SVEUČILIŠTE U ZAGREBU

FAKULTET PROMETNIH ZNANOSTI

 MOGUĆNOST PRIMJENE VIDEO KAMERA ZA MJERENJE PROMETNIH

PARAMETARA

 SEMINARSKI RAD

Predmet: Automatsko upravljanje u prometu i transportu

Predmetni nastavnik: doc. dr. sc. Edouard Ivanjko

Student: Luka Dedić JMBAG: 0135227335

Zagreb, veljača 2015.

SadržajUVOD.........................................................................................................................................................1

1. OSNOVNI PROMETNI PARAMETRI.................................................................................................2

1.1.PROMETNI PROTOK....................................................................................................................2

1.2. PROMETNO OPTEREĆENJE.......................................................................................................3

1.3. BRZINA PROMETNOG TOKA....................................................................................................3

1.4. GUSTOĆA PROMETNOG TOKA................................................................................................4

1.5. VRIJEME SLIJEDA I VREMENSKA PRAZNINA......................................................................4

1.6. UDALJENOST I RAZMAK...........................................................................................................5

2. OPTIMIRANJE I UPRAVLJANJE RASKRIŽJA I ZATVORENE CESTOVNE PROMETNE

MREŽE...................................................................................................................................................6

2.1. ISHODIŠNO-ODREDIŠNA MATRICA.......................................................................................6

2.2. JEDNOZNAČNO PRAĆENJE VOZILA PREPOZNAVANJEM REGISTARSKE OZNAKE.. .7

2.2.1. OTKRIVANJE I IZDVAJANJE VOZILA U DINAMIČKIM SCENAMA..........................8

2.2.2. PREDOBRADA SLIKE..........................................................................................................9

2.2.3. ODREÐIVANJE POZICIJE REGISTARSKE PLOČICE....................................................10

2.2.4. IZDVAJANJE KARAKTERA S REGISTARSKE PLOČICE............................................13

2.2.5. RASPOZNAVANJE SVAKOG POJEDINOG KARAKTERA...........................................14

2.3. UPRAVLJANJE RASKRIŽJEM..................................................................................................15

3. OPTIMIRANJE I UPRAVLJANJE PROMETOM NA AUTOCESTAMA.........................................16

3.1. MJERENJE DULJINE I BRZINE VOZILA................................................................................16

3.2. STVARANJE DATOTEKA DETEKTORA................................................................................17

3.3.MJERENJE PROMETNIH PARAMETARA...............................................................................17

3.4. UPRAVLJANJE PROMETOM U TUNELIMA..........................................................................18

4. ZAKLJUČAK.......................................................................................................................................20

LITERATURA.........................................................................................................................................21

POPIS SLIKA...........................................................................................................................................22

UVOD

Zbog općeg trenda rasta prometa na gradskim prometnicama, zagušenja u prometu

postaju značajan problem koji negativno utječe na sva vozila. Ti negativni utjecaji često

dovode do povećanja vremena putovanja, slabe pouzdanosti, nepredvidivog vremena dolaska

na cilj, većih zakašnjenja i dugih prometnih kolona, uglavnom zbog nedostatka moderne

infrastrukture i nepovezanosti semaforiziranih raskrižja. Da bi se prevladali ovi nedostaci,

treba primijeniti prometno ovisan sustav upravljanja prometom koji omogućuje definiranje

duljine ciklusa na bazi prometnog opterećenja u realnom vremenu uz primjenu sustava za

kontinuiranu detekciju vozila. Prometno ovisno upravljanje prometom mijenja standardni

način signalizacije sa svrhom bolje prilagodbe prometnom opterećenju, čime se poboljšava

vrijeme prolaska, upravljanje vozilima i kapacitet cestovne prometnice. Jasno je da već u

svom osnovnom obliku ovakav način upravljanja predstavlja sofisticiran pristup koji se može

primijeniti na gradskoj mreži prometnica jer se na odgovarajući način prilagođuje vozilima,

uzimajući pritom u obzir zahtijevanu razinu usluge. Pouzdanost provedbe takvog sustava na

nekom cestovnom koridoru ovisi o karakteristikama prometnog toka, geometriji, prometnom

opterećenju na poprečnim prometnicama te načinu rada signalnih uređaja. Kada se dobro

analizira i provede, takav način upravljanja prometom dugoročno je rješenje utemeljeno na

optimizaciji signalnih uređaja kroz automatsko podešavanje duljine ciklusa i pojedinih faza u

skladu s promjenama u prometnom toku. Postavljanje video kamera poslužilo bi za

određivanje prometnih parametara kao što su vrijeme dolaska, vrijeme odlaska vozila, te bi

se analizom slika iz tih zapisa moglo doći do odgovarajućeg vremenskog ciklusa i zelenog

trajanja faze. Ako u obzir uzmemo kvalitetu usluge te povezanost između raskrižja

postavljamo pitanje daljnjeg funkcioniranja cjelokupne zatvorene prometne mreže na

optimalan način što nam otvara diskusije o veličini problema ali i stvara nove parametre koji

bitno utječu na optimalan tok prometne mreže koju analiziramo kao što su broj vozila koje

ulazi i izlazi iz raskrižja (ishodišno odredišna matrica), duljina repa čekanja, razmak između

vozila te duljina pojedinog vozila u repu. Svi ti parametri kao i praćenje kretanja vozila mogu

se zabilježiti video kamerama što nam uvelike olakšava posao samog nadzora, kao i

implementacije takvog sustava u već postojeću prometnu infrastrukturu.

