بررسی سامانه تشخیص وسایل نقلیه

بخشی از فهرست مطالب پروژه بررسی سامانه تشخیص وسایل نقلیه

مقدمه
فصل یکم- تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی
۱-۱-    نواحی کاندید شده مورد نظر
۱-۱-۱- تشخیص و ردیابی خط
۱-۱-۲- وسایل نقلیه مورد نظر
۱-۲-    تشخیص وسایل نقلیه
 فصل دوم – سیستم تشخیص وسایل نقلیه مبتنی بر ویژگی های محلی با استفاده از برد بینایی موازی
۲-۱- الگوریتم تشخیص
۲-۱-۱- تکنیک پنجره مشخصه
۲-۱-۲- تکنیک فضای مشخصه
 2-1-3-  انتخاب مشخصه ی ویژگی
۲-۱-۴- عملیات انتخاب
۲-۲- الگوریتم بردار تدریجی
۲-۳- آزمایشات تشخیص وسایل نقلیه
۲-۳-۱- وسایل نقلیه همراه با موانع جاده ای
۲-۳-۲- تشخیص وسایل نقلیه
فصل سوم – تشخیص اتوماتیک وسایل نقلیه در توالی از تصاویر هوایی با نرخ فریمی پایین
۳-۱- نظارت ترافیک
 3-2- خط مشی کلی
۳-۳- تشخیص وسیله نقلیه
۳-۳-۱- روند تشخیص
۳-۲-۲- پارامترها ی وسیله نقلیه
۳-۳-۳- تطبیق
۳-۴-  ارزیابی تشخیص
 3-4-1- طرح ارزیابی
۳-۴-۲- اجرای تشخیص و ردیابی
۳-۴-۳-هماهنگی حرکتی
 3-4-4-  مقدار نهایی
۳-۵- بررسی الگوریتم
فصل چهارم – تشخیص و مکان یابی وسایل نقلیه جاده ای به طور همزمان بوسیله مدلی مبتنی بر بینایی متمرکز
۴-۱-۲- پردازش مراحل تشخیص و ردیابی
۴-۱-۳- شناسایی جهت تشخیص و توابع هزینه ی آن
۴-۱-۴ – ارزیابی الگوریتم
۴-۲-  کاربرد تشخیص و مکان یابی وسایل نقلیه ی جاده ای
۴-۲-۱-  مدل سازی شی در دنیای سه بعدی
۴-۲-۲- فازهای یادگیری
۴-۲-۳- تشخیص و توابع هزینه
۴-۲-۴- مکان یابی وسایل نقلیه
۴-۲-۵- ردیابی وسایل نقلیه
فصل پنجم – تشخیص وسایل نقلیه با استفاده از یادگیری با ناظر
۵-۱- طرح کلی مدل پیشنهادی
۵-۲- بهبود تابع تشخیص نمایی اصلاح شده (ام کیو دی اف)
۵-۳- آزمایشات انجام شده
فصل ششم- تشخیص وسایل نقلیه مبتنی بر تغییر شکل های فوریه ، موج ضربه ای کوچک و منحنی ضربه ای
۶-۱- استخراج ویژگی
۶-۱-۱- تغییر شکل یافتن فوریه
۶-۱-۲-تغییر شکل یافتن از طریق موج ضربه ای کوچک
۶-۱-۳- تغییر شکل یافتن از طریق منحنی ضربه ای
۶-۱-۴- طبقه بندی
۶-۲- نتایج آزمایشات
۶-۲-۱-آنالیز تطبیقی توصیف گر فوریه ای، موج ضربه ای و منحنی ضربه ای
۶-۲-۱-۱- تغییر شکل فوریه ای
۶-۲-۱-۲- تغییر شکل موج ضربه ای
۶-۲-۱-۳- تغییر شکل منحنی ضربه ای
۶-۲-۲- کاهش ابعاد بردارهای مشخصه(عوامل مشترک فوریه ،موج ضربه ای ومنحنی ضربه ای)
فصل هفتم – مدل تغییر پذیر عمومی برای تشخیص وسایل نقلیه
۷-۱-  مدل پارامتریزه شده
۷-۲- جمع آوری اطلاعات
۷-۳- پایداری ساختار بهبود یافته
۷-۴- تجزیه و تحلیل اجزای اصلی
فصل هشتم – تشخیص واگن های ریلی در طرح های بازتابشی
۸-۱- تشخیص سیگنالی
۸-۱-۱- روش کار
۸-۱-۳- توضیح سناریو
۸-۱-۴- روش انجام آزمایش
۸-۲- تئوری تشخیص سیگنالی
۸-۳- آزمایش فاصله ی تشخیص
۸-۳- ۱ روش کار
۸-۳-۲- طراحی آزمایش
۸-۳-۳- توضیح سناریو
۸-۳-۴- روش انجام آزمایش
نیتجه گیری
منابع و مآخذ
 

