Zmodyfikowana hybrydowa metoda nieliniowej estymacji tła dla wizyjnych systemów śledzenia ruchu pojazdów

W celu weryfikacji algorytmów estymacji tła możliwe jest wykorzystanie wskaźników podobieństwa obrazu lub porównawczych wskaźników jakości obrazu wymagających jednak znajomości referencyjnego obrazu tła. Dzięki ich zastosowaniu możliwe jest również adaptacyjne przełączanie pomiędzy algorytmami estymacji tła w zależności od wykrytych lokalnych zmian w obrazie powodowanych przez poruszające się obiekty, a także pominięcie klatek lub ich fragmentów znacząco różniących się z tego powodu od pozostałych. W artykule zaproponowano i zweryfikowano modyfikację uprzednio proponowanego hybrydowego podejścia do estymacji tła, dzięki czemu uzyskano szybszą zbieżność estymacji oraz zwiększenie stabilności uzyskiwanych wyników.

Współczesne Inteligentne Systemy Transportowe (ITS) w coraz większej mierze wykorzystują techniki wizyjne oparte na analizie obrazów i sekwencji wideo pozyskanych z kamer montowanych w bezpośrednim sąsiedztwie drogi. Pomimo tego, iż informacje uzyskiwane w sposób automatyczny z obrazów często są obarczone błędami uniemożliwiającymi ich pełne wykorzystanie np. jako materiał dowodowy, również z powodów formalnych (ekstrakcja informacji wymaga zazwyczaj przetwarzania pozyskanych obrazów), stanowią one atrakcyjną alternatywę dla tradycyjnych sposobów pomiaru np. pętli indukcyjnych wykorzystywanych do pomiaru natężenia ruchu dla potrzeb ITS. Głównymi powodami dynamicznego rozwoju tego rodzaju technik jest stosunkowo niski koszt sprzętu o dobrych parametrach, jak również znaczny postęp technik analizy obrazów, jaki ma miejsce przez co najmniej kilkanaście ostatnich lat. Jednym z zasadniczych elementów wizyjnych systemów automatycznego nadzoru ruchu jest możliwość śledzenia pojazdów. Możliwe są tutaj do wykorzystania różne podejścia, spośród których szczególnie atrakcyjne wydają się być algorytmy śledzenia przed detekcją (Track-Before-Detect) umożliwiające zwiększenie zasięgu systemu oraz odporności na zakłócenia spowodowane np. zmiennymi warunkami atmosferycznymi. Jednym z najistotniejszych elementów warunkujących poprawność i wysoką dokładność śledzenia jest przetwarzanie wstępne obrazów związane z estymacją i usuwaniem tła, stanowiące wciąż aktywny obszar zainteresowania badaczy, dzięki czemu znacząco zmniejsza się ilość danych przekazywanych do algorytmu śledzenia powodując wzrost jego wydajności. (...)