1

1. OSNOVNI PROMETNI PARAMETRI

Upravljanje raskrižjima uvelike utječe na tok prometnice s toga pravilnim

reguliranjem raskrižja utječemo na daljnji prometni tok.

Parametre koje treba sagledati pri optimizaciji raskrižja su prometni protok koji sadrži

osnovne pokazatelje opterećenja prometnice (prometno opterećenje, intenzitet toka, brzina

vozila, gustoća vozila, vrijeme slijeda, vremenska praznina te udaljenost i razmak između

vozila). U obzir dakako treba uzeti i smjer kretanja vozila na raskrižju koji se dobiva

ishodišno-odredišnom matricom (broj vozila po jedinici vremena ovisan o mjestu ulaska i

izlaska). Duljina reda čekanja, udaljenost između vozila te duljina vozila su jednako važni

parametri koji nam daju stanje raskrižja pri zagušenju koje se najčešće događa za vrijeme

vršnog sata. Kako bi mogli zabilježiti te parametre najbolji izbor nam je video kamera.

1.1. PROMETNI PROTOK

U opisivanju prometnih tokova i zakonitosti kretanja motornih vozila u prometnim

tokovima na mreži cestovnih prometnica, pri korištenju osnovnih parametara prometnog toka,

a prije svega protoka vozila, važno je znati i kakav je prometni tok sa stajališta broja nizova i

smjerova. Sa tog stajališta prometni tok može biti: jednostavan i složen tok. U ovom

seminarskom radu razmatramo složeni prometni tok pošto razmatramo raskrižja koja spadaju

u grupu složenih tokova od dvaju ili više jednostavnih tokova koji se međusobno sijeku,

ulijevaju ili odlijevaju. Kod utvrđivanja prometnog opterećenje, intenziteta toka, brzine i

gustoće prometnog toka potrebno je pažljivo analizirati međuovisnosti ovih parametara kako

bi shvatili njihovu složenost ali i došli do optimizacije te samim time izbjegli visokorizične

situacije, postigli sigurnost putnika i na kraju izbjegli veliki priljev te opterećenje pojedine

prometnice koje dovodi do zastoja prometa ( slika 1.)

2

Slika 1. Opterećenost prometnice

1.2. PROMETNO OPTEREĆENJE

Prometno opterećenje ima više segmenata tj. može se razmatrati iz više vremenskih razdoblja:

Prosječni godišnji dnevni promet (PGDP): ukupni broj vozila u jednoj godini

podijeljen s brojem dana u godini

Prosječni dnevni promet (PDP): prosječni broj vozila izbrojen u vremenskom periodu

većem od jednog dana, a manji od godine (broj vozila/broj dana)

Promet vršnog sata: najveći broj vozila za koji se ustanovi da prolazi presjekom traka

ili ceste u 60 uzastopnih minuta

Ti pokazatelji su nam važni za ocjenjivanje prometnice i njene uslužnosti kako bi mogli

usporediti opterećenje (broj vozila koji prođe određenim presjekom u promatranom

vremenskom intervalu) i potražnju (broj vozila koji žele proći određenim presjekom u

promatranom vremenskom intervalu te osigurati kapacitet (maksimalni broj vozila koji može

proći određenim presjekom u promatranom vremenskom periodu).

1.3. BRZINA PROMETNOG TOKA

Brzina se uobičajeno definira kao prijeđeni put u jedinici vremena. Međutim, za

definiranje prosječne brzine prometnog toka moguća su dva pristupa. U prvom slučaju

prosječna brzina putovanja na nekoj dionici može se dobiti mjerenjem potrebnih vremena

putovanja pojedinih vozila duž dionice te izračunavanjem njihove prosječne vrijednosti. Na

ovaj način definira se srednja prostorna brzina i izražava kao: v = s/(SUM(ti)/n) = ns/SUM(ti)

gdje je: v= srednja prostorna brzina (km/h)

s= duljina dionice (km)

ti = vrijeme putovanja i-tog vozila (h)

n = broj promatranih vozila

3

U drugom slučaju prosječna brzina toka može se dobiti kao srednja vrijednost

izmjerenih brzina svih vozila koja su prošla određenim presjekom prometnice u promatranom

vremenskom intervalu. Ovako definirana brzina naziva se srednja vremenska brzina i izražava

se slijedećim izrazom: v = SUM (s/ti)/n

1.4. GUSTOĆA PROMETNOG TOKA

1Gustoća prometnog toka k predstavlja broj vozila na jediničnoj duljini traka ili čitavog

kolnika. Direktno mjerenje gustoće može se dobiti iz snimka ili pak primjenom osnovne

jednadžbe toka ako su poznati prosječna brzina i intenzitet toka tako da je k = q / v

gdje je: k = gustoća prometnog toka (voz/km)

q = intenzitet prometnog toka (voz/h)

v = prosječna brzina toka (km/h)