مقدمه
   هدف اصلی از تشخیص وسایل نقلیه این است که تعداد وسایل نقلیه ی مشاهده شده در هر نقطه جهت تخمین و پیش بینی جریان خودرو ها را در یک بازه ی ترافیکی، اندازه گیری نمائیم. بدین وسیله می توانیم امنیت و بهره وری ترافیک را بهبود بخشیم. سیستم های متنوعی که هر کدام کارایی ویژه ای دارند ، رسیدن به اهداف فوق را آسان گردانیده اند .
   یکی از این سیستم ها، سیستم تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی با نرخ فریمی پایین
می باشد. اجزای پایه ای وسایل نقلیه از تصاویر استخراج می شود و سپس توسط دسته کننده های برداری با نام «اس وی ام» با یکدیگر ترکیب می شوند. این قبیل سیستم ها ، مشکل اصلی تشخیص وسایل نقلیه را در تصاویر ایستا بر طرف نموده اند ، به علاوه از تکنیک های مبتنی بر نمونه های جمع آوری شده استفاده می کنند.
گاهی اوقات اجزایی از وسایل نقلیه در تصاویر قابل دسترسی نیستند و با موانعی مسدود شده اند. با کمک یک الگوریتم تشخیص وسایل نقلیه مبتنی بر مشخصات محلی روی تصاویر بدست آمده از طریق مادون قرمز، این مشکل حل می شوند .
سیستم های ویدئویی نصب شده بر روی سکوهای هوایی بر اساس انعطاف پذیری و تغییر پذیری آنها معرفی می شوند و توانایی دارند نواحی وسیعی را جهت تشخیص از روی تراکم زمانی و فضایی داده ی نمونه پوشش دهند. الگوریتمی بدین منظور طراحی شده است که از تصاویر سه جزئی استفاده می کند و پس از تشخیص وسیله ی نقلیه در اولین تصویر، آن را در دو تصویر بعدی تطبیق می دهد و دید گسترده ای را فراهم می آورد .
همچنین در راستای عملیات ردیابی و مکان یابی وسایل نقلیه ، نیاز به تشخیص آن ها داریم. هدف این است که یک شی (وسیله ی نقلیه )  با یافتن پارامترهای سه بعدی از موانع مشاهده شده در تصاویر جاده ای تشخیص داده شود. نمونه ای دیگر از این قبیل سیستم ها ، سیستم های مبتنی بر یادگیری با ناظر است که از طریق یک سیستم کمک راننده ویک سیستم وسیله نقلیه خودگردان، توسعه یافته است و در این سیستم تابعی برای تشخیص محیط جاده و وسایل نقلیه وجود دارد و تعداد کمی از تصاویر وسایل نقلیه در حال حرکت را به کار می گیرد.
سیستم های دیگری وجود دارند که از طریق الگوریتم مبتنی بر نمونه های ساختاری که از تکنیک های استخراجی و بدست آمده از مشخصات ویژه ی تصویر وسیله ی نقلیه عمل می کند، استخراج ویژگی می نماید. این ویژگی ها توسط تغییر شکل های فوریه ای، تغییرموج ضربه ای و تغییر شکل منحنی ضربه ای به دست    می آید. عملیات روی یک مجموعه داده انجام می شود .
تشخیص وسایل نقلیه از طریق تکنیک هایی که مبتنی بر مدل های ایجاد شده از اشیاء سه بعدی است ، نیز امکان پذیر می باشد و بوسیله ی نقاط ، خطوط و سطوح ویژه ی وسیله نقلیه و مدلسازی آنها با ساختارهای مکان نگر عمل می کند .
آخرین نوع سیستم های بررسی شده ، سیستم هایی هستند که با کمک یک ناظر و تعدادی شرکت کننده ، از طریق یکسری آزمایشات ، در یک محیط شبیه سازی شده از جاده و از طریق سیگنال های ارسالی عملیات تشخیص را انجام می دهند.
فصل یکم- تشخیص وسایل نقلیه ی جاده ای در تصاویر دوربینی

