کاربرد دوربین های صنعتی CCD

انتخاب یک نقطه نمونه مانند ماتریس در یک بخش خاص از مسیر. هنگامی که یک وسیله نقلیه از آن عبور می کند، مقدار سطح خاکستری نقطه نمونه از سطح اصلی جاده متفاوت است.اگر ارزش آماری کسر بین این دو از یک آستانه خاص فراتر رود، نشان دهنده حضور خودرو است.

این روش این است که خطوط تشخیص مجازی متشکل از پیکسل ها را در جهت جریان ترافیک عمودی یا موازی قرار دهد، همانطور که در شکل 2 نشان داده شده است.آن را به طور کلی متشکل از نقاط روشن برای تسهیل جدا کردن عمق پیکسل از سطح جاده و خط تشخیصهنگامی که یک وسیله نقلیه از خط تشخیص عبور می کند، مقدار سطح خاکستری در خط از زمانی که هیچ وسیله نقلیه ای از جاده عبور نمی کند متفاوت است.اگر تفاوت در مقدار سطح خاکستری بیشتر از یک آستانه خاص باشداز آنجایی که روش تشخیص نقطه نمونه یا خط تشخیص تنها بخشی از داده های پیکسل را برای پردازش ضبط می کند،مقدار داده های پردازش شده به طور قابل توجهی کاهش می یابدبرای پاسخگویی به الزامات تشخیص در زمان واقعی، سیستم پردازش تصویر AUTOSCOPE، که در حال حاضر در تشخیص ترافیک استفاده می شود،از خطوط تشخیص برای پردازش استفاده می کند..

در قسمت های جاده ای که وسایل نقلیه به سادگی در حال حرکت هستند، نتایج خوبی را می توان با استفاده از نقاط نمونه یا خطوط تشخیصی به عنوان یک وسیله برای تشخیص وسایل نقلیه به دست آورد؛ با این حال، در تقاطعات پیچیده،چگونه نقاط نمونه گیری یا خطوط تشخیص را ترتیب دهیم اولین مشکل مواجه خواهد شد.، چرا که وسایل نقلیه در تقاطعات نه تنها مستقیم حرکت می کنند، بلکه رفتار چرخش دارند و وسایل نقلیه ممکن است در هر موقعیت ظاهر شوند.

روش تشخیص خودرو که از پردازش صفحه نمایش کامل استفاده می کند می تواند اطلاعات بیشتری را به دست آورد، اما مقدار داده ای که باید پردازش شود نیز به طور قابل توجهی افزایش می یابد.دو روش تشخیص وجود دارد که به این روش تعلق دارد: روش کسر پس زمینه و روش باینری: روش کسر پس زمینه یک تصویر بدون یک وسیله نقلیه را به عنوان پس زمینه می گیرد.هنگامی که تصویر حاوی وسیله نقلیه از تصویر پس زمینه نقطه به نقطه حذف می شود، بخشی از وسیله نقلیه کسر می شود، مانند سیستم TRIP. روش باینری سازی تصویر را در یک آستانه خاص برش می دهد. عمق پیکسل بالاتر از این مقدار 255 (سفید) می شود ،و عمق پیکسل کمتر از این مقدار به 0 تبدیل می شود (سیاه). این می تواند جسم را از پس زمینه جدا کند.

هر دو روش کسری پس زمینه و روش باینری سازی دارای نقص های زیادی هستند. روش اول نیاز به به روزرسانی مکرر پس زمینه دارد، در حالی که روش دوم دارای یک فرآیند پیچیده است.معایب مشترک هر دو این است که زمانی که رنگ شی مشابه با پس زمینه استعلاوه بر این، تعیین مقدار آستانه دشوار است، بنابراین روش برش چند ارزشی پیشنهاد می شود.اما روند به طور فزاینده ای پیچیده می شود.