1.5. VRIJEME SLIJEDA I VREMENSKA PRAZNINA

Vrijeme slijeda definirano je kao vrijeme između prolaska dva uzastopna vozila kroz

referentni presjek na način da se mjeri vrijeme između prolaska prednjeg branika prvog i

prednjeg branika vozila koje slijedi. Uobičajena oznaka je h i mjeri se u sekundama. Vrijeme

slijeda je parametar koji se može dovesti u vezu s pojmom intenziteta toka. Naime, za poznati

intenzitet toka koji je definiran za vrijeme od jednog sata može se dobiti prosječno vrijeme

slijeda h prema izrazu: q /h 3600 = (s/voz) jer u jednom satu ima 3600 sekunda koje se mogu

"raspodijeliti" na q vozila. Iz navedenog izraza vidljivo je također da se iz izmjerenog

prosječnog vremena slijeda može definirati intenzitet toka na promatranoj lokaciji.

Za razliku od vremena slijeda, vremenska praznina označava vremenski interval

između prolaska zadnjeg branika prvog vozila i prednjeg branika vozila koje slijedi. Veličina

vremenske praznine u prometnom toku važna je kod modeliranja toka na raskrižjima jer o

veličini vremenske praznine u glavnom toku ovisi mogućnost odvijanja lijevog skretanja na

1 Bošnjak, I. Inteligentni transportni sustavi - ITS 1

4

semaforiziranim raskrižjima kao i uključivanje vozila iz sporednog toka na nesemaforiziranim

raskrižjima.

1.6. UDALJENOST I RAZMAK

Analogno vremenu slijeda i vremenskoj praznini koje predstavljaju vremenske

parametre, udaljenost i razmak definiraju prostorni odnos dva susjedna vozila. Udaljenost U

predstavlja vrijednost u metrima ili kilometrima između prednjih branika promatranih vozila

dok se razmak mjeri od zadnjeg branika prvog vozila do prednjeg branika onog koje ga

slijedi. Također se i ovdje može uspostaviti veza s gustoćom jer se udaljenost matematički

može izraziti kao inverzna vrijednost gustoće toka tj. k u 1 = (km/voz)

5

2. OPTIMIRANJE I UPRAVLJANJE RASKRIŽJA I ZATVORENE CESTOVNE PROMETNE MREŽE

2Optimiranje i upravljanje uključuje planiranje i dinamičku prilagodbu rute vozila,

korištenja javnog prijevoza, te optimiranje raskrižja, tunela, naplatnih kućica, ulazne i izlazne

rampe urbanih autocesta

Postoje dva pristupa prilaženja ovim problemima

• Klasičan (reaktivan) pristup zahtjeva mjerenja – Tok, prosječna brzina,

duljina reda čekanja ( parametri koji su opisani u poglavlju 1.1-1.6)

• Napredan (proaktivan) pristup zahtjeva mjerenja – Tip vozila, predviđanje

stanja prometne mreže, ishodišno-odredišne matrice, arhiviranje mjerenja i

rezultata upravljanja radi učenja (parametri koji se prikupljaju iz video

zapisa)

2.1. ISHODIŠNO-ODREDIŠNA MATRICA

U ishodišno-odredišnoj matrici su zapisani podaci koji su dobiveni mjerenjem u

stvarnom vremenu a sadrži podatke ulaza i izlaza vozila iz razmatranog čvora te putem nje

možemo zaključiti da li je potražnja manja ili veća od kapaciteta prometnice te dali je

moguće zadovoljiti tu potražnju i tako zadržati uslužnost prometnice (slika 2.). Pošto se ti

parametri mijenjaju na mjesečnoj, tjednoj, dnevnoj bazi pa čak i kroz nekoliko sati da bi

matrica bila vjerodostojna tj. prihvatljiva i korisna kao polazna točka optimiziranja raskrižja

valja ju što češće analizirati i obnavljati. Za takve analize potrebna nam je video kamera kako

bi lakše i brže mogli doći do željenih informacija. Video kamere koje se danas koriste u te

svrhe imaju mogućnost automatske identifikacije prijevoznih sredstava. Jedna od

zastupljenijih metoda je primjena raspoznavanja registarskih pločica. . Na tržištu se pojavljuje

cijeli niz različito oblikovanih sustava koji u osnovi sadrže kameru (kolornu ili

monokromatsku), računalo i posebno oblikovani program za obradu i analizu slike. Uz

navedene komponente pojavljuju se i različita osjetila za otkrivanje pokretnih objekata ili se

kamera istovremeno koristi kao osjetilo.2 Kratki pregled poboljšanja metoda upravljačkih i inteligentnih sustava za reguliranje gradskog prometa u neposrednoj ovisnosti od prometa

