Τηλεπισκόπηση οδικής κυκλοφορίας με εικόνες υψηλής ανάλυσης
Από RemoteSensing Wiki
Πρωτότυπος Τίτλος: Road-Following and Traffic Analysis using High-Resolution Remote Sensing Imagery
Συγγραφείς: Seyed Mostafa Mousavi Kahaki, Mahmood Fathy and Mohsen Ganj
Πηγή: 3rd International Workshop on Intelligent Vehicle Controls & Intelligent Transportation Systems, Workshop IVC & ITS
URL: https://www.researchgate.net/publication/234149224
Εισαγωγή:
Η αυξημένη κίνηση στους αυτοκινητοδρόμους μπορεί να έχει πολλές και σημαντικές προεκτάσεις σε ζητήματα δημόσιας ασφάλειας οικονομίας και περιβάλλοντος. Ειδικά για τα μεγάλα αστικά κέντρα μπορεί να αποτελεί έναν από τους βασικότερους λόγους για την υπερβολική αύξηση του κόστους μεταφοράς και της χρήσης επιπλέον καυσίμου. Η παρακολούθηση της κίνησης για έναν αυτοκινητόδρομο στοχεύει στη συλλογή δεδομένων που αντικατοπτρίζουν την κατάσταση της κυκλοφορίας σε μια περιοχή. Με άπλα λόγια η παρακολούθηση ενός δρόμου. μπορεί να δώσει σημαντικά χαρακτηριστικά για, τον αριθμό των οχημάτων που τον χρησιμοποιούν, την ταχύτητα αυτών αλλά και την πυκνότητα που διατηρούν στον αυτοκινητόδρομο. Με αυτό τον τρόπο γίνεται εφικτό το να προσδιοριστεί η ανάγκη δημιουργίας νέων δρόμων και έργων ώστε να διασπαστεί η κίνηση, ή αντίστοιχα να γίνει μετατροπή των ορίων ταχύτητας. Ο έλεγχος όμως της κυκλοφορίας με συμβατικά μέσα μπορεί να είναι μια δύσκολη και χρονοβόρα διαδικασία ενώ αντίθετα με τη χρήση εφαρμογών τηλεπισκόπησης, μπορεί να εξοικονομηθεί χρόνος και κόστος. Αεροσκάφη και δορυφόροι που είναι εξοπλισμένα με τους κατάλληλους αισθητήρες, επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα για διάφορους τρόπους παρακολούθησης της κυκλοφορίας από ψηλά.
Μεθοδολογία:
Τα δεδομένα που χρησιμοποιούνται για την ανάλυση της οδικής κυκλοφορίας παράγονται σε πρώτο στάδιο, από τους φωτογραφικούς αισθητήρες που βρίσκονται στα εναέρια μέσα, και στους οπτικούς δορυφόρους, απεικονίζοντας την κυκλοφορία στην περιοχή ενδιαφέροντος. Με δορυφορικά συστήματα υψηλής χωρικής ανάλυσης 0,4 - 1,0 μέτρων όπως αυτά του IKONOS, του Quick Bird και του Geoeye-1, τα οχήματα μπορούν να παρατηρηθούν αρκετά καθαρά σε έναν αυτοκινητόδρομο. Σε αυτό το σημείο είναι σημαντικό να υπογραμμιστεί ότι τα συστήματα καταγραφής δεν στοχεύουν σε κάθε αυτοκίνητο μεμονωμένα, αλλά συνολικά στα αυτοκίνητα που διέρχονται, με αυτόν τον τρόπο μια μέθοδος ανίχνευσης οδικής κυκλοφορίας μπορεί να βασίζεται στην ανίχνευση αλλαγών που συμβαίνουν μεταξύ των απεικονίσεων. Στη συνέχεια οι εικόνες των δορυφόρων αποστέλλονται σε ένα σύστημα επεξεργασίας και ανάλυσης, όπου υπολογίζονται τα χαρακτηριστικά της κυκλοφορίας ώστε να μπορούν αργότερα να χρησιμοποιηθούν.