می خواهیم یک سیستم تشخیص وسایل نقلیه را مبتنی بر بینایی دوربین در قالب تکنولوژی سیستم های حمل و نقل هوشمند (آی تی اس ) بررسی کنیم . برای رسیدن به این هدف، از یک دوربین واحد به عنوان ورودی استفاده می شود . یک دستگاه تصویربرداری مونوکیولار ، یک دوربین دیجیتال بی سیم است که برای اندازه گیری دامنه های غیرمستقیم با استفاده از قوانین بینایی فراهم شده است .
تشخیص یک وسیله ی نقلیه در تصاویر دوربینی ، مشکل تشخیص شی در تصاویر ایستا را حل می کند . همچنین تشخیص خودرو باید بطور قوی در شرایط روشنایی متغیر ، موقعیت های متغیر و در شرایطی که برخی اجزای وسیله نقلیه تغییر کند یا در تصویر دیده نشود، اجرا شود .
تکنیک های تشخیص اشیا (وسایل نقلیه و …) را می توان در سه دسته طبقه بندی کرد که در ادامه شرح داده می شود . اولین دسته بوسیله سیستم های مبتنی بر مدل نشان داده می شود . این مدل اشیاء موردنظر را مشخص می کند و سپس سیستم برای تطبیق دادن مدل در قسمتهای مختلف تصویر برای پیدا کردن یک حالت مناسب تلاش می کند . متاسفانه ، وسایل نقلیه ی جاده ای به طور کلی در سطحی متغیر مطرح می شود و تعیین یک مدل در مسیر یک راه را غیر ممکن می سازد . در نتیجه سیستم های مبتنی بر این مدل جهت تشخیص وسایل نقلیه کمتر استفاده می شوند. دسته ی دومی روشهای تغییر ناپذیر تصویری هستند که تطبیقی مبتنی بر خصوصیات الگوی یک مجموعه تصویر انجام می دهد و به طور مزمنی شی ای که مورد جستجو قرار گرفته را تعیین می کند . وسایل نقلیه ی جاده ای ،  هر الگوی وابسته به تصویر قطعی را (انواع مختلف از مدلهای وسایل نقلیه وابسته به سازنده) به دلیل تغییرپذیری بالای آن نشان نمی دهد . به همین دلیل روشهای تغییرناپذیر تصویری یک انتخاب مناسب جهت رفع مشکل تشخیص وسایل نقلیه نیست .
دسته ی سوم از تکنیکهای تشخیص شئ بوسیله الگوریتم یادگیری  مبتنی بر نمونه مشخص شده اند . خصوصیات واضح از یک نوع شی توسط سیستم مبتنی بر مجموعه ای از نمونه ها یادگرفته می شود . این نوع تکنیک  می تواند راه حلی را برای رفع مشکل تشخیص و ردیابی وسایل نقلیه  به شرط آنکه شرایط معرفی شده پیروی شود ، فراهم کند . تعداد زیادی ازوسایل نقلیه در بانک اطلاعاتی وجود دارد . ا ین نمونه ها نمایشگر انواع وسایل نقلیه در شرایط متغیری از روشنایی وموقعیت وسایز آن در تصویر است .
تکنیک های مبتنی بر نمونه ، در طبیعت ،  در محیط های متفاوت برای تشخیص عابر استفاده می شده است. به طور کلی این تکنیک ها جهت تشخیص اشیایی که قسمت های قابل تشخیص متمایزی دارند و در یک موقعیت به خوبی تعریف شده اند ، به کار برده می شود  . این حالات برای وسایل نقلیه ی جاده ای ، هنگامی که یک دیدگاه ، یادگیری توزیع شده بر مبتنی بر اجزای اشیا دارد ، برای تشخیص اشیا در محیط های متفاوت و حقیقی کارآمد تر است نسبت به حالاتی که از یک دیدگاه کلی نگر استفاده می کند .
تکنیک های یادگیری توزیع شده با قسمت هایی از تصویر که قابل دسترس نیستند می تواند جهت تشخیص به کار روند و نسبت به چرخش های شی در تصویر کمتر حساس هستند .
برای تشخیص کاراتر در تشخیص اشیا در تصاویر حقیقی ، فضای جستجوی وسایل نقلیه را در یک وضعیت هوشمند بر پایه ی تصاویر جاده ای ، کاهش می دهیم . در نتیجه با خطوط علامت گذاری شده ی جاده ، کار پردازش برای تشخیص وسیله نقلیه آسانتر می شود . نواحی احاطه شده توسط محدودیت هایی از خطوط ، با انتخاب نواحی مورد نظر ، بررسی می شود .این نواحی ، شامل وسایل نقلیه ی مورد نظر هستند که به عنوان مدل تشخیص و ردیابی وسیله نقلیه به کار می رود .

