سيستم هاي تشخيص وسايل نقليه

20,000 تومان می‌توانید توسط تمام کارت‌های بانکی عضو شتاب خرید خود را انجام داده و بلافاصله بعد از خرید فایل را دریافت نمایید. خرید و دانلود فایل سوال از فروشنده راهنمای دریافت
  • اطلاعات و مشخصات فایل
سيستم هاي تشخيص وسايل نقليه
  • کد فایل: 5683
  • قیمت: 20,000 تومان
  • فرمت فایل دانلودی: .docx
  • حجم فایل: 6,223 کیلوبایت
  • تعداد مشاهده: 695 بازدید
  • فرمت فایل اصلی: word
  • تعداد صفحات: 89 صفحه
  • اطلاعات فروشنده
  • پرداخت به بانک ملت

    شرح فایل

    این مطلب توسط سایت داک سیتی ویراستاری و از لحاظ فونت  تصیح و اماده چاپ صحافی  میباشد.ومبلغ پرداختی شما جهت ویراستاری این مطلب می باشد.

    چکیده

    در سال هاي اخير نظارت بر ترافيک و ايمني وسايل نقليه اعم از خودروها، قطارها، کاميون ها،. ... مورد توجه کميته هاي حمل و نقل هوشمند قرار گرفته است. جهت بررسي سيستم هاي که ما را به اهداف فوق برساند، نياز به تشخيص وسيله ي نقليه است تا بتوان پردازش ها و اقدامات لازم را به عمل آورد. لذا طبق تحقيقات به عمل آمده، تجهيزات و روش هاي مختلفي ما را در اين مقوله ياري مي کنند و عبارتند از:

    1-پردازش تصاوير بدست آمده توسط دوربين هاي تامين شده بدين منظور

    2- سيستم هاي ويدئويي نصب شده بر سکو هاي هوايي

    3- بررسي تصاوير جاده اي مبتني برپارامترهاي سه بعدي

    4- سيستم هاي مبتني بر مشخصه هاي محلي وسيله ي نقليه در يک تصوير

    5- بکار گيري الگوريتم مبتني بر استخراج ويژگي از طريق تغيير شکل هاي خاص

    6- بکارگيري مدل سه بعدي توسعه داده شده بر پايه ي عناصر لبه ي وسيله نقليه

    7- سيستم هاي مبتني بر يادگيري با ناظر (شامل يک سيستم کک راننده و يک سيستم وسيله نقليه خود گردان)

    8- تشخيص مبتني بر تشخيص سيگنالهاي ويژه ي ارسالي

    از طريق روش هاي فوق، به کمک يک بانک اطلاعاتي شامل چندين وسيله نقليه نمونه که از تصاوير واقعي جاده استخراج شده اند، آزمايشات ويژه و متنوعي بر روي وسايل نقليه انجام مي شود و کارايي هر روش جهت تشخيص صحيح در کوتاه ترين زمان ممکن ثبت مي شود و مورد استفاده هاي بعدي قرار خواهد گرفت.

    کلید واژه: تشخيص، استخراج، ويژگي هاي محلي، وسيله ي نقليه، ترافيک، تطبيق، موج ضربه اي کوچک

    منابع

    [1] A. Mohan, C. Papageorgiou, and T. Poggio, “Example-based object detection in images by components,” IEEE Transactions on Pattern Analisis and Machine Intelligence, Vol. 23, No. 4, April 2001.

    [2] A. Shashua, Y. Gdalyahu, and G. Hayun, “Pedestrian detection for driving assistance systems: single-frame classification and system level performance,” In Proc. IEEE Intelligent Vehicles Symposium, pp. 1-6, Parma, Italy, June 14-17, 2004.

    [3] Carroll, A., Multer, J., Williams, D. and M. Yaffee, (1999). Safety of Highway-Railroad GradeCrossings: Freight Car Reflectorization. Report No. DOT/FRA/ORD-98/11, Washington,DC: U.S. Department of Transportation, Federal Railroad Administration.

     [4] C. Papageorgiou and T. Poggio, “A trainable system for object detection”. Intl J.Computer Vision, Vol. 38, No. 1, pp. 15-33, 2000.

    [5] Chapuis R. Chausse F., Trujillo N and Naranjo M. Object recognition by model based focused vision. 2004.

     [6] E. D. Dickmanns and B. D. Mysliwetz, “Recursive 3-D Road and Relative Ego-State Recognition,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 14, No. 2, February 1992.

    [7] Egan, J.P. (1975). Signal Detection Theory and ROC Analysis. New York: Academic Press.

    [8] E. Cand Cand`es and D. Donoho, “New tight frames of curvelets and optimal representations of objects with c2singularities,” Tech. Rep., Department of Statistics, Stanford University, USA, November 2002.

