Αυτόματη εξαγωγή της τροχιάς οχήματος από εναέρια τηλεπισκόπηση.

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση
Εικόνα 1: Τα βήματα της επεξεργασίας εικόνας
Εικόνα 2: Χαρακτηριστικά αποτελέσματα εντοπισμού για τη 1η (αριστερά) και τη 2η λωρίδα κυκλοφορίας.

Πρωτότυπος τίτλος: Automatic vehicle trajectory extraction by aerial remote sensing Συγγραφείς: Carlos Lima Azevedoa, João L. Cardoso, Moshe Ben-Akiva, João P. Costeira, Manuel Marques. http://www.sciencedirect.com/science/article/pii/S1877042814001207


1.1. Εισαγωγή

Η έρευνα στο τομέα της οδηγικής συμπεριφοράς και η μοντελοποίησή της εξαρτάται σε μεγάλο βαθμό από τη διαθεσιμότητα δεδομένων μεγάλης ακρίβειας και λεπτομέρειας. Ανάμεσα σε αυτά τα δεδομένα, η τροχιά των οχημάτων αποτελεί μια σημαντική πηγή πληροφοριών για τη θεωρία της ροής της κυκλοφορίας, τη δημιουργία μοντέλων οδικής συμπεριφοράς, τη καινοτομία στη διαχείριση της κυκλοφορίας και στην ασφάλεια καθώς και τις περιβαλλοντικές μελέτες. Οι πρόσφατες εξελίξεις στον τομέα των τεχνολογιών ανίχνευσης και στους αλγορίθμους επεξεργασίας εικόνας μείωσε τους πόρους (χρόνο και κόστος) που απαιτούνται για τη λεπτομερή συλλογή δεδομένων κίνησης, γεγονός που προώθησε τη χρήση της συγκεκριμένης τεχνολογίας. Στη παρούσα εργασία, για τον έλεγχο των βασικών μοντέλων εφαρμογών μικροπροσομοίωσης (microsimulation) κυκλοφορίας για την εκτίμηση της ασφάλειας, χρησιμοποιήθηκαν τροχιές οχημάτων οι οποίες συλλέχθηκαν με τηλεπισκόπηση σε ένα τυπικό, προαστιακό αυτοκινητόδρομο της Πορτογαλίας.


1.2. Δεδομένα

Στην παρούσα μελέτη, για τη συλλογή των εικόνων χρησιμοποιήθηκε αεροσκάφος Cessna T210L Centurion ΙΙ, με πλατφόρμα σταθεροποίησης γυροσκοπικού αντισταθμιστήρα (gyro-stabilizing platform) GSM 3000, ο οποίος εξασφάλιζε την υποστήριξη κάμερας Digicam-H/39. Η κάμερα αυτή, με αισθητήρα RGB των 7216x5412 pixels και έναν φακό Hasselblad 80 χιλιοστών, επιτρέπει τη συλλογή εικόνας πολύ υψηλής ανάλυσης ενώ ήταν συνδεδεμένη με ένα υψηλής ακρίβειας σύστημα GPS για τη παράλληλη συλλογή στοιχείων πτήσης. Περιοχή μελέτης αποτέλεσε ο αυτοκινητόδρομος Α44, μήκους 5km, στο νότιο τμήμα της περιοχής του Πόρτο. Η μέση ταχύτητα πτήσης ήταν 220km/h, το μέσο υψόμετρο 2.800m και πραγματοποιήθηκαν 12 πτήσεις. Η επικάλυψη των εικόνων ήταν περίπου 90% και η απόσταση των λήψεων 23cm.


1.3. Μεθοδολογία

1.3.1. Επεξεργασία εικόνας

Η διαδικασία επεξεργασίας εικόνας αποτελείται από πολλές επιμέρους εργασίες που, ανάλογα με την επιλεγμένη προσέγγιση, δεν μπορούν πάντα να ενσωματωθούν σε ένα ενιαίο αλγόριθμο. Στη συγκεκριμένη μελέτη, για την ανίχνευση των κινούμενων οχημάτων χρησιμοποιήθηκε μια προσέγγιση που περιλαμβάνει αφαίρεση του φόντου (background subtraction). Για την ολοκλήρωση της διαδικασίας ακολουθήθηκαν τα παρακάτω βήματα: α. τοπική διόρθωση της εικόνας, β. ανίχνευση κινούμενων αντικειμένων, γ. διαχωρισμός οχημάτων από άλλα αντικείμενα.