۱-۱- نواحی کاندید شده مورد نظر
سیستم به دو بخش زیر سیستم تقسیم می شود . اولین زیر سیستم مسئول تشخیص و ردیابی خط هاست ، همچنین خط تقاطع بوسیله اولین زیر سیستم طبق خطوط جاده ای ، مورد نظارت قرار گرفته است .

۱-۱-۱- تشخیص و ردیابی خط
تصاویر به دست آمده از دوربین  پردازش شده است و خطوط منحنی که تصویر را پوشش داده اند برای تشخیص خطوط علامت گذاری شده به منظور بدست آوردن تخمینی از خطوط جاده ای که ناحیه ی مورد جستجو را تعیین می کند مناسب هستند .
الگوریتم حدود ۵۰ خط در ناحیه ی مورد جستجورا در فاصله ی ۲ متری از دوربین در جهت خط افقی ، بررسی می کند . همچنین با توسعه الگوریتم ، می توان اجزای یک فضای غیر یکنواخت را جستجو کرد .
بردار در حالت نهایی برای هر خط روی جاده شامل ۶ متغیر است .
Coh , clh , cov , clv , x0 , ?0
که   coh و clh پارامترهای انحنایی سطح افق را نمایش می دهد . cov و clv کاندیدی برای پوشش پارمترهای انحنایی عمودی اند و x0  و ?۰ به ترتیب خطای جانبی و خطای جهت یابی وسیله نقلیه می باشد .
شکل ۱-۱ یک  مرحله از الگوریتم تشخیص و ردیابی وسیل نقلیه را روی تصاویر جاده  نشان می دهد .خطوط سبز نشان دهنده ی خطوط تخمین زده شده ی جاده است ، همچنین الگوریتم خطا را بین چرخ سمت چپ ماشین و سمت چپ راه ، خطا بین چرخ راست ماشین و سمت راست راه ، نشان می دهد . شعاع انحنای جاده هم در یک فاصله ۵۰ متری تخمین زده می شود .
 
