fa جبران حرکت دوربین‌های کنترل نظارتی با استفاده از ثبت تصاویر متوالی در شناسایی خودروها فتوگرامتری Aerial Photogrammetry پژوهشي Research <span style="font-family:b nazanin;">تشخیص خودروها در تصاویر ویدئویی به‌عنوان یک موضوع کلیدی در مباحث بینایی کامپیوتر محسوب می‌گردد. فرض اصلی اکثر دوربین‌های نظارتی، ثابت بودن دوربین در حین فیلم‌برداری می‌باشد ولی اگر دوربین نظارتی به هر دلیلی مثلا براثر باد یا فشارهای بیرونی محیط اطراف دچار لرزش‌های مکرر شود دیگر روش‌های موجود برای شناسایی خودروها به‌درستی عمل نمی‌کنند. این موضوع باعث جابجا شدن پیکسل</span>&not;<span style="font-family:b nazanin;">های تصویر و ایجاد نویز می</span>&not;<span style="font-family:b nazanin;">شود که در اکثر مواقع باعث شناسایی عوارض ثابت به‌عنوان عوارض متحرک می</span>&not;<span style="font-family:b nazanin;">گردد. هدف</span>&nbsp;<span style="font-family:b nazanin;">اصلی در این تحقیق استفاده از روش ثبت(هم</span>‌<span style="font-family:b nazanin;">مرجع سازی) فریم</span>‌<span style="font-family:b nazanin;">های متوالی با تصویر پس</span>&not;<span style="font-family:b nazanin;">زمینه، برای حذف نویز و مشکل</span>&nbsp;<span style="font-family:b nazanin;">یادشده</span>&nbsp;<span style="font-family:b nazanin;">می</span>&not;<span style="font-family:b nazanin;">باشد. روند کار به این صورت می‌باشد که بعد از استخراج فریم</span>&not;<span style="font-family:b nazanin;">های متوالی و تصویر پس</span>&not;<span style="font-family:b nazanin;">زمینه از طریق روش میانه‌گیری، تمام فریم</span>‌<span style="font-family:b nazanin;">های موجود با تصویر پس</span>‌<span style="font-family:b nazanin;">زمینه ثبت شده و سپس با استفاده از تفریق پس</span>&not;<span style="font-family:b nazanin;">زمینه به شناسایی خودروها پرداخته</span>&nbsp;<span style="font-family:b nazanin;">می</span>‌<span style="font-family:b nazanin;">شود. سه نوع داده برای پیاده</span>&not;<span style="font-family:b nazanin;">سازی و ارزیابی توانایی روش پیشنهادی مورد استفاده قرار گرفته است. ویژگی اصلی این مجموعه داده</span>&not;<span style="font-family:b nazanin;">ها لرزش</span>&not;<span style="font-family:b nazanin;">های مکرر دوربین در حین فیلم‌برداری و متفاوت بودن تراکم خودروهای موجود در هر مجموعه می</span>‌<span style="font-family:b nazanin;">باشد. از</span>&nbsp;<span style="font-family:b nazanin;">معیار</span>&not;<span style="font-family:b nazanin;">های </span><span dir="LTR"><span style="font-size:8.0pt;">HR,MODP,FAR</span></span><span style="font-family:b nazanin;"> و </span><span dir="LTR"><span style="font-size:8.0pt;">OR</span></span><span style="font-family:b nazanin;">، برای ارزیابی روش</span>&not;<span style="font-family:b nazanin;"> پیشنهادی در دو حالت با ثبت تصویر(روش پیشنهادی) و بدون ثبت تصویر استفاده شده است. به طورکلی دقت به‌دست‌آمده برای شناسایی خودروها با ثبت تصاویر و بدون ثبت تصاویر به‌طور متوسط به</span>‌<span style="font-family:b nazanin;">ترتیب</span>&nbsp;<span style="font-family:b nazanin;">89</span>&nbsp;<span style="font-family:b nazanin;">درصد و 76 درصد می‌باشد. بنابراین می‌توان با استفاده از روش ثبت تصاویر حدود 13درصد دقت شناسایی خودروها را افزایش داد.</span> Recognizing and detecting cars in videos is ones of the main issues in computer visions. The main assumption of surveillance cameras is that the camera is fixed while taking videos. Any movements&nbsp; due to wind or external forces causes frequent vibrations in the camera and shift of image pixels. This makes conventional methods to detect static objects as moving ones mistakenly. The main aim of this research is to register sequential frames with background image to remove the noise and the mentioned problem. The algorithm first extracts sequential frames and background image using median method, and then registers all frames with the background image. Cars are detected by subtracting background image from frames. Three data were used to evaluate the capability of the proposed methods. Each data set has different car density and contain frequent vibrations while recording the videos. To evaluate the proposed method, FAR, MODP, HR and error percentage criteria were calculated with and without registration. The overall accuracies were 89% and 76% respectively which shows the 13% improvement in the accuracy of detecting cars with registration technique. ثبت تصاویر, شناسایی عوارض, تناظریابی, عوارض متحرک. registration, object recognition and detection, matching, moving objects, feature extraction 23 40 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-289-5&slc_lang=fa&sid=1 Ali Karami علی کرمی ali.karami.surveying@gmail.com 10031947532846004971 10031947532846004971 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohsen Seriani محسن سریانی 10031947532846004972 10031947532846004972 No Iran University of Science and Technology دانشگاه علم و صنعت ایران Masoud Varshosaz مسعود ورشوساز 10031947532846004973 10031947532846004973 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی