Seminar Automatsko
description
Transcript of Seminar Automatsko
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