شکل ۱- ۱- نمونه های تشخیص خطی در توالی از تصاویر

۱-۱-۲- وسایل نقلیه مورد نظر
در این مکانیزم ، پنجره های مورد نظر بنابر کمبود خصوصیات متمایزی از قبیل لبه های افقی و ساختارهای متقارن برای وسایل نقلیه ضروری هستند . و داشتن این پنجره ها اثر مثبتی در کاش زمان محاسبات کلی و درصد تشخیص، به طور قطعی دارد .
هر جاده ، پس از جاده دیگر از انتهای خط افق تصویر ، به دنبال جمع آوری لبه های افقی که می تواند توان وسیله نقلیه را نشان دهد ، بررسی می شود. خطوط بررسی شده در گروه های سه تایی دسته بندی می شوند. برای هر گروه یک ضریب افقیت به عنوان نسبتی از نقاط لبه ی افقی که به وسیله سایز نرمالسازی شده و در ناحیه تجزیه شده قرار دارد ، و محاسبه می شود . ضریب به دست آمده جهت تجزیه ی متقارن برای راه اندازی مکانیزم مورد نظر ، استفاده می شود.
در نتیجه ی این عملیات ، قسمت هایی از راه های جاده تشخیص داده می شود ، به علاوه راه های اصلی به وسیله موقعیت هایی که وسیله نقلیه در آن ، بین دو خط قرار گرفته ، مطرح می شوند.
خطوط مجازی هم پوشانی لازم بین راه ها را برای جلوگیری از تشخیص های نادرست و نیمه قطعی ، فراهم می کند . وسیله ی نقلیه به دو قسمت تقسیم می شود و هر قسمت جداگانه تشخیص داده می شود . همچنین یک راه مجازی در نظر گرفته می شود تا همپوشانی مناسبی بین دو راه همجوار فراهم کتد . شکل ۱-۲ نواحی کاندید شده ی مورد نظر را بوسیله مکانیزم بدست آمده ، در یک بخش از تصویر نشان می دهد . به طور متوسط ، سیستم ۵ پنجره کاندید در هر فریمی که به سمت دسته کننده پیش می رود ، ایجاد می کند . با این حال ، این تصویر محدود به تغییرات وابسته به شرایط ترافیکی است .
 
