、夜間の画像は動き検出アルゴリズムには適していないと考えています。
国内と海外では交通構成が異なるため、海外の研究では大型車両と小型車両のみが特定されているのに対し、国内の研究はより複雑です。ただし、一般的な研究では、車両の種類を大型車両、小型車両、機関車に単純化し、これら 3 つのカテゴリを識別に使用します。
車種判別方法として検出ラインやサンプル点を使用する場合、収集できるデータ量が少ないため車種判別に役立たないため、採用する人は少なくなっています。昼間の画像における車両認識では、通常、外観やサイズなどの車両の特徴が分類基準として使用されます。関連文献を以下に整理します。
近年急速に発展し、さまざまな分野に応用されている「ニューラルネットワーク」は、車種識別にも応用されています。また、車両のナンバープレートを利用してナンバー画像を二値化し、特徴照合によりナンバープレート番号を識別・記録することも可能です。データベースの比較により、各番号は特定の車両タイプに対応し、違法車両の捕捉、車両数のカウント、車両タイプの識別、出発地と目的地の調査、旅行時間の分析などに使用できます。
近年、この国ではナンバープレート認識技術がますます成熟してきています。一部の学者は、ナンバー プレートの認識は 3 つの段階に分けられると考えています。1 つは画像を 2 値化し、ノイズを除去する前処理です。次に、ナンバー プレートの位置を特定するために、接続コンポーネントのラベリング手法を使用して画像内の接続コンポーネントを見つけて分析し、ナンバー プレートの位置を決定します。文字認識では、文字を分割した後、テキストのサイズに応じて構造コンポーネントのサイズが設定され、最後に類型学的手法を使用してテキストの特徴を見つけて比較します。学者の中には、ナンバー プレートを検索し、ピクセル セグメンテーションを使用して文字を切り出し、ニューラル ネットワークを使用して文字を識別するなど、他の方法を使用する人もいます。または、グレースケール変換数値の計算を使用して、可能なナンバー プレートの位置を見つけ、文字をセグメント化し、ストローク分析を使用して文字を識別します。または、画像内のグレースケール値の変化特性を使用してナンバー プレートの位置を見つけ、垂直投影ヒストグラムを使用して文字をセグメント化し、グレースケール値の相関を使用して認識します。
車両の軌跡を連続画像に記録することを追跡といいます。 Anthony P. Ciervo は、車両を検出し、車両の位置を予測して車両の軌道を継続的に追跡する方法を最初に提案しました。その中で、サンプル点や検出ラインを追跡に使用するものは、選択されるピクセルが一定の範囲に限定されているため、受動的な状態にあり、追跡には役立ちません。 N.Hoose 氏は、隣接する方向に 2 車線の T 字交差点を例に挙げています。交差点進入前と交差点離脱後の車線上に横検知線シールドを設置し、出入りする車両の隣接方向番号を記録します。同時に、画像上の車両の形状、大きさ、位置を記録し、車両を追跡しますが、誤差はかなり大きくなります。要約すると、パターンベースの追跡、エリアベースの追跡、輪郭ベースの追跡の 4 つの車両追跡方法があります。外国の研究文献では、各車線の 1 台の車両のみが追跡されます。交差点内での車両運行の仕組みを理解するには、交差点内の全方向の車両を同時に追跡する必要があります。そうしないと、不完全な情報しか得られず、全体にとって役立つ情報が限られてしまいます。
