차량 추적 시스템(vehicle tracking system)은 교통 흐름 파악, 차량 감시, 사고 감지 등을 통하여 교통 정체에 따른 차량의 이동 경로를 유도할 수 있고, 교통사고를 사전에 방지할 수 있게 하는 시스템이다. 효과적인 차량 추적을 위해서는 먼저 연속된 영상 내의 각 객체의 특징 값을 추출하여 영상 내에 존재하는 차량 객체를 인지할 수 있어야 한다. 다음으로, 검출된 다중 객체에 대하여 영상 간 객체 매칭을 통해 연속된 프레임에 걸쳐 출현하는 동일한 차량을 인식함으로써 각 차량의 움직임을 추적할 수 있다. 본 논문에서는 차 영상의 이진화 및 레이블링(labeling)을 통하여 객체를 검출하고, 검출한 객체의 최소 외접 직사각형(minimum bounding rectangle: MBR)의 중심 좌표와 이 MBR의 가로, 세로 방향에 대한 라인(line)별 1D FFT(fast Fourier transform) 변환 결과의 평균 계수 값을 계산하여 객체의 특징 값을 구한다. 다음으로, 연속된 프레임에 걸쳐 출현하는 객체들 중 유사도가 가장 높은 객체 쌍을 동일한 객체로 인식하여 객체를 추적하는 방법을 제안한다. 실험 결과, 제안한 방법은 객체의 기하학적 특성에 기초한 기존 방법들에 비하여 정확한 추적이 가능함을 보여주었다.
차량 추적 시스템(vehicle tracking system)은 교통 흐름 파악, 차량 감시, 사고 감지 등을 통하여 교통 정체에 따른 차량의 이동 경로를 유도할 수 있고, 교통사고를 사전에 방지할 수 있게 하는 시스템이다. 효과적인 차량 추적을 위해서는 먼저 연속된 영상 내의 각 객체의 특징 값을 추출하여 영상 내에 존재하는 차량 객체를 인지할 수 있어야 한다. 다음으로, 검출된 다중 객체에 대하여 영상 간 객체 매칭을 통해 연속된 프레임에 걸쳐 출현하는 동일한 차량을 인식함으로써 각 차량의 움직임을 추적할 수 있다. 본 논문에서는 차 영상의 이진화 및 레이블링(labeling)을 통하여 객체를 검출하고, 검출한 객체의 최소 외접 직사각형(minimum bounding rectangle: MBR)의 중심 좌표와 이 MBR의 가로, 세로 방향에 대한 라인(line)별 1D FFT(fast Fourier transform) 변환 결과의 평균 계수 값을 계산하여 객체의 특징 값을 구한다. 다음으로, 연속된 프레임에 걸쳐 출현하는 객체들 중 유사도가 가장 높은 객체 쌍을 동일한 객체로 인식하여 객체를 추적하는 방법을 제안한다. 실험 결과, 제안한 방법은 객체의 기하학적 특성에 기초한 기존 방법들에 비하여 정확한 추적이 가능함을 보여주었다.
A vehicle tracking system makes it possible to induce the vehicle movement path for avoiding traffic congestion and to prevent traffic accidents in advance by recognizing traffic flow, monitoring vehicles, and detecting road accidents. To track the vehicles effectively, those which appear in a seque...
A vehicle tracking system makes it possible to induce the vehicle movement path for avoiding traffic congestion and to prevent traffic accidents in advance by recognizing traffic flow, monitoring vehicles, and detecting road accidents. To track the vehicles effectively, those which appear in a sequence of video frames need to identified by extracting the features of each object in the frames. Next, the identical vehicles over the continuous frames need to be recognized through the matching among the objects' feature values. In this paper, we identify objects by binarizing the difference image between a target and a referential image, and the labelling technique. As feature values, we use the center coordinate of the minimum bounding rectangle(MBR) of the identified object and the averages of 1D FFT(fast Fourier transform) coefficients with respect to the horizontal and vertical direction of the MBR. A vehicle is tracked in such a way that the pair of objects that have the highest similarity among objects in two continuous images are regarded as an identical object. The experimental result shows that the proposed method outperforms the existing methods that use geometrical features in tracking accuracy.
A vehicle tracking system makes it possible to induce the vehicle movement path for avoiding traffic congestion and to prevent traffic accidents in advance by recognizing traffic flow, monitoring vehicles, and detecting road accidents. To track the vehicles effectively, those which appear in a sequence of video frames need to identified by extracting the features of each object in the frames. Next, the identical vehicles over the continuous frames need to be recognized through the matching among the objects' feature values. In this paper, we identify objects by binarizing the difference image between a target and a referential image, and the labelling technique. As feature values, we use the center coordinate of the minimum bounding rectangle(MBR) of the identified object and the averages of 1D FFT(fast Fourier transform) coefficients with respect to the horizontal and vertical direction of the MBR. A vehicle is tracked in such a way that the pair of objects that have the highest similarity among objects in two continuous images are regarded as an identical object. The experimental result shows that the proposed method outperforms the existing methods that use geometrical features in tracking accuracy.
A. David and P. Jean, "Computer vision: A modern approach," Prentice-Hall, USA, Vol.16, No.11, 2011.
J.Y. Choi, K.S. Sung and Y.K. Yang, "Multiple Vehicles Detection and Tracking based on Scale-Invariant Feature Transform," Intelligent Transportation Systems Conference, pp.528-533, 2007.
Koller Dieter, Joseph Weber, and Jitendra Malik. "Robust multiple car tracking with occlusion reasoning." Proceedings of the third European conference on Computer vision, Springer-Verlag New York, Inc., Vol.1, pp.189-196, 1994.
L. Vasu and D.M. Chandler, "Vehicle tracking using a human-vision-based model of visual similarity," Image Analysis & Interpretation (SSIAI), 2010 IEEE Southwest Symposium on. IEEE, pp.37-40, 2010.
S.L Lee and D.H. Cho, "Efficient data association for multiple vehicles tracking," Applied Mechanics and Materials, Vol.263, pp.2426-2431, 2013.
D. Comaniciu and P. Meer, "Mean shift: a robust approach toward feature space analysis," Pattern Analysis and Machine Intelligence, IEEE Transactions on, Vol.24, No.5, pp.603-619, 2002.
H. Samet and M. Tamminen, "Efficient Component Labeling of Images of Arbitrary Dimension Represented by Linear Bintrees," IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE Trans. Pattern Anal. Mach. Intell.), Vol.10, No.4, pp.579-586, 1988.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.