شکل  1- 2- ایجاد نواحی کاندیده ی مورد نظر در توالی از تصاویر

۱-۲- تشخیص وسایل نقلیه
به طور کلی ،کلاس وسایل نقلیه ی جاده ای شامل تعداد زیادی خودروی متفاوت است که هر کدام را به صورت یک گروه  در می آورد . در نتیجه نمونه ها را برای به کار گیری در یک دیدگاه از یادگیری توزیع شده که در هر کدام از قسمت های منحصر به فرد از وسایل نقلیه ، مستقلانه یاد گرفته می شود و از یک دسته کننده ی ویژه در اولین مرحله از یادگیری  استفاده می کند ، فراهم خواهد کرد .
سپس قسمت های محلی به وسیله دیگر دسته کننده ها در مرحله ی دوم یادگیری ، یکپارچه سازی می شوند. در نتیجه به وسیله ی یک دیدگاه مرتبه ای و همچنین دسته کننده های مستقل در یک وضعیت توزیع شده ، پردازش یادگیری ساده تر می شود ، به شرط آنکه یک دسته کننده منفرد ، خصوصیات منحصر به فردی را از نواحی محلی ، در شرایط تعیین شده فراهم کند . در غیر این صورت دستیابی به یک نتیجه قابل قبول با استفاده از یک دیدگاه کلی نگر، دشوار خواهد شد .
به طور کلی سه زیر ناحیه ی مختلف از نواحی مورد نظر مطرح می کنیم که در شکل ۱-۳ نشان داده شده است. این سه ناحیه ، قسمت های مشخصی از وسیله نقلیه را می پوشاند . دو زیر ناحیه ی کوچک در سطح ناحیه ای که چرخ ها فرض شده اند، قرار گرفته است. زیر ناحیه ی سوم در قسمت مرکزی ناحیه مورد نظر قرار گرفته است و سطحی که در آن پلاک خودرو و شیشه عقب قرار گرفته  است را پوشش می دهد . موقعیت این سه ناحیه ، تلاشی برای تشخیص خصوصیات ساختاری و مرتبط با خودرو را فراهم می کند.
شکل  1-3-  تجزیه ی یک ناحیه ی کاندیده به ۳ زیر ناحیه
یک مجموعه از خصوصیات باید از هر زیر ناحیه استخراج شده و برای دسته بندی آماده شود . قبل از انجام این کار، تمام نواحی کاندید شده ی مورد نظر ، با استفاده از یک عملگر ویژه پردازش می شوند .
بااستفاده از تصویر هوشمندانه می توان ارائه مناسبی از خصوصیات ویژه و متمایز کلاس خودرو بدست آورد. به عبارت دیگر لبه های افقی و عمودی رامی توان به راحتی دید و تمیز داد . همچنین تناسب عمودی یک خودرو در این شرایط بدون تغییر باقی می ماند ولبه ها تحت تاثیر رنگ یا شدت سختی خود ، تحت تاثیر قرار نمی گیرند. این خصوصیات باعث می شود  استفاده از لبه ها برای تشخیص انواع مشابه از مدل های مختلف خودرو مناسب باشد .ابتدا مجموعه خصوصیات از هر زیر ناحیه با استفاده از هیستوگرام نرمالسازی شده ای مبتنی بر ماتریس تصادفی از پیش پردازش زیر ناحیه ،  استخراج می شود. (چهار ماتریس  تصادفی با استفاده از چهار بردار جستجو کننده مختلف محاسبه می شوند.)
استفاده از این ماتریس ها ، می تواند به تشخیص تفاوت ها در مدل های مختلف، کمک می کند به شرط آنکه دیگر قسمت های تصویر (که شامل خودرو نیستند) بتوانند در مکانیزم نظر قابل پیاده سازی نمی باشد .
اطلاعات بدست آمده ، از این ماتریس ها روی ساختار دو بعدی از یک خودرو فراهم شده اند وپیش پردازشی از زیر ناحیه ها ، به عنوان ورودی دسته کننده ها به کار گرفته می شود .
حجم ناحیه مورد نظر، قبل از اینکه برای دسته بندی به کار رود ، نرمالسازی می شوند . سایز ۸۰×70 پیکسل برای نمایش اطلاعات در شکل ۱-۴ به کار رفته است. این سایز برای تشخیص و ردیابی خودرو در فواصل طولانی نیز مناسب است.
شکل ۱-۴-  ورودی نرمالسازی شده در دسته بندی
چندین مجموعه ی آموزشی برای هر زیر ناحیه به منظور ذخیره ی نمونه هایی در شرایط آب و هوایی مختلف و شرایط متفاوتی از روشنایی ایجاد شده است. این تکنیک ها ، اجازه می دهند که هر مجموعه آموزشی به طور جداگانه با استفاده از یک خودروی برداری پایه ای ویژه  (اس وی ام ) که نتایجی عالی را فراهم کرده است ، آگاهی به دست آید . در غیر این صورت ، استفاده از یک دسته کننده ی کلی در خواست خواهد شد تا بیشتر قابل تعمیم باشد . دسته کننده های عمومی بیشتر باعث عدم موفقیت در این  راستا می شوند، چون تصویرهای بدست آمده را در یک سناریوی خارج از ناحیه ی مورد نظر بررسی می کند .
استراتژی آموزشی، به طور کلی در دو مرحله اجرا می شود . در مرحله ی اول تفکیک اس وی ام بر پایه ی دسته کننده ها ، با استفاده از مجموعه های آموزشی منحصر به فرد که زیر مجموعه ای از یک زیر ناحیه است، آموزش داده می شود. هر  دسته کننده ی اس وی ام یک خروجی بین ۱- (غیر خودرو) و ۱+ (خودرو) تولید می کند. بنابراین در این مرحله دسته بندی قسمت های منحصر به فردی از زیر ناحیه ی کاندید شده را فراهم خواهد کرد .
در مرحله دوم، خروجی همه ی دسته کننده ها در یک دسته کننده ی اس وی ام واحد برای فراهم شدن نتیجه ی دسته بندی نهایی مرتب می شوند .
شکل ۱- ۵ ساختار کلی پردازش های دسته بندی را نشان می دهد. دسته کننده های اس وی ام در مرحله اول با عنوان SVMij  مشخص می شوند که i  نشان دهنده ی زیر ناحیه ی مورد نظر است  و j نشان دهنده ی زیر مجموعه ی آموزشی برای آن زیر ناحیه می باشد . دسته کننده اس وی ام در مرحله ی دوم با عنوان SVMj مشخص می شود. شکل ۱-۶ یک توالی از تصاویری را نشان می دهد که توسط دسته کننده ها تشخیص داده شده است. چهار چوب آبی رنگ  وسیله ی نقلیه تشخیص داده شده را نشان می دهد . خطوط قرمز وسیله نقلیه ای را نشان می دهد که نزدیک به وسیله نقلیه ی تشخیص داده شده هستند .

