基於視訊場景資料蒐集與訓練之自適應車流估計機制

專案詳細資料

Description

越來越多的監控攝影機被架設於城市街頭各個角落,並隨時產生、傳輸與儲存大量視覺資料,大規模視訊監控與可能的智慧型交通檢視系統的建置讓自動分析影像/視訊資料逐漸成為必要的處理方式。本研究主要考量交通監控議題,希望透過監控視訊的畫面處理協助估測市區車流數量。不同於高速公路車流分析,市區車流畫面分析的相關研究較少,原因在於不同攝影機所拍攝的畫面內容通常不一致,發展一般性模型以適用於各種角度所拍攝的市區車流畫面恐怕不是最好的方法。此外,人工標記各個交通監控攝影資料並不可行,採用自動或半自動場景適應式市區車流視覺分析將是具前景的研究方向。場景適應式機制應可在節省監控人力的情況下得到各個時段不同區域的交通狀況,各式車輛的分類也有助於對該監控區域交通情況的瞭解與相關規則的制定。本研究提出針對固定式道路監控攝影機所拍攝畫面的車流分析工具,計劃主要分為兩部分;第一部分為模型訓練機制,首先建立該監控場所的背景,接著對畫面內容去除背景取出前景(車輛),利用形態學方法得到可能的單一車輛遮罩,並對其面積與形態進行統計,取得畫面中可能的不同種類車輛資訊,依此收集不同種類車輛的樣本影像。在每個區域取得一定數量的訓練樣本後,我們先以隱式型態模型測試與改進相關方法,接著採用深度學習技術,即全卷積神經網路方法,建立各種車輛在此場景的模型,我們相信此自適應演算方式可大幅減少模型建置的人力需求。第二部分為辨識機制,我們使用訓練完成的模型對場景中的車輛進行分類與辨識,協助解決車輛影像交疊問題,判斷市區影像中常出現的車輛不移動情況,同時提升車輛分類準確度。
狀態已完成
有效的開始/結束日期1/08/1731/07/18

聯合國永續發展目標

聯合國會員國於 2015 年同意 17 項全球永續發展目標 (SDG),以終結貧困、保護地球並確保全體的興盛繁榮。此專案有助於以下永續發展目標:

  • SDG 11 - 永續發展的城市與社群
  • SDG 13 - 氣候行動
  • SDG 17 - 為永續目標構建夥伴關係

指紋

探索此專案觸及的研究主題。這些標籤是根據基礎獎勵/補助款而產生。共同形成了獨特的指紋。
  • Video Forensics for Detecting Shot Manipulation Using the Information of Deblocking Filtering

    Hsieh, C. K., Chiu, C. C. & Su, P. C., 8 6月 2018, Proceedings - 2018 IEEE 42nd Annual Computer Software and Applications Conference, COMPSAC 2018. Demartini, C., Reisman, S., Liu, L., Tovar, E., Takakura, H., Yang, J.-J., Lung, C.-H., Ahamed, S. I., Hasan, K., Conte, T., Nakamura, M., Zhang, Z., Akiyama, T., Claycomb, W. & Cimato, S. (編輯). IEEE Computer Society, p. 353-358 6 p. 8377885. (Proceedings - International Computer Software and Applications Conference; 卷 2).

    研究成果: 書貢獻/報告類型會議論文篇章同行評審

    2 引文 斯高帕斯(Scopus)