6

Slika 2. Ishodišno-odredišna matrica

2.2. JEDNOZNAČNO PRAĆENJE VOZILA PREPOZNAVANJEM REGISTARSKE

OZNAKE

Praćenje vozila nam pomaže u kontroliranju prometa te da nam unaprijed daje

informacije o kretanju više vozila odjednom, njihovo polazište i odredište, srednju brzinu te

vrijeme i duljinu prometovanja. Prikupljanjem tih parametara mogli bismo formirati neke

obrasce prometovanja vozila koji su u stohastičkom području i putem izračuna predvidjeti

moguća zagušenja ili zastoje u prometu osobito u vremenima vršnih sati. Princip izračuna se

temelji na predviđanju putovanja od točke A do točke B koje vlasnik praćenog vozila obavlja

po nekim uzorcima odnosno po unaprijed poznatim rutama npr. posao-kuća- kuća-posao(slika

3.), u određeno vrijeme, te se prikupljeni podaci spremaju i stvara se OD matrica. Znajući te

parametre mogli bi optimizirati prometne tokove jer bi znali dolazna opterećenja na

pojedinu prometnica a samim time smo u mogućnosti mijenjati prometne parametre na

raskrižjima kako bi povećali propusnu moć.

7

Slika 3.Prikaz uzimanja uzorka prometovanja pojedinog vozila

Raspoznavanja registarskih pločica provodi se u sljedećim radnjama: otkrivanje i

izdvajanje vozila u dinamičkoj sceni, pred obrada slike, određivanje pozicije registarske

pločice, izdvajanje karaktera s registarske pločice i raspoznavanje pojedinih karaktera koje

možemo vidjeti u blok shemi (slika 4.)

Slika 4. Blok shema osnovnog dijela sustava za automatsku identifikaciju vozila

2.2.1. OTKRIVANJE I IZDVAJANJE VOZILA U DINAMIČKIM SCENAMA

U svrhu otkrivanja i izdvajanja vozila u dinamičkim scenama koriste se različiti tipovi

osjetila koji mogu biti dio infrastrukture prometnice ili dio sustava za identifikaciju vozila.

Prvoj grupi osjetila pripadaju pneumatske cestovne cijevi, induktivne petlje i magnetska

osjetila. U drugu grupu spadaju radari, infracrveni senzori, ultrazvučni senzori, pasivni

akustični senzori i sustavi za obradu video slike. Sustavi za obradu video slike otkrivaju

vozilo u dinamičkoj sceni utvrđujući promjene između uzastopnih okvira. Algoritmi za

obradu slike analiziraju crno-bijele slike ispitujući promjene sivih tonova u grupama piksela.

Segmentacija dinamičkih scena najčešće se temelji na oduzimanju pozadine pri čemu se

8

utvrđuje razlika između trenutnog okvira i referentnog okvira koji predstavlja pozadinu.

Kvalitetniji su algoritmi sposobni ukloniti promjene sivih tonova u pozadini nastalih uslijed

promjene osvjetljenja zbog različitih vremenskih uvjeta, pojavljivanja sjena i izmjene doba

dana te zadržati informaciju o objektu identificiranom kao vozilo. Analiza uzastopnih video

okvira pruža i druge parametre toka prometa poput brzine vozila i gustoće prometa. Na slici 5.

prikazan je rezultat algoritma za otkrivanje i izdvajanje vozila iz dinamičke scene.

Slika 5. Otkrivanje vozila u jednom od okvira videosnimke

2.2.2. . PREDOBRADA SLIKE

3 Zadatak predobrade slike, odnosno pred procesiranja je olakšavanje daljnje analize slike.

Najčešće se postupci koji se koriste u ovoj fazi svode na povećavanje kontrasta slike. Pojedini

sustavi prijepred obrade slike mijenjaju veličinu ulazne slike čime smanjuju vrijeme potrebno

za obradu. Digitalna slika vozila izdvojena iz dinamičke scene je dvodimenzionalno polje

koje može biti kolorno ili monokromatsko. Broj stupaca i broj redaka ove dvodimenzionalne

matrice predstavlja njezinu rezoluciju. U većini slučajeva koristi se siva slika jer je

jednostavnija za obradu, nego crvena, plava i zelena komponenta kolorne slike zasebno.

Kolorna slika se pretvara u sivu (k) tako da se vrijednost pojedinog piksela određuje

izračunavanjem iz odnosnih vrijednosti plave (b), crvene (r) i zelene (g) boje. Nakon

pretvorbe kolorne slike u sliku sa sivim tonovima primjenjuju se postupci za poboljšanje

kontrasta kako bi se objekti koji se na njoj nalaze čim više isticali. Poboljšanje kontrasta slike

provodi se zbog nemogućnosti utjecanja na nepovoljne scenarije koji se mogu pojaviti

prilikom izdvajanja slike s vozilom, poput slabe ili neujednačene rasvjete, nečistih i oštećenih

3 Sustav za automatsko nadziranje cestovnog prometa

9

registracijskih pločica itd. Postupci za poboljšanje kontrasta mogu biti lokalni ili globalni te se

mogu provoditi u vremenskoj i frekvencijskoj domeni.

2.2.3. ODREÐIVANJE POZICIJE REGISTARSKE PLOČICE

Više je različitih metoda za određivanje pozicije registarske pločice a koriste se u

sustavima trenutno raspoloživim na tržištu. Jedna od prihvatljivijih metoda je komparativna

analiza za određivanje pozicije registarske pločice i njezino izdvajanje te izdvajanje karaktera.

Postupak određivanja pozicije registarske pločice započinje binarizacijom slike sa sivim

tonovima . Da bi se slika binarizirala potrebno je odrediti prag prema kojem se provodi

postupak binarizacije. Postupak se sastoji od uspoređivanja vrijednosti slikovnih elemenata s

vrijednošću praga te im se na osnovi dobivenog rezultata dodjeljuje jedna ili druga granična

vrijednost. Prag može biti jedinstven za cijelu sliku (globalan) ili se mijenjati u ovisnosti o

vrijednosti slikovnog elementa i njegovog susjedstva (lokalan). Globalna se binarizacija

koristi kod ujednačenog osvjetljenja, a lokalna kod neujednačenog osvjetljenja što je čini

puno prikladnijom za potrebe izdvajanja registarske pločice. Vrijednost praga kod lokalne

binarizacije je promjenjiva za pojedine dijelove slike i slikovne elemente. Izračunava se na

osnovi susjedstva slikovnog objekta koji se obrađuje i koje čini određen broj točaka (piksela)

u njegovoj neposrednoj blizini. Na ovaj se način dobiva slika na kojoj su istaknuti važni

dijelovi čime se pojednostavljuje pronalaženje registarske pločice (Slika 6.).

Slika 6. Binarizacija slike sa sivim tonovima

10

Za analizu objekata na slici potrebno je primijeniti jedan od algoritama za detekciju rubova

kako bi se mogli izdvojiti objekti od interesa. Rezultat detekcije rubova primjenom algoritma

i gradijentnog filtra prikazan je u podnožju (slika 7.). Zbog jednostavnosti i brzine izvođenja

odabran je gradijentni filtar za detekciju rubova koji koristi rubni operator koji izbjegava

klasično računanje gradijenta u interpoliranoj točki između dviju linija koristeći maske

veličine 3 X 3 (horizontalne i vertikalne). Konvalucijom maske i slike naposljetku se dobivaju

odgovarajući rubovi koji su preduvjet za određivanje potencijalnih kandidata za registarsku

pločicu.

a)

b)

Slika 7. Detekcija rubova primjenom algoritma i gradijentnog filtra (a)prije i poslije (b) binarizacije

Dobivena se slika dodatno obrađuje kako bi se uklonile nepotrebne komponente slike

koje bi otežavale određivanje pozicije registarske pločice ili utjecale na njezinu uspješnost.

Obrada se zasniva na operacijama zatvaranja i otvaranja koje nastaju kombinacijom operacija

binarne matematičke morfologije: erozije (koja povećava crne objekte) i dilatacije (koja

povećava bijele objekte). Kod slika s vozilom operacije erozije i dilatacije koriste strukturni

element oblika kvadrata dimenzija 3 X 3 piksela kojim prelaze preko slike. Ovisno o

preklapanju strukturnog objekta s objektima na slici i odabranoj operaciji nastaje nova slika.

Operacije otvaranja i zatvaranja rezultiraju slikom bez šuma s jasnije određenim rubovima i

11

odvojenim objektima koji predstavljaju potencijalne kandidate za registarsku pločicu. Izbor

kandidata za registarsku pločicu može se izvoditi na više načina. Najčešće se koristi

transformacija za pronalaženje paralelnih rubova upotpunjena konturnim (obrisnim)

algoritmom radi postizanja zadovoljavajuće brzine ili kombinacija horizontalne i vertikalne

projekcije (Slika 8.)

Slika 8.Određivanje pozicije registracijske pločice upotrebom horizontalne i vertikalne projekcije

Odabrani se predlošci za registarsku pločicu ispituju kako bi se provjerilo jesu li

zadovoljeni kriteriji koje pločica mora ispunjavati. Koriste se tri kriterija prilikom ispitivanja:

omjer širine i visine registarske pločice, zastupljenost bijele boje na pločici i broj objekata

koje pločica sadrži . Registarskom pločicom proglašava se predložak koji zadovoljava sve

odabrane uvjete. Registarska pločica zbog kuta snimanja kamerom može biti i ukošena ili

deformirana te se stoga prije raspoznavanja karaktera mora izravnati. Izravnavanje registarske

pločice izvodi se pomoću transformacije kojom se pronalazi kut zakrivljenosti i rotacije.

Različiti fontovi znakova pojedinih država, nečistoća (prljavština), odbljesak svjetla,

sjena, oštećena registarska oznaka samo su neke od prepreka koje ljudskom oku predstavljaju

manje poteškoće za ispravno prepoznavanje registarske tablice računalu mogu predstavljati

ozbiljan problem. Upravo iz tih razloga, predobrada slike vrlo je bitan korak za pravilno

raspoznavanje znakova registarske tablice. Čimbenik koji pridonosi kvaliteti raspoznavanja

12

jest i količina računalu već poznatih značajki pojedinih znakova koje su unesene pri procesu

“učenja” klasifikatora.

2.2.4. IZDVAJANJE KARAKTERA S REGISTARSKE PLOČICE

U svrhu čitanja karaktera s registarske pločice potrebno je prije svega provesti izdvajanje

karaktera. Horizontalna projekcija predstavlja najučinkovitiju i najjednostavniju metodu koja

se koristi u navedenu svrhu (Slika 9) i provodi se na slici registarske pločice koja je prethodno

binarizirana i očišćena od šumova filtrom. Horizontalnom projekcijom pronalaze se granice

između znakova na osnovi kojih se izdvajaju segmenti registarske pločice koji sadrže karakter

koji treba raspoznati.

Slika 9. Određivanje pozicije karaktera na registarskoj pločici upotrebom horizontalne projekcije

Svaki segment registarske pločice koji je rezultat izdvajanja, osim slovne ili brojčane oznake

sadrži i suvišan prostor i ostale nepoželjne dijelove. Susjedni se pikseli grupiraju u više većih

dijelova, a samo jedan od tih dijelova predstavlja odgovarajući znak. Cilj je podijeliti segment

na dijelove te prepoznati samo onaj koji uistinu predstavlja traženi znak (Slika 10).

Slika 10.Podjela segmenta na dijelove

13

Slično postupku za određivanje pozicije registracijske pločice i njezino izdvajanje

nepoželjni se elementi uklanjaju na osnovi određenih kriterija poput odnosa širine i visine te

odnosa bijelih i crnih piksela.

2.2.5. RASPOZNAVANJE SVAKOG POJEDINOG KARAKTERA

4Optičko prepoznavanje znakova čini osnovu ovog dijela sustava. Prepoznavanje uzoraka i

ekstrakcija značajke su dvije osnovne metode optičkog prepoznavanja znakova.

Prepoznavanje uzoraka zasniva se na uspoređivanju izdvojenih znakova i predložaka koji se

nalaze u bazi podataka, odnosno odgovarajućim matricama. Predložak koji pokaže najveću

sličnost s izdvojenim znakom uzima se kao prepoznati znak.

Ekstrakcija značajki složenija je metoda prepoznavanja znakova. Preduvjet za raspoznavanje

znakova na ovaj način je određivanje nekih karakterističnih značajki pogodnih za postupak

klasifikacije iz slikovne reprezentacije znaka poput broja linija, petlji, završetaka linija,

krivulja itd. Odabrani algoritam mora biti u mogućnosti izvući značajke koje su neovisne o

promjeni osvjetljenja i različitim tipovima slova.

Prije izvlačenja karakterističnih značajki izdvojenih znakova provodi se normalizacija

veličine slova kojom se svi prepoznati znakovi svode na istu veličinu. U najvećem se broju

slučajeva smanjuje veličina slova odbacivanjem dijela informacija iz slike koja predstavlja

odgvarajući znak. Smanjivanje se provodi algoritmom filtriranja koji daje najbolje rezultate u

prihvatljivom vremenu. Oblik slova izdvojenih znakova nije prikladan za određivanje

značajki pa se stoga primjenjuje algoritam skeletonizacije kojim se slovo stanjuje do debljine

od samo jednog piksela. Zatim se provodi strukturalna analiza kojom se izvlače prethodno

spomenute značajke, stvaraju se vektori opisnika s čim više korisnih informacija i šalju u

klasifikator. Klasifikacija se provodi putem višeslojne neuronske mreže bez povratnih veza, a

rezultat primjene ovakvog načina prepoznavanja može se vidjeti na slici 11.

4 ibid.

14

Slika 11. Rezultat prepoznavanja registarske pločice

2.3. UPRAVLJANJE RASKRIŽJEM

Bitan pokazatelj kvalitete uslužnosti raskrižja je samo zasićenje raskrižja. Kako bi odredili

realnu zasićenost raskrižja uzimamo u obzir potpunu zastupljenost automobila na pojedinim

trakovima. Iako senzori za detekciju vozila mogu obavljati zadaću registracije prisutnosti

vozila one nam ne govore u potpunost kakvo je stanje na prometnici te kolika je stvarna

duljina reda čekanja zbog samih razmaka između automobila te zbog malog broja

postavljenih senzora. Duljina reda čekanja ovisi o tri stavke broju vozila, duljini vozila i

razmaku između vozila koja su u koloni. Da bismo mogli izmjeriti te parametre osim već

spomenutih detektora koristimo video kamere (Slika 12.)

Slika 12. prikaz mjerenja duljine vozila i razmaka između njih

15

d

1

d

2 l

2

l

1

3. OPTIMIRANJE I UPRAVLJANJE PROMETOM NA AUTOCESTAMA

5Optimiranje i upravljanje prometom na autocestama ne razlikuje se uvelike od optimiranja

zatvorene cestovne prometne mreže. Međutim na autocesti na sigurnost utječu drugi

parametri koje treba uzeti u obzir, kao što su povećana brzina vozila, vozila koja se uključuju

u promet na autocesti, signalizacija u tunelima.