    [9] E. Cand Cand`es and L. Demanet, “The curvelet representation of wave propagators is optimally sparse,” Tech.Rep., Applied and Computational Mathematics, California Institute of Technology, USA, 2004. [18] I. Guyon, S. Gunn, M. Nikravesh , Lofti A. Zadeh , Feature Extraction: Foundations and Applications, (Studies in Fuzziness and Soft Computing) , Springer, 2006.

    [10] Federal Highway Administration. (1988). Manual on Uniform Traffic Control Devices for Streetsand Highways. Washington, DC: U.S. Department of Transportation.

    [11] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin. (1996). Washington, DC: U.S. Department of Transportation.

    [12] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin 60. (1994). Washington, DC: U.S. Department of Transportation.

    [13] Ford, R.E., Richards, S.H., and J.C. Hungerford, (1998). Evaluation of Retroreflective Markings To Increase Rail Car Conspicuity. Project Memorandum. No. DOT-VNTSC-RR897-PM98-22. U.S. Department of Transportation , Volpe National Transportation Center. Grier, J.B. (1971). Nonparametric Indexes for Sensitivity and Bias: Computing Formulas. Psychological Bulletin, 75 (6), 424-429.

    [14] F. Thomanek, E.D. Dickmanns and D. Dickmanns, "Multiple object recognition and

    scene interpretation for autonomous road vehicle guidance", Proceedings of the IEEE Intelligent Vehicles 1994 Symposium, pp.23 1-236, 1994.

     [15] Federal Highway Administration. (1988). Manual on Uniform Traffic Control Devices for Streetsand Highways. Washington, DC: U.S. Department of Transportation.

    [16] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin. (1996). Washington, DC: U.S. Department of Transportation.

    [17] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin #60. (1994). Washington, DC: U.S. Department of Transportation.

    [18] Ford, R.E., Richards, S.H., and J.C. Hungerford, (1998). Evaluation of Retroreflective Markings To Increase Rail Car Conspicuity. Project Memorandum. No.

    DOT-VNTSC-RR897-PM98-22. U.S. Department of Transportation, Volpe National Transportation Center. Grier, J.B. (1971). Nonparametric Indexes for Sensitivity and Bias: Computing Formulas. Psychological Bulletin, 75 (6), 424-429.

    [19] Green, D.M. and J. A. Swets, (1988). Signal Detection Theory and Psychophysics.

     [20] G. Grubb, A. Zelinsky, L. Nilsson, and M. Rilbe, “3D Vision sensing for improved pedestrian safety,” In Proc. IEEE Intelligent Vehicles Symposium, pp. 19-24, Parma, Italy, June 14-17, 2004.

     [21] G. P. Stein, O. Mano, and A. Shashua, “Vision-based ACC with a single camera: bounds on range and range rate accuracy”. In Proc.Int. Conf. Intelligent Vehicles, Versailles, France, June 2002.

    [22] H.Murase and S.K. Nayar (1995) “Visual Learning and Recognition of 3-D Objects from Appearance," International Conference on Computer Vision.

    [23] Hinz, S. (2004): Detection of vehicles and vehicle queues in high resolution aerial images. Photogrammetrie-Fernerkundung-Geoinformation, 3/04: 201-213.

    [24] Hinz, S., Baumgartner, A. (2003): Automatic Extraction of Urban Road Nets from Multi-View Aerial Imagery. ISPRS Journal of Photogrammetry and Remote Sensing 58/1-2: 83–98.

    [25] J. C. Christopher, “A Tutorial on Support Vector Machines for Pattern Recognition”. Data Mining and Knowledge Discovery, No. 2, pp. 121-167. Kluwer Academic Publishers.1. 1998.

    [26] Keiji Yanai and Keiji Deguchi. A multi-resolution image understanding system based on multi-agent architecture for high-resolution images. 2001.

    [27] K. Ohba and K. Ikeuch (1997) "Detectability, Uniqueness, and Reliability of Eigen-Windows for Stable Verifications of Partially Occluded," IEEE Pattern

    Analysis and Machine Intelligence, vol.19, No.9, pp.1043-1048.

    [28] K.Kagesawa, S.Ueno et al (1999) "Vehicle Recognition in Infra-red Images Using Parallel Vision Board", ITSWC '99, Toronto.

    [29] K.Kagesawa, A.Nakamura et al (2000) “Vehicle Type Clasification in Infra-red Image Using Parallel Vision Board”, ITSWC 2000, Torino.

     [30] Lauer, A.R., and V.R. Suhr, (1956). “An Experimental Study of Four Methods of Reflectorizing Railway Boxcars. ” Highway Research Board Bulletin, 146, 45-50.

    [31] Lebowitz , H.W., Owens, D.A., and R.A. Tyrrell, (1998). The Assured Clear Distance Ahead Rule: Implications for Nighttime Traffic Safety and the Law. Accident Analysis and

    Prevention, 30 (1), 93-99.

    [32] Lachaise, M. (2005): Automatic detection of vehicles and velocities in aerial digital image series. Diploma Thesis, Universitee Lyon.

    [33] Meffert B, Blaschek R, Knauer U, Reulke R, Schischmanow A, Winkler F (2005): Monitoring traffic by optical sensors. Proc. of Second International Conference on Intelligent Computing and Information Systems (ICICIS 2005): 9-14.

    [34] M. Papageorgiou , C. Oren and T. Poggio. A general framework for object detection. Proc. Int. Conf. Computer Vision , 1998.

    [35] Michael Jones Paul Viola. Rapid object detection using a boosted cascade of simple features. Conference on Computer Vision and Pattern Recognition , 2001.

    [36] M. Betke, E. Haritaoglu and L. S. Davis, "Multiple vehicle detection and tracking in

    hard real-time", Proceedings of the IEEE Intelligent Vehicles 1996 Symposium, pp.35 1-356, 1996.

    [37] McGinnis, R.G. (1979). Reflectorization of Railroad Rolling Stock. Transportation Research Record, 737, 31-43.

    [38] Olson, P.L. (1988). Minimum Requirements for Adequate Nighttime Conspicuity of Highway Signs. Report No. UMTRI-88-8. NTIS No. PB88-179841-HDM. St. Paul: Minnesota Mining and Mfg. Co.

     [39] R. Aufr`ere, R. Chapuis and F. Chausse. Amodel-driven approach for real-time road recognition. Machine Vision and Applications , 2001.

    [40] Trujillo N. Bayro-Corrochano, E. and Naranjo M. The role of the quaternion fourier descriptors for preprocessing in neuralcomputing. 2003.

     [41] Takeo Schneiderman, Henry. Kanade. Object detection using the statistics of parts. International Journal of Computer Vision , 2002.

     [42] T. Ito and K. Yamada, "Preceding vehicle road lanes recognition methods for RCAS. using vision system", Proceedings of the IEEE Intelligent Vehicles 1994 Symposium,

    pp.85-90 , 1994.

     [43] T.Kato and Y.Ninomiya, "An approach to vehicle recognition using supervised

    learning", Proceedings of the 4th Symposium on Sensing via Image Information (SII'98),

    pp.279-284, 1998 (in Japanese).

    [44] Tan, T. N. Sullivan, G. D. and Baker, K. D. Fast Vehicle Localisation and Recognition Without Line Extraction and Matching, Proc. 5th British Machine Vision Conference, pp 85-94, 1994.

    [45] Ulrich, M., 2003. Hierarchical Real-Time Recognition of Compound Objects in Images. Dissertation, German Geodetic Commission (DGK), Vol. C. Dubuisson-Jolly, M.-P., Lakshmanan, S. and Jain, A. (1996): Vehicle Segmentation and Classification Using Deformable Templates. IEEE Trans on Pattern Analysis and Machine Intelligence 18 (3): 293–308.

    [46] Worrall, A. D., Baker, K. D. and Sullivan, G. D. Model-based perspective inversion, Image and Vision Computing Journal, 7 (1), pp 17-23, 1989.

    [47] Worrall, A.D., Sullivan, G. D. and Baker, K. D. Advances in Model-based Traffic Vision , Proc. 4th British Machine Vision Conference , pp 559-568, 1993.

     

    .


    خرید و دانلود فایل
    • قیمت: 20,000 تومان
    • فرمت فایل دانلودی: .docx
    • حجم فایل: 6,223 کیلوبایت

    راهنمای خرید و دانلود فایل

    • پرداخت با کلیه کارتهای بانکی عضو شتاب امکانپذیر است.
    • پس از پرداخت آنلاین، بلافاصله لینک دانلود فعال می شود و می توانید فایل را دانلود کنید. در صورتیکه ایمیل خود را وارد کرده باشید همزمان یک نسخه از فایل به ایمیل شما ارسال میگردد.
    • در صورت بروز مشکل در دانلود، تا زمانی که صفحه دانلود را نبندید، امکان دانلود مجدد فایل، با کلیک بر روی کلید دانلود، برای چندین بار وجود دارد.
    • در صورتیکه پرداخت انجام شود ولی به هر دلیلی (قطعی اینترنت و ...) امکان دانلود فایل میسر نگردید، با ارائه نام فایل، کد فایل، شماره تراکنش پرداخت و اطلاعات خود، از طریق تماس با ما، اطلاع دهید تا در اسرع وقت فایل خریداری شده برای شما ارسال گردد.
    • در صورت وجود هر گونه مشکل در فایل دانلود شده، حداکثر تا 24 ساعت، از طریق تماس با ما اطلاع دهید تا شکایت شما مورد بررسی قرار گیرد.
    • برای دانلود فایل روی دکمه "خرید و دانلود فایل" کلیک کنید.

    نام
    ایمیل
    تلفن تماس
    سوال یا نظر