Video Based Vehicle Counting for Multilane Roads

• Autorzy: Zbigniew Czapla

Warianty tytułu

Zliczania pojazdów na drogach wielopasmowych na podstawie danych wideo

• Języki publikacji: EN

Abstrakty

EN

The paper presents method of vehicle counting for multilane roads uses conversion of a sequence of images into the two-level image model. The two-layer image model consists of the base pixel values layer and the difference values layer. Splitting into the layers applied predictive method with the use of a variant of delta encoding. Layout of base pixel values in the two-layer image model is in accordance with edges of objects comprised in an image. Vehicle counting is carried through the analysis of the state of detection fields in the time. The presented method is fast and computationally simple and can by applied to vehicle counting on multilane roads. (original abstract)

cowanie przedstawia metodę zliczania pojazdów na drogach wielopasmowych przy użyciu konwersji sekwencji obrazów do modelu dwuwarstwowego. Dwuwarstwowy model obrazu składa się z warstwy wartości bazowych pikseli oraz warstwy wartości różnicowych. Podział na warstwy przeprowadzany jest predykcyjnie, przy użyciu zmodyfikowanego kodowania delta. Rozkład pikseli bazowych w dwuwarstwowym modelu obrazu odpowiada krawędziom obiektów zawartych w obrazie. Zliczanie pojazdów jest przeprowadzane na podstawie analizy stanu pól detekcji w funkcji czasu. Przedstawiona metoda jest szybka oraz prosta obliczeniowo i może być stosowana do zliczania pojazdów na drogach wielopasmowych. (abstrakt oryginalny)

Słowa kluczowe

EN

Automobiles; Road traffic analysis; Road traffic

PL

Samochody; Analiza ruchu drogowego; Ruch drogowy

• Czasopismo: Logistyka
• Rocznik: 2014
• Numer: nr 4, CD 3
• Strony: 2709--2716

Twórcy

autor

Zbigniew Czapla

• Silesian University of Technology

Bibliografia

• [1] Czapla Z.: Wyznaczanie zajętości pola detekcji na podstawie dwuwarstwowego modelu obrazu. TTS technika transportu szynowego, 9/2012, p.2307-2315.
• [2] Czapla Z.: Zliczanie pojazdów przy użyciu sekwencji obrazów cyfrowych. Logistyka, 3/2014, p.1164- 1170.
• [3] Fernandez-Caballero A., Gomez F. J., Lopez-Lopez J.: Road traffic monitoring by knowledge-driven static and dynamic image analysis. Expert Systems with Applications, 35, 2008, p.701-719.
• [4] Hsieh J., Yu S. H., Chen Y. S., Hu W. F.: An Automatic Traffic Surveillance System for Vehicle Tracking and Classification. IEEE Transaction on Inelligent Transportation Systems, Vol. 7, No. 2, 2006, p.175- 187.
• [5] Huang D.-Y., Chen C.-H., Hu W.-C., Yi S.-C., Lin Y.-F.: Feature-Based Vehicle Flow Analysis and Measurement for Real Time Surveillance System. Journal of Information Hiding and Multimedia Signal Processing, Vol. 3, No. 3, 2012, p.282-296.
• [6] Kamijo S., Matsushita Y., Ikeuchi K., Sakauchi M.: Traffic Monitoring and Accident Detection at Intersections. IEEE Transactions on Intelligence Transportation Systems, Vol. 1, No. 2, 2000, p.108-118.
• [7] Kang C.-C., Wang W.-J.: A novel edge detection method based on the maximizing objective function. Pattern Recognition, 40, 2007, p.609-618.
• [8] Lien C. C., Tsai M. H.: Real-Time Flow Analysis without Background Modeling. Journal of Information Technology and Applications, Vol. 5, No. 1, 2011, p.1-14.
• [9] Qian, R.J., Huang, T.: Optimal Edge Detection in Two-Dimensional Images. IEEE Transactions on Image Processing, vol. 5, no. 7, 1996, p.1215-1220.
• [10] Rosin P. L.: A simple method for detecting salient regions. Pattern Recognition, 42, 2009, p. 2363- 2371.
• ---