شکل ۱-۵- ساختار کلی ۲ مرحله از دسته کننده  اس وی ام
 
شکل ۱- ۶- تشخیص وسایل نقلیه در توالی از تصاویر

فصل دوم – سیستم تشخیص وسایل نقلیه مبتنی بر ویژگی های محلی با استفاده از برد بینایی موازی

یک سیستم قوی برای تشخیص وسایل نقلیه ، سیستمی است مبتنی بر پیکربندی مشخصه ی محلی که از
 اشعه ی مادون قرمز استفاده می کند .در این فصل الگوریتمی پیشنهاد می شود که برای تشخیص وسایل نقلیه ، درکنار استفاده از مشخصه های محلی ، از یک پنجره ی مشخصه استفاده می کند ، این روش سه مزیت دارد :
•    عملیات تشخیص را انجام می دهد حتی اگر قسمت هایی از وسایل نقلیه قابل روئت نبوده و مسدود شده باشد .
•    اگر وسیله ی نقلیه به هر دلیلی برگردد و یا راه او به اتمام رسد ، می تواند تشخیص را انجام دهد .
•    نیازی نیست که نواحی وسیله ی نقلیه را در تصاویر ورودی قطعه بندی کنیم .
این سیستم ابتدا با تصاویر بدست آمده با اشعه ی مادون قرمز  توسعه داده شده است ولی نهایتا به کار گرفتن تصاویر مادون قرمز ضروری نیست . می توان از تصاویری با زاویه ی دید بالا استفاده کرد و همچنین روش برداری تدریجی را روی برد بینایی ،آی ام  ای پی انجام داد .
این سیستم علاوه بر تشخیص موقعیت وسایل نقلیه ، برای تخمین منابع و هزینه های مورد نیاز برای این کار (ای تی سی ) و همچنین در سیستم های دی اس آر سی  که سیستم نیاز دارد با وسیله نقلیه ارتباط برقرار کند ، کاربرد دارد .

۲-۱- الگوریتم تشخیص
الگوریتم ابتدایی تشخیص ، یک نتیجه کلی از روش پنجره مشخصه است .

۲-۱-۱- تکنیک پنجره مشخصه
مواردی که در ذیل به آنها اشاره شده است  ، نشان می دهد که سیستم پنجره ی مشخصه چگونه کار
می کند .

•     ایجاد مجموعه بانک اطلاعاتی
۱-مجموعه تصاویر آموزشی را می سازد .

بخشی از منابع و مراجع پروژه بررسی سامانه تشخیص وسایل نقلیه

[۱] A. Mohan, C. Papageorgiou, and T. Poggio, “Example-based object detection in images by components,” IEEE Transactions on Pattern Analisis and Machine Intelligence, Vol. 23, No. 4, April 2001.

[۲] A. Shashua, Y. Gdalyahu, and G. Hayun, “Pedestrian detection for driving assistance systems: single-frame classification and system level performance,” In Proc. IEEE Intelligent Vehicles Symposium, pp. 1-6, Parma, Italy, June 14-17, 2004.

[۳] Carroll, A., Multer, J., Williams, D. and M. Yaffee, (1999). Safety of Highway-Railroad GradeCrossings: Freight Car Reflectorization. Report No. DOT/FRA/ORD-98/11, Washington,DC: U.S. Department of Transportation, Federal Railroad Administration.
 
[۴] C. Papageorgiou and T. Poggio, “A trainable system for object detection” . Intl J.Computer Vision, Vol. 38, No. 1, pp. 15-33, 2000.

[۵] Chapuis R. Chausse F., Trujillo N and Naranjo M. Object recognition by model based focused vision. 2004.
 
[۶] E. D. Dickmanns and B. D. Mysliwetz, “Recursive 3-D Road and Relative Ego-State Recognition,” IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 14, No. 2, February 1992.
[۷] Egan, J.P. (1975). Signal Detection Theory and ROC Analysis. New York: Academic Press.