ر. تاکتاک، ریتا کوکیارا، کوکیارا و دیگران معتقدند که از آنجا که اطلاعات موجود در تصاویر شبانه کاملا متفاوت از تصاویر روز است،استفاده از الگوریتم ها و جریان های تشخیص کاملا متفاوت خواهد بودبه طور کلی، در شب و در شرایط کم نور، تنها ویژگی های چشم گیر چشمگیر چراغ های جلو خودرو و پرتو های آنها، چراغ های خیابانی،و الگوهای نور بسیار بازتاب دهنده (مانند عبور زبرا)آنها معتقدند که تصاویر شبانه برای الگوریتم های تشخیص حرکت مناسب نیستند.

به دلیل تفاوت در ترکیب ترافیک بین کشورهای داخلی و خارجی، مطالعات خارجی فقط وسایل نقلیه بزرگ و وسایل نقلیه کوچک را شناسایی می کنند، در حالی که مطالعات داخلی پیچیده تر هستند.با این حال، تحقیقات عمومی انواع وسایل نقلیه را به وسایل نقلیه بزرگ، وسایل نقلیه کوچک و لوکوموتیو ساده می کند و از این سه دسته برای شناسایی استفاده می کند.

هنگامی که از خطوط تشخیص یا نقاط نمونه گیری به عنوان راهی برای شناسایی انواع وسایل نقلیه استفاده می شود، از آنجا که مقدار داده های جمع آوری شده کوچک است، برای شناسایی نوع وسایل نقلیه مفید نیست.بنابراین تعداد افراد کمتری از این روش استفاده می کنندبرای تشخیص خودرو در تصاویر در روز، ویژگی های خودرو مانند ظاهر و اندازه معمولا به عنوان معیارهای طبقه بندی استفاده می شود. ادبیات مربوط به آن به شرح زیر سازماندهی شده است.

"شبکه عصبی" که در سال های اخیر به سرعت توسعه یافته و در بسیاری از زمینه ها مورد استفاده قرار گرفته است، همچنین برای شناسایی انواع وسایل نقلیه استفاده شده است.همچنین می توان از صفحه شماره خودرو برای دوگانه کردن تصویر شماره استفاده کرد.، و شناسایی و ثبت شماره پلاک از طریق ویژگی مطابقت. از طریق مقایسه پایگاه داده، هر شماره می تواند مربوط به یک نوع خاص از خودرو،که ميتونه براي گرفتن ماشين هاي غيرقانوني استفاده بشه، شمارش وسایل نقلیه، شناسایی نوع وسیله نقلیه، تحقیق در مورد نقطه منشاء و مقصد، تجزیه و تحلیل زمان سفر و غیره.

تکنولوژی تشخیص پلاک خودرو در سال های اخیر در کشور به طور فزاینده ای بالغ شده است. برخی از محققان معتقدند که تشخیص پلاک خودرو را می توان به سه مرحله تقسیم کرد:پیش پردازش، که تصویر را دوگانه می کند و صدا را از بین می برد. سپس، برای موقعیت پلاک شماره، روش برچسب گذاری قطعات متصل برای یافتن قطعات متصل در تصویر برای تجزیه و تحلیل استفاده می شود،و بعدش موقعیت پلاک رو مشخص کنبرای تشخیص کاراکتر، پس از بخش بندی کاراکتر، اندازه اجزای ساختاری با توجه به اندازه متن تنظیم می شود،و در نهایت روش تایپولوژیکی برای پیدا کردن ویژگی های متنی برای مقایسه استفاده می شودبرخی از محققان از روش های دیگر استفاده می کنند، مانند جستجوی صفحه ثبت و سپس استفاده از بخش بندی پیکسل برای برش شخصیت ها و سپس استفاده از شبکه های عصبی برای شناسایی شخصیت ها؛یا برای پیدا کردن موقعیت های احتمالی پلاک خودرو از محاسبه اعداد تبدیل به رنگ خاکستری استفاده کنید.، سپس حروف را تقسیم کنید، و سپس از تجزیه و تحلیل ضربه استفاده کنید تا حروف را شناسایی کنید؛ یا از ویژگی های تغییر یافته از مقادیر خاکستری در تصویر برای پیدا کردن محل پلاک شماره استفاده کنید،استفاده از هیستگرامهای پروژکتور عمودی برای بخش کردن کاراکترها، و برای تشخیص از همبستگی ارزش مقیاس خاکستری استفاده کنید.