دانلود مقاله ISI انگلیسی شماره 151174 + ترجمه فارسی
ترجمه فارسی عنوان مقاله

طبقه بندی خودکار وسیله ی نقلیه با پردازش تصویر و هوش محاسباتی

عنوان انگلیسی
Automated Vehicle Classification with Image Processing and Computational Intelligence
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی ترجمه فارسی
151174 2017 8 صفحه PDF 12 صفحه WORD
دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Computer Science, Volume 114, 2017, Pages 515-522

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1.مقدمه

2. طرح طبقه بندی خودکار وسیله ی نقلیه

شکل1.حالت های طبقه بندی وسایل نقلیه

2.1. جمع آوری داده ها

شکل 2. نمای کنار جاده

شکل3. (a) نمای جانبی بازسازی شده ی موتور سیکلت (b) نمای جانبی بازسازی شده ی  ماشین سدان

2.2. استخراج ویژگی

شکل 4. (a) ویژگی های استخراج شده از موتور سیکلت، (b) ویژگی های استخراج شده از ماشین سدان؛ خطوط سبز، اسکلت تصویر را نشان می دهد

شکل5. ویژگی های استخراج شده از یک انسان

2.3. آموزش

شکل .6 (a) نقشه حرارتی از مجموعه ی آموزش موتورسیکلت، (b) نقشه حرارتی از مجموعه ی آموزش یک ماشین سدان

شکل 7. (a) ویژگی های ترکیبی از مجموعه آموزش موتور سیکلت، (b) ویژگی های ترکیبی از مجموعه آموزش یک ماشین سدان

3. نتایج آزمایش

شکل8. نمرات شباهت مجموعه ی آموزش

شکل9. نمرات شباهت مجموعه ی تست

3.1. k نزدیک ترین همسایه (KNN)

شکل 10. طبقه بندی KNN

3.2. درخت تصمیم گیری (DT)

