مهندسی ترافیک

مهندسی ترافیک

تشخیص ناهنجاری مسیر خودروها در دنباله ویدیویی دوربین‌های کنترل حمل و نقل و ترافیک با استفاده از طبقه‌بندی فازی عصبی

نوع مقاله : مقاله پژوهشی

نویسندگان
1 دانشجوی کارشناسی ارشد مهندسی برق – مخابرات دانشگاه فردوسی مشهد، مشهد، ایران
2 عضو هیات علمی گروه مهندسی برق دانشگاه فردوسی مشهد، مشهد، ایران
چکیده
در سال ­های اخیر با گسترش مشکلات ترافیکی و افزایش تقاضا برای مدیریت آن، استفاده از سیستم ­های هوشمند نظارت ویدیویی با رشد چشم­گیری مواجه شده است. چالش اصلی در این حوزه، ارائه روشی برای تشخیص با سرعت بالا و هزینه کم­­تر است تا کنترل ترافیک، خدمات عمومی و اجرای قانون به بهترین نحو انجام شود. هدف از این پژوهش، ارائه روشی نوین برای تشخیص ناهنجاری در مسیر خودروها با دقتی بالا و حداقل خطا است. شیوه پیشنهادی بر پایه استخراج ویژگی­ های زمانی-مکانی حاصل از دنباله ­های ویدیویی و استفاده از طبقه‌بندی فازی عصبی­ای که با کمک لغت­نامه ایجادشده شکل ­گرفته است، استوار است. در این پژوهش طبقه‌بندی طراحی‌شده بر روی تک­ تک داده ­های آزمایشی اعمال می­ گردد و حاصل آن انتخاب برچسب هنجار و ناهنجار برای هرکدام از ورودی­ های جدید خواهد بود. برای ارزیابی بیشتر روش پیشنهادی، نتایج به ­دست­ آمده با سایر پژوهش­ های شناخته­ شده در این حوزه مقایسه می­ گردد.
کلیدواژه‌ها

- تقی زاده خانکوک، ر، خادمی درح، م و ابراهیمی مقدم، ع. "تشخیص ناهنجاری در مسیر خودرو با استفاده از بازسازی تنک." 2019، یزد، ایران، کنفرانس مهندسی برق ایران.
 
- Kumar, P.A. and Vaidehi, V., 2017. A transfer learning framework for traffic video using neuro-fuzzy approach. Sādhanā, 42(9), pp.1431-1442.
- Li, Y., Guo, T., Xia, R. and Xie, W., 2018. Road traffic anomaly detection based on fuzzy theory. IEEE Access, 6, pp.40281-40288.
- Fu, Z., Hu, W. and Tan, T., 2005, September. Similarity based vehicle trajectory clustering and anomaly detection. In IEEE International Conference on Image Processing 2005 (Vol. 2, pp. II-602). IEEE.
- Chen, Zhi-Jun, et al. "Vehicle Behavior Learning via Sparse Reconstruction with l2 – lp Minimization and Trajectory Similarity." IEEE Transactions on Intelligent Transportation Systems 18.2 (2017): 236-247.
- Shifu Zhou, Wei Shen, Dan Zeng, Mei Fang, Yuanwang Wei and Zhijiang Zhang, Spatial-temporal Convolutional Neural Networks for Anomaly Detection and Localization in Crowded Scenes, Signal Processing: Image Communication.
- Yu, Bosi, Yazhou Liu, and Quansen Sun. "Low-rank approximation based abnormal detection in the video sequence." Digital Signal Processing (DSP), 2016 IEEE International Conference on. IEEE, 2016.
- Afshar, Abbas, O. Bozorg Haddad, Miguel A. Mariño, and Barry J. Adams. "Honey-bee mating optimization (HBMO) algorithm for optimal reservoir operation." Journal of the Franklin Institute vol. 344.5, pp. 452-462, 2007.
- Cong, Yang, Junsong Yuan, and Ji Liu. "Sparse reconstruction cost for abnormal event detection." Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on. IEEE, 2011.
- Lu, Cewu, Jianping Shi, and Jiaya Jia. "Abnormal event detection at 150 fps in matlab." Proceedings of the IEEE International Conference on Computer Vision. 2013.
- Chen, Zhi-Jun, et al. "Vehicle Behavior Learning via Sparse Reconstruction with l2 – lp Minimization and Trajectory Similarity." IEEE Transactions on Intelligent Transportation Systems 18.2 (2017): 236-247.
- Auslander, Bryan, Kalyan Moy Gupta, and David W. Aha. "A comparative evaluation of anomaly detection algorithms for maritime video surveillance." In Sensors, and Command, Control, Communications, and Intelligence (C3I) Technologies for Homeland Security and Homeland Defense X, vol. 8019, p. 801907. International Society for Optics and Photonics, 2011.