3.1. MJERENJE DULJINE I BRZINE VOZILA

Za procjenu duljine i brzine vozila , vidno polje kamere mora biti kalibrirano tj. mora

zadovoljiti sve uvjete potrebne za prepoznavanje prometnih parametara. Kalibracija obuhvaća

udaljenost tla u odnosu na pogled kamere i pruža trodimenzionalnu mjerljivu perspektivu na

dvodimenzionalnu video sliku. Mjerne linije su postavljene paralelno i okomito na putne staze

koje prenose sliku na zaslonu računala te se pomoću miša za crtanje linija na odgovarajućim

mjestima ucrtavaju linije (slika 13.). Svaka kalibracijska linija ima mjeru koja predstavlja

udaljenost od "baze"(zero line na slici) kalibracijske linije. Visina aparata je također važna u

procesu kalibracije . Pravilna kalibracija omogućuje veću točnost programa za procjenu

duljine vozila i putne udaljenosti, koje se koriste za izračunavanje brzine. Precizno

kalibriranje zahtijeva poznavanje širine trake, te udaljenosti donje linije i visine kamere

Slika 13. prikaz paralelnih i okomitih mjernih linija

5 A Hybrid Method of Vehicle Detection based on Computer Vision for Intelligent Transportation System

16

3.2. STVARANJE DATOTEKA DETEKTORA

6Nakon kalibracije, detektori prometa su postavljeni na video slike pomoću softvera. Ovi

detektori mogu odrediti broj aktiviranja, dužinu i brzinu vozila. Tehnike korištene u izradi

datoteka detektora mogu igrati sastavni dio u točnosti vidnih točaka. Pogled slike treba

ispitati kako bi se utvrdila točnost prijenosa promatrane slike te dali su moguća odstupanja u

smislu detektiranja vozila. Faktori koji moraju biti ispitani su: pozadinske anomalije, relativni

položaj vozila, područja začepljenja ili zastoja i područja u kojima su vozila mijenjala traku.

Položaj detektora se razlikuje za svaku autocestu, rampu i raskrižje. U idealnom slučaju,

detektori su široki koliko i njihove trake u funkciji bi bilo više slike i mogli bi se izbjći

propusti otkrivanja vozila ne središtem traku. Međutim, kut pod kojim pada pogled kamere

može znatno ograničiti širinu detektora, a vozila u jednom traku mogu pokrenuti detektore u

susjednom traku. Kako bi spriječili ovu pojavu, detektori pokrivaju samo postotak cijele širine

trake.

Doba dana se također mora uzeti u obzir u razvoju detektor datoteka. Na primjer, slika sa

detektora stvorena tijekom dana može biti iz određene trake u blizini ulične svjetiljke. Kad je

ulica osvijetljena noću, to bi moglo stvoriti odraza i utjecati na rad detektora. U svako doba

dana treba uzeti u obzir pravilno razmatranje kvalitete slike tijekom stvaranja datoteke

detektora.

3.3.MJERENJE PROMETNIH PARAMETARA

S trostrukim sustavom detektori brzine i brojači se koristi za mjerenje količine prometa,

brzine vozila i klasifikaciju vozila. Ovi brojači su postavljeni na video slike pomoću posebno

dizajniranog softvera za grafičke "detektore" . Detektori brzina (Slika 14.) su postavljeni

uzdužno u putnoj stazi i mjere brzine vozila i duljine vozila računajući vrijeme kojim vozilo

putuje unutar poznate unaprijed određene duljine. Klasifikacija vozila se provodi isključivo na

temelju duljine vozila. Duljine vozila se zbrajaju u razrede po unaprijed određenoj duljini a

detektori točaka će snimati slučajeve kada vozila prijeđu određen broj detektora. Podaci o

volumenu se mogu prikupljati za pojedine trakove ili na više mjesta u jednom traku. S

6 ibid.

17

obzirom na broj vozila, brzinu i klasifikaciju informacija, interni softver procjenjuje ostale

parametre podatkovnog prometa, uključujući, ali ne ograničavajući se na: protok vozila,

vremenske sljedove, vrijeme zauzetosti, vrijeme službe, razinu usluge, srednju prostornu

brzinu, popunjenost prostora, te gustoću. Procjena se temelje na zajedničkim formula

utvrđenih prometnih znanosti i Highway Capacity Manual-a.

Slika 14. detektori brojanja i detektori brzine

3.4. UPRAVLJANJE PROMETOM U TUNELIMA

Za tunele duže od 1000 m statistički podaci pokazuju da barem jedno vozilo u toku

dana ostaje stajati iz bilo kojeg razloga (kvar u vozilu, pomanjkanje goriva i slično). U takvim

slučajevima, potrebno je identificirati i uspostaviti privremeni režim prometa, koji odgovara

nastaloj atipičnoj situaciji. Načelo "najveće hitnosti" u donošenju odluka i davanju

informacija sudionicima u prometu. Takvom zahtjevu može udovoljiti samo informacijska

tehnologija s primjenom daljinskog upravljanja. Uvođenjem sustava video nadzora

postotak uspješne detekcije sumnjivih stanja veći je od 99% sa srednjim vremenom

reakcije 10s. Pogreške su manje od 3%. Ova tehnologija u kombinaciji sa mjerenjem

brzine i gustoće prometa znatno pridonosi povećanju sigurnosti u cestovnom

prometu. Video kamere omogućavaju prikaz situacije na monitorima, a imaju mogućnost

automatske detekcije prometnih incidenata: zastoja, vožnje u suprotnom smjeru, očitovanja

broja, vrste i brzine kretanja vozila. Detektorske petlje, s podacima automatskog video sustava

te daju potpune podatke prometnoj centrali radi prevencije zastoja (slika 15.)