شکل11. درخت تصمیم گیری ساخته شده 

جدول1: مرز درخت تصمیم گیری

جدول2. ماتریس اغتشاش

4. نتیجه گیری و کارهای آینده
ترجمه کلمات کلیدی
طبقه بندی خودرو، هوش محاسباتی، پردازش تصویر، سیستم های حمل و نقل هوشمند
کلمات کلیدی انگلیسی
Vehicle Classification; Computational Intelligence; Image Processing; Intelligent Transportation Systems;
ترجمه چکیده
طبقه بندی وسایل نقلیه، بخش مهمی از سیستم حمل و نقل هوشمند است. در این مطالعه، از پردازش تصویر و تکنیک های یادگیری ماشین برای طبقه بندی وسایل نقلیه در مسیرهای اختصاصی استفاده می کنیم. تصاویری حاوی مشخصات نمای جانبی وسایل نقلیه با استفاده از یک پرده نوری تجاری ساخته می شوند. این قابلیت باعث قدرتمند شدن نتایج نسبت به تغییرات در شرایط عملیاتی و محیطی می شود. پرش زمانی برای جبران تغییرات سرعت در ترافیک اعمال می شود. ویژگی هایی مانند پنجره ها و نواحی توخالی استخراج می شوند تا موتورسیکلت ها را در برابر خودروها متمایز نماید. مقادیر دایره ای و پیچیدگی اسکلت به عنوان ویژگی های طبقه بندی کننده استفاده می شوند. K نزدیک ترین همسایه و درخت تصمیم گیری به عنوان مدل های طبقه بندی کننده انتخاب می شوند. روش پیشنهادی در یک بزرگراه عمومی ارزیابی شده و نتایج طبقه بندی امیدوارکننده ای به دست می آید. 2017 نویسندگان. منتشر شده توسط الزوییر B.V. بررسی همکاری تحت مسئولیت کمیته علمی کنفرانس سیستم های تطبیقی پیچیده با موضوع: مهندسی سیستم های فیزیکی سایبر.
ترجمه مقدمه
طبقه بندی خودکار وسایل نقلیه، مساله مهمی است که بسیاری از سیستم های حمل و نقل هوشمند (ITS) با آن مواجه هستند. طبقه بندی برای شناسایی وسایل نقلیه خاصی مانند موتور سیکلت، مورد نیاز است. بدون شک اگر وسایل نقلیه به طور دقیق در زمان واقعی طبقه بندی شوند، بازده کل سیستم را می توان به طور قابل-توجهی افزایش داد. برای طبقه بندی وسایل نقلیه، روش های سنتی مبتنی بر سخت افزار که از سنسورهای جاده استفاده می-کنند، به طور گسترده استفاده می شوند. آشکارسازهای محور و سنسورهای ارتفاع برای این هدف استفاده می-شوند. با این حال ممکن است این سنسورها نتایج دقیقی را در مورد مسیرهای متراکم ارائه ندهند. علاوه بر این، عملکرد این سنسورها در طول زمان تضعیف می شود. از سوی دیگر، طبقه بندی مبتنی بر نرم افزار، متکی بر تصویر و تکنیک های پردازش ویدئویی است و این روش ها از تکنیک های مبتنی بر سخت افزار قوی تر هستند. به دلیل سهولت نصب و نگهداری، طبقه بندی مبتنی بر نرم افزار برتری دارد. علی رغم مزایای آن، روش های مبتنی بر نرم افزار دارای معایبی نیز هستند. زمان پردازش، یک محدودیت اصلی برای پردازش ویدئو است. علاوه بر این، نورپردازی محیط بر عملکرد کلی تاثیر می گذارد. انسداد افزایشی یک مسئله مهم در مورد ازدحام است. شرایط آب و هوایی بد مانند باران، مه و برف نیز می تواند عملکرد تصویربرداری را به شدت کاهش دهد. در چند دهه ی گذشته، مطالعاتی برای یافتن یک راه حل در مسئله ی طبقه بندی خودکار وسایل نقلیه انجام شده است. رایان (2004) روش طبقه بندی مبتنی بر ویدئو را برای وسایل نقلیه ارائه داد که از اطلاعات طول استفاده می کند. ژانگ (2007) یک روش مشابه را در طبقه بندی مورد بررسی قرار داد. ویدئوها از دوربین-های نصب شده در بالای جاده گرفته شده اند. به منظور غلبه بر پردازش های آهسته در پردازش ویدئو، روش-های مبتنی بر تصویر توسعه یافتند. گویال (2007) شبکه عصبی را برای طبقه بندی وسایل نقلیه به کار برد. ویژگی ها از تصاویر وسیله نقلیه استخراج شده و برای آموزش استفاده می شوند. به طور خلاصه، پاسخ های بسیاری برای مسائل حل نشده در طبقه بندی خودکار وسایل نقلیه وجود دارد. در جریان ترافیک آزاد، تشخیص خودرو قبل از طبقه بندی انجام می شود؛ از سوی دیگر برای مسیرهای اختصاصی، تشخیص وسایل نقلیه آسان تر است. علاوه بر این، مسیرهای اختصاصی، سرعت حرکت کمتری نسبت به جریان آزاد دارند که عملکرد نمونه گیری را بهبود می بخشد. در این مقاله، یک روش جدید برای طبقه بندی خودکار وسایل نقلیه ارائه شده است. اطلاعات پرده ی نور برای تولید مشخصات نمای جانبی وسایل نقلیه ای که در حال حرکت در مسیرهای اختصاصی هستند، استفاده می شود. علاوه بر این، این مشخصات نمای جانبی برای بازسازی یک تصویر دودویی که نمایشگر وسیله نقلیه است، استفاده می شود. با ترکیب پردازش تصویر و تکنیک های یادگیری ماشین، موتور سیکلت از اتومبیل متمایز می شود. بقیه ی مقاله به شرح زیر است: بخش 2 روش طبقه بندی خودکار وسیله ی نقلیه را توصیف می کند. بخش 3 نتایج تجربی و بحث در مورد ویژگی های برجسته را ارائه می دهد. در نهایت، نتیجه گیری ها و کارهای آینده در بخش 4 ارائه می شود.
پیش نمایش مقاله
پیش نمایش مقاله طبقه بندی خودکار وسیله ی نقلیه با پردازش تصویر و هوش محاسباتی

چکیده انگلیسی

Classification of vehicles is an important part of an Intelligent Transportation System. In this study, image processing and machine learning techniques are used to classify vehicles in dedicated lanes. Images containing side view profile of vehicles are constructed using a commercially available light curtain. This capability makes the results robust to the variations in operational and environmental conditions. Time warping is applied to compensate for speed variations in traffic. Features such as windows and hollow areas are extracted to discriminate motorcycles against automobiles. The circularity and skeleton complexity values are used as features for the classifier. K-nearest neighbor and decision tree are chosen as the classifier models. The proposed method is evaluated on a public highway and promising classification results are achieved.

دانلود فوری مقاله + ترجمه آماده
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.