Μετά την ορθοαναγωγή με χρήση των λεπτομερειών πτήσης και το μοντέλο επιφανείας, τεχνικές όρασης υπολογιστών χρησιμοποιήθηκαν για τη πραγματοποίηση διορθώσεων. Για το περιορισμό των λαθών κατά την ορθοαναγωγή και το 3D μοντέλο επιφάνειας, χρησιμοποιήθηκε μία αυτόματη τοπική διαδικασία διόρθωσης με τη χρήση του αλγορίθμου SIFT (Scale Invariant Feature Transform) (Lowe, 2004). Επειδή τα αντίστοιχα σημεία μεταξύ των εικόνων πρέπει να επαληθεύουν τo προβολική μοντέλο, χρησιμοποιήθηκε ο αλγόριθμος RANSAC για να επιλεχθούν οι σωστές αντιστοιχίες (Fischler και Bolles, 1981).


1.3.2. Εντοπισμός οχημάτων

Ο εντοπισμός των οχημάτων πραγματοποιήθηκε με αφαίρεση του φόντου μέσω της χρήσης του φίλτρου της διαμέσου (median-based background subtraction). Αφού έγινε ανίχνευση του προσκηνίου με τη χρήση τεχνικής λόγου φασμάτων (spectral ratio technique), πραγματοποιήθηκε κατάτμηση περιοχών προκειμένου να αναγνωριστούν πιθανές περιοχές για θέσεις οχημάτων. Μετά την επίτευξη της ανίχνευσης των οχημάτων ανεξαρτήτως χρόνου, επόμενο βήμα αποτέλεσε η σύνδεση των υποψήφιων θέσεων οχημάτων με πιθανές τροχιές. Η προσέγγιση που εφαρμόστηκε ήταν αυτή της θεωρίας γραφήματος (graph theory) η οποία έχει εφαρμοστεί πρόσφατα με επιτυχία σε διάφορα προβλήματα εντοπισμού οχημάτων (Berclaz et al, 2011) και περιλαμβάνει την παρουσίαση της κάθε περιοχής στην εκάστοτε λήψη με ένα κόμβο σε γράφημα, κάτι που οδηγεί στη δημιουργία σύνδεσης ανάμεσα σε κάθε περιοχή σε δύο διαδοχικές λήψεις. Ποικίλες εναλλακτικές προσεγγίσεις εφαρμόστηκαν προκειμένου να επιτευχθεί το καλύτερο αποτέλεσμα και να περιοριστούν λάθη που προέκυψαν κατά τη διαδικασία (πχ. δημιουργία κατωφλίου τιμών ταχύτητας, επιτάχυνσης και επιβράδυνσης κτλ).


1.4. Αποτελέσματα

Η μέθοδος που παρουσιάστηκε παραπάνω συγκέντρωσε με επιτυχία 1.855 τροχιές οχημάτων από τις δώδεκα πτήσεις. Πρόκειται για το 95% των τροχιών, παρά τη μεγάλη χρονική και χωρική ανάλυση. Στο παρακάτω σχήμα εμφανίζεται ένα σετ τροχιών όπως προέκυψαν στις δύο κύριες λωρίδες κυκλοφορίας. Η κυκλοφοριακή συμφόρηση στο τέλος της 2ης λωρίδας είναι εμφανής σε όλα τα γραφήματα ενώ οι αλλαγές στις λωρίδες αντιστοιχούν σε αλλαγές στα γραφήματα.


1.5. Συμπεράσματα

Παρά τα επιτυχή αποτελέσματα της παρούσας εργασίας, θα ήταν ορθό να αναφερθούν τρεις βασικοί περιορισμοί της μεθόδου, προκειμένου να ληφθούν υπόψιν σε μελλοντικές εργασίες:

  • Τα παραδοσιακά και λιγότερο δαπανηρά αεροσκάφη τα οποία συλλέγουν μόνο τμήματα των τροχιών λόγω της δυναμικής φύσης του σημείου παρατήρησης. Μη επανδρωμένα εναέρια οχήματα μπορεί να οδηγήσουν σε καλύτερα αποτελέσματα.
  • Η μεγάλη απόσταση δειγματοληψίας και οι σκιές.
  • Οι αρχικές προδιαγραφές του αλγορίθμου Suurballe που χρησιμοποιήθηκε κατά τον εντοπισμό των οχημάτων και ο οποίος μπορεί σε κάποιες περιπτώσεις να μην συγκλίνει στην πραγματική βέλτιστη λύση.
Προσωπικά εργαλεία