Tiếp tục với ví dụ của Hình2.12, Hình2.18 cho thấy a) hình ảnh thử nghiệm, b)hình ảnh thu được sau khi áp dụng phép toán vùng lân cận trượt và c) hình ảnh nhị phân thu được saubằng cách sử dụng Ngưỡng Otsu. Lưu ý rằng hình ảnh nhị phân hiển thị tất cả các phương tiện tối dưới dạng các mảng đen. Đế hiển thị các xe tối dưới dạng các mảng trắng, phần bổ sung của hình ảnh nhị phân được thực hiện. Hình2.19cho thấy phần bổ sung của hình ảnh nhị phân.
Hình2.19. Âm bản của hình2.18 c)
Xem xét kỹ hình ảnh thử nghiệm ban đầu (Hình2.12), chúng ta có thể nhận thấy rằng hình ảnh khơng chứa xe tối. Các mảng trắng trong hình ảnh nhị phân trên (Hình2.19)đại diện cho bóng của các phương tiện trong hình ảnh thử nghiệm. Để tránh coi bóng xe là tốixe cộ, kết quả của thuật tốn Phát hiện xe sáng và phát hiện xe tối được thêm vào.Điều này được thực hiện bằng cách thực hiện phép toán LOGICAL HOẶC trên hai hình ảnh nhị phân: hình ảnh đầu tiên thu được bằng
thuật toán phát hiện xe sáng (kỹ thuật Otsu hoặc Multiple Thresholds) vàthứ hai thu được bằng thuật toán phát hiện phương tiện tối (kỹ thuật Ngưỡng Otsu). Ngồi ra, bóng của các phương tiện sáng, rất gần với các phương tiện sáng, được kết hợp như phương tiện đơn lẻ. Quá trình này được trình bày trong Hình2.20, trong đó hình ảnh đầu tiên cho thấy hình ảnh nhị phânkết quả sau khi áp dụng thuật tốn phát hiện xe sáng (Ngưỡng Otsu); hình ảnh thứ hai cho thấyhình ảnh nhị phân thu được sau khi áp dụng thuật tốn phát hiện xe tối; và hình ảnh thứ ba cho thấycả hai hình ảnh kết hợp để đưa ra kết quả cuối cùng.
Hình2.20. Ứng dụng của thuật tốn phát hiện phương tiện vào ảnh thử nghiệm trong Hình2.18 Chú thích: a) Các phương tiện sáng được phát hiện bằng “Thuật toán phát hiện phương tiện sáng (Ngưỡng Otsu)”
b) Phương tiện tối được phát hiện bằng "Thuật toán phát hiện phương tiện tối"
c) Phương tiện sáng và tối
Trong Hình2.20 a), các xe màu đỏ có bóng, các xe có màu xanh lam trong Hình2.20 b). Trong Hình2.20 c), các mảng màu cam là các phương tiện được kết hợp với bóng của chúng. Nếuhình ảnh kiểm tra có xe tối và xe sáng, sau đó thêm hai ảnh nhị phân (ảnh xe sángvà phương tiện có xe tối), sẽ khơng ảnh hưởng đến phát hiện cuối cùng của phương tiện miễn làcác phương tiện được phát hiện trong
mỗi hình ảnh nhị phân không gần nhau lắm.Trong trường hợp đặt xe tối và sáng rất gần, có thể xe sángcó thể được kết hợp với một phương tiện tối và được tính là một phương tiện duy nhất, tạo ra lỗi trong kết quả. Điều nàycũng đúng khi hai hoặc nhiều xe sáng hoặc tối ở rất gần nhau, khi đó kết quả cuối cùngsẽ kết hợp nhóm phương tiện rất gần này thành một phương tiện duy nhất, gây ra lỗi trong lần đếm cuối cùng.
2.2.2.5 Phân loại Phương tiện là Ơ tơ và Xe tải
Để phân loại các phương tiện, là ô tô hay xe tải, ba thông số: chiều rộng, chiều cao và diện tích củacác phương tiện phát hiện được xem xét. Đầu tiên giá trị trung bình của mỗi tham số này được tính tốn. Đây làđược thực hiện bằng cách tính đến tất cả các phương tiện được phát hiện trên hình ảnh thử nghiệm. Sau đó, ba tham sốđối với mỗi phương tiện được phát hiện được so sánh với các giá trị trung bình. Bất kỳ phương tiện nào có chiều rộng, chiều cao và diện tích lớn hơn các giá trị trung bình được coi là một chiếc xe tải nếu khơng nó là một chiếc ơ tơ. Thuật tốn chophân loại như sau:
Mean_Area = Mean [Tất cả các khu vực xe cộ]
Mean_Width = Mean [Độ rộng của tất cả các phương tiện] Mean_Height = Mean [Chiều cao của tất cả các phương tiện] Số xe = 0;
Xe_tải = 0;
for i = 1 to no_of_vehicles
If (Xe [i].Area> Mean_Area)
If (Xe [i]. Chiều rộng> Trung bình_ Chiều rộng) If (Xe [i]. Chiều cao> Mean_Height)
Truck_Count = Truck_Count + 1; else
Car_Count = Car_Count + 1;
Trường hợp đặc biệt: Tại một thời điểm nhất định, có thể đường chỉ có ơ tơ
(khơng có xe tải). Trong trường hợp này,có khả năng một số ơ tơ có thể được phân loại là xe tải.
2.2.2.6 Đếm xe
Để tính tốn số lượng xe cuối cùng trong hình ảnh thử nghiệm (số ơ tơ và số ơ tô tải),hàm MATLAB: BWLABEL được sử dụng. Hàm này trả về số lượng các đối tượng được kết nối trong mộthình ảnh nhị phân.
2.2.2.7 Các trường hợp đặc biệt sẽ ảnh hưởng đến kết quả
Để kiểm tra thuật tốn của mình, chúng tơi đã áp dụng nó cho một số hình ảnh trong cơ sở dữ liệu. Từ kết quả, chúng tơicó thể nói rằng thuật tốn đã cho kết quả xuất sắc trong việc phát hiện và phân loại các phương tiện. Tuy nhiên,như trong tất cả các thuật tốn xử lý hình ảnh, hiệu suất phụ thuộc mạnh mẽ vào ứng dụng cụ thểvà sẽ có trường hợp thuật tốn khơng cho kết quả như mong muốn. Để có đượckết quả trong việc áp dụng thuật tốn của chúng tơi, các hình ảnh đang nghiên cứu phải thỏa mãn các điều kiện sau.
Khu vực nghiên cứu chỉ nên bao gồm các đoạn đường cao tốc một chiều, vai đường và đường dốc nên được tránh.
Sự hiện diện của bụi rậm và cây cối làm giảm độ chính xác của kết quả vì những đối tượng đó có thể được phát hiện là phương tiện.
Đối với những trường hợp có giao thơng đơng đúc, thuật tốn sẽ nhóm các phương tiện lại với nhau rất gần nhau, gây ra sai sót khi đếm phương tiện cuối cùng.
2.2.3 Kết quả và phân tích
Trong phần này, chúng tôi hiển thị kết quả thu được bằng cách áp dụng các thuật toán được đề xuất cho một sốhình ảnh trong cơ sở dữ liệu của chúng tôi. Các phương tiện sáng được phát hiện bằng cách áp dụng cả hai kỹ thuật:
Ngưỡng và Otsu và kết quả được so sánh. Các phương tiện tối được phát hiện bằng OtsuNgưỡng.
2.2.3.1 Hình ảnh: Phoenix