18

Zatvoreni sustav video nadzora u tunelima sadrži:

1. kamere; pokretne kamere s objektivom i fiksne kamere koje se dodatno priključuju na

uređaje za virtualnu detekciju vozila;

2. opremu i kabele za prijenos video signala do kontrolnog centra

3. opremu u kontrolnom centru; uređaje za virtualnu detekciju vozila, video-matrični sustav,

monitore i sustav za snimanje video zapisa.

Slika 15. prikaz centrale koja prati događaje u tunelima putem video kamere

19

4. ZAKLJUČAK

Jedan od temeljnih problema suvremenog svijeta je promet i njegov vrtoglav porast iz

dana u dan. Samim time nastaje i potražnja za razvojem sve većih površina za prometnice, a

sukladno tome i nove tehnologije koje bi mogle kontrolirati i voditi toliku masu.

Iz tog se razloga inteligentni transportni sustav pokazao kao idealno rješenje za

kontrolu prometnog kaosa. Brzina i ažurnosti prenošenja podataka inteligentnog transportnog

sustava jednostavno je i nužna stvar u svakom većem razvijenijem prometnom središtu.

Inteligentni transportni sustavi u prometu sve se više nastoje uvesti u većinu razvijenih

zemalja da bi se u konačnici olakšalo odvijanje prometa te poboljšala sigurnost odvijanja

prometa.

Video kamere kao sustavi elektroničkog vida, detekcije prometnih parametara i kao

veze između zbivanja na prometnicama i operatera koji nadziru situaciju na prometnicama,

polazna su točka suvremene optimizacije prometnih parametara i reguliranja prometa iz

jednog središta što čini taj zadatak preglednim, jednostavnim i bržim a samim time i sigurnim

što je neizbježan faktor u planiranju i regulaciji prometa. Polazeći od te konstatacije možemo

zaključiti da je video kamera esencijalan segment u vođenju prometa bez čije prisutnosti i

uporabe promet kojeg danas proučavamo i reguliramo ne bi bio izvediv na toj razini .

20

LITERATURA

Knjige:

1. Bošnjak, I. Inteligentni transportni sustavi - ITS 1 . Zagreb : Fakultet prometnih znanosti, 2006. ([Lukavec] : Tiskara Rotim i Market)

2. Bošnjak, I. Poboljšanje prometa primjenom inteligentnih prometnih sustava // Ceste i

mostovi.

3. Jelušić, N. Information source quality in intelligent transport systems //Promet

(Zagreb)

Internet:

4. Stvarnovremenska detekcija i praćenje vozila na više traka primjenom jedne kamere http://www.fpz.unizg.hr/vista/wp-content/uploads/2014/04/2014-04-15-20140414_istrazivacki_seminar_wo_video.pptx

5. Inteligentni transportni sustavi - http://www.ipv-zg.hr/docs/studenti/ITS_skripta_final.pdf

6. Simulacijski model prometno ovisnih signalnih uređaja - hrcak.srce.hr/file/1854857. Kratki pregled poboljšanja metoda upravljačkih i inteligentnih sustava za reguliranje

gradskog prometa u neposrednoj ovisnosti od prometa-http://hrcak.srce.hr/index.php?show=clanak&id_clanak_jezik=153039

8. Sustav za automatsko nadziranje cestovnog prometa-  http://hrcak.srce.hr/index.php?show=clanak&id_clanak_jezik=138470

9. A Hybrid Method of Vehicle Detection based on Computer Vision for Intelligent Transportation System - http://www.sersc.org/journals/IJMUE/vol9_no6_2014/11.pdf

10. Collection of vehicle activity data by video detection for use in transportation planning http://www.transportation.ce.gatech.edu/sites/default/files/files/collection_of_vehicle_activity_data_by_video_detection_for_use_in_transportation_planning.pdf

21

POPIS SLIKA

Slika 1. Opterećenost prometnice

Slika 2. Ishodišno-odredišna matrica

Slika 3.Prikaz uzimanja uzorka prometovanja pojedinog vozila

Slika 4. Blok shema osnovnog dijela sustava za automatsku identifikaciju vozila

Slika 5. Otkrivanje vozila u jednom od okvira videosnimke

Slika 6. Binarizacija slike sa sivim tonovima

Slika 7. Detekcija rubova primjenom algoritma i gradijentnog filtra

Slika 8.Određivanje pozicije registracijske pločice upotrebom horizontalne i vertikalne

projekcije

Slika 9. Određivanje pozicije karaktera na registarskoj pločici upotrebom horizontalne

projekcije

Slika 10.Podjela segmenta na dijelove

Slika 11. Rezultat prepoznavanja registarske pločice

Slika 12. prikaz mjerenja duljine vozila i razmaka između njih

Slika 13. prikaz paralelnih i okomitih mjernih linija

Slika 14. detektori brojanja i detektori brzine

Slika 15. prikaz centrale koja prati događaje u tunelima putem video kamere

22