Βασικές δυσκολίες ωστόσο μπορεί να προκύψουν στην επεξεργασία των δεδομένων εξαιτίας ορισμένων παραγόντων όπως ο αριθμός των διαφορετικών αντικειμένων σε μια απεικόνιση, για αυτό το λόγο κρίνεται απαραίτητο να γίνει απομόνωση των οχημάτων και των δρόμων. Στην περίπτωση των δρόμων, κάτι τέτοιο μπορεί να γίνει με τη βοήθεια των γραμμικών χαρακτηριστικών που επιφέρουν ή ακόμα και μέσω των χρωμάτων τους σε σχέση με την υπόλοιπη εδαφική περιοχή. Οι μετασχηματισμοί Hough και Radon δίνουν τη δυνατότητα μετατροπής τέτοιων δισδιάστατων εικόνων με γραμμές, χρησιμοποιώντας τη γραμμική διάταξη αυτών ώστε να οριστεί ο δρόμος. Αυτοί οι μετασχηματισμοί έχουν οδηγήσει σε πολλές εφαρμογές αυτόματης ανίχνευσης δρόμων κατά την επεξεργασία των δεδομένων. Μετά την απομόνωση του δρόμου σειρά έχει η ανίχνευση και απομόνωση των οχημάτων, η οποία γίνεται βάση του ορθογώνιου σχήματος που φαινομενικά εμφανίζεται να φέρουν από την κατακόρυφη οπτική γωνία στην που βρίσκεται ο δορυφόρος. ΈΈνα σημαντικό χαρακτηριστικό στις εναέριες εικόνες είναι και το χρώμα των αυτοκινήτων που συχνά διαφέρει με τα χρώματα άλλων αντικείμενων στην περιοχή. Αυτό σημαίνει ότι υπάρχει ακόμη ένα σημαντικό στοιχείο που μπορεί να βοηθήσει στην ανίχνευση των οχημάτων, και να συμβάλλει στο μοντέλο της απομόνωσης.
Φυσικά άλλο ένα πλεονέκτημα της μεθόδου της ανίχνευσης των δρόμων και των οχημάτων ξεχωριστά είναι ότι, θα αφαιρεθούν και τα στοιχεία/αντικείμενα που θα μπορούσαν να δημιουργήσουν προβλήματα στην αυτόματη ανάλυση των δεδομένων, κάνοντας έτσι τα αποτελέσματα ακόμη πιο έγκυρα. H συγκεκριμένη μέθοδος φαίνεται να λειτούργησε με αρκετά μεγάλη ακρίβεια με συνολικό ποσοστό επιτυχίας πάνω από 75%, σχετικά με τον αριθμό αυτοκίνητων που καταγράφηκαν από το αυτόματο σύστημα ανίχνευσης, και αυτών που δεν καταγράφηκαν. Συγκεκριμένα, όπως παρατηρείται και στο Σχήμα 5, 195 οχήματα πέρασαν συνολικά από 6 δρόμους και ανιχνεύθηκαν τα 166 από αυτά.
Συμπεράσματα:
Οι εφαρμογές τηλεπισκόπησης μπορούν να παρέχουν πολύ σημαντικές πληροφορίες για την οδική κυκλοφορία σε μια σχετικά μεγάλη γεωγραφική έκταση που δεν θα μπορούσε να να παρέχει αντίστοιχα ένα συμβατικό μέσο. Τα πολλά και συνεχή δεδομένα απαιτούν άμεση επεξεργασία προκειμένου να τεθούν σε εφαρμογή τα αποτελέσματα, κάτι που δεν αφήνει άλλη επιλογή πέρα από τη δημιουργία αυτόματων συστημάτων επεξεργασίας. Η μέθοδος της απομόνωσης συγκεκριμένων χαρακτηριστικών σε μια εικόνα, μπορεί να συνεισφέρει σημαντικά στην αυτοματοποίηση και εξαγωγή των δεδομένων για τη μελέτη της οδικής κυκλοφορίας μιας περιοχής, προσφέροντας άμεσα αποτελέσματα στο λιγότερο δυνατό κόστος. Το μικρό ποσοστό σφάλματος που παρατηρήθηκε βάση του σχήματος 5, δεν είναι ιδιαίτερα ανησυχητικό μιας και θα μπορούσε εύκολα να εξαλειφθεί με την περαιτέρω ανάπτυξη του machine learning της μεθόδου.