[۸] E. Cand Cand`es and D. Donoho, “New tight frames of curvelets and optimal representations of objects with c2singularities,” Tech. Rep., Department of Statistics, Stanford
University, USA, November 2002.

[۹] E. Cand Cand`es and L. Demanet, “The curvelet representation of wave propagators is optimally sparse,” Tech.Rep., Applied and Computational Mathematics, California Institute of Technology, USA, 2004. [18] I. Guyon, S. Gunn, M. Nikravesh , Lofti A. Zadeh ,
Feature Extraction: Foundations and Applications, (Studies in Fuzziness and Soft Computing) , Springer, 2006.

[۱۰] Federal Highway Administration. (1988). Manual on Uniform Traffic Control Devices for Streetsand Highways. Washington, DC: U.S. Department of Transportation.

[۱۱] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin. (1996). Washington, DC: U.S. Department of Transportation.

[۱۲] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin #60. (1994). Washington, DC: U.S. Department of Transportation.
[۱۳] Ford, R.E., Richards, S.H., and J.C. Hungerford, (1998). Evaluation of Retroreflective Markings To Increase Rail Car Conspicuity. Project Memorandum . No. DOT-VNTSC-RR897-PM98-22. U.S. Department of Transportation , Volpe National Transportation Center.
Grier, J.B. (1971). Nonparametric Indexes for Sensitivity and Bias: Computing Formulas. Psychological Bulletin, 75 (6), 424-429.

[۱۴] F. Thomanek, E.D. Dickmanns and D. Dickmanns, "Multiple object recognition and
scene interpretation for autonomous road vehicle guidance", Proceedings of the IEEE
Intelligent Vehicles 1994 Symposium, pp.23 1-236, 1994 .
 
[۱۵] Federal Highway Administration. (1988). Manual on Uniform Traffic Control Devices for Streetsand Highways . Washington, DC: U.S. Department of Transportation.

[۱۶] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin . (1996). Washington, DC: U.S. Department of Transportation.

[۱۷] Federal Railroad Administration, Office of Safety. Highway-Rail Crossing Accident/Incident and Inventory Bulletin #60 . (1994). Washington, DC: U.S. Department of Transportation.

[۱۸] Ford, R.E., Richards, S.H., and J.C. Hungerford, (1998). Evaluation of Retroreflective Markings To Increase Rail Car Conspicuity. Project Memorandum . No.
DOT-VNTSC-RR897-PM98-22 . U.S. Department of Transportation, Volpe National Transportation Center . Grier, J.B. (1971). Nonparametric Indexes for Sensitivity and Bias: Computing Formulas. Psychological Bulletin, 75 (6), 424-429.

[۱۹] Green, D.M. and J. A. Swets, (1988). Signal Detection Theory and Psychophysics.

 [20] G. Grubb, A. Zelinsky, L. Nilsson, and M. Rilbe, “3D Vision sensing for improved pedestrian safety,” In Proc. IEEE Intelligent Vehicles Symposium, pp. 19-24, Parma, Italy, June 14-17, 2004.

 [21] G. P. Stein, O. Mano, and A. Shashua, “Vision-based ACC with a single camera: bounds on range and range rate accuracy”. In Proc.Int. Conf. Intelligent Vehicles, Versailles, France, June 2002.

[۲۲] H.Murase and S.K. Nayar (1995) “Visual Learning and Recognition of 3-D Objects from Appearance," International Conference on Computer Vision.

[۲۳] Hinz, S. (2004): Detection of vehicles and vehicle queues in high resolution aerial images. Photogrammetrie-Fernerkundung-Geoinformation, 3/04: 201-213.

[۲۴] Hinz, S., Baumgartner, A. (2003): Automatic Extraction of Urban Road Nets from Multi-View Aerial Imagery. ISPRS Journal of Photogrammetry and Remote Sensing 58/1-2 : 83–98.

[۲۵] J. C. Christopher, “A Tutorial on Support Vector Machines for Pattern Recognition”. Data Mining and Knowledge Discovery, No. 2, pp. 121-167. Kluwer Academic Publishers.1 . 1998.