چکیده:
امروزه وسایل نقلیه در مقیاس بالا، در قسمتهای مختلف شهر پراکنده هستند و ازاینجهت احتیاج به کنترل توسط سیستمهای برنامهریزیشده دارند. پیدا کردن خودکار وسایل نقلیه در تصویر و دستهبندی نوع آنها پیچیده است، زیرا وسایل نقلیه شکلها، رنگها و مدلهای بسیار متفاوتی دارند و طراحیشان با یکدیگر متفاوت است. ازاینرو روشهای مختلف آنالیز تصاویر برای حل این مسئله مطرح گردیده است. اما بعضی از چالشها مانند تعدد تصویر در یک صحنه، بههمپیوستگی تصویر وسیله نقلیه و زمینه تصویر، وجود نویز در تصاویر، تلرانس نسبت به تغییرات نور وجود دارد. در سالهای اخیر استفاده از شبکههای عصبی عمیق بهعنوان ابزاری کارآمد در شناسایی باوجود تنوع شرایط محیطی و اجسام مطرحشدهاند. اما چالش استفاده از شبکههای عصبی عمیق بار محاسباتی بالای آنهاست. در این مقاله رویکرد جدیدی برای شناسایی نوع وسایل نقلیه استفاده میشود، این رویکرد از ترکیب شبکه عصبی VGG و الگوریتم تفکیک و دنبال کردن تصاویر Yolo استفاده کرده است. این روش باعث بهبود چالشهای روشهای پیشین میگردد و در ضمن باعث کاهش بار محاسباتی می-گردد. تصاویر از دو پایگاه داده ImageNet و COCO گرفتهشده و از این پایگاهها بهمنظور آموزش و آزمون شبکه عصبی استفاده میگردد. نتایج نشان میدهد که سیستم طراحیشده بسیاری از مشکلات ازجمله افزایش سرعت تشخیص وسیله نقلیه و مسئله بار محاسباتی رابهخوبی برطرف مینماید. دقت تشخیص در مقایسه با سیستمهای قبلی 4 الی 5 درصد افزایش و به حدود 98 درصد رسیده است. از مزایا این رویکرد میتوان به کیفیت بالا در آشکارسازی تصاویر و به دلیل استفاده از الگوریتمYOLO دارای سرعت قابلقبول در تشخیص نوع وسیله نقلیه اشاره کرد.
Today, large-scale vehicles are scattered in different parts of the city and therefore need to be controlled by programmed systems. Automatically finding vehicles in the image and categorizing them is complicated because vehicles come in so many different shapes, colors, and models, and their designs are so different. Therefore, different methods of image analysis have been proposed to solve this problem. But there are some challenges such as the multiplicity of images in a scene, the coherence of the image of the vehicle and the background of the image, the presence of noise in the images, the tolerance to changes in light. In recent years, the use of deep neural networks has been proposed as an effective tool in identification despite the diversity of environmental conditions and objects. But the challenge of using deep neural networks is their high computational load. In this paper, a new approach is used to identify the type of vehicles, which uses a combination of VGG neural network and Yolo image separation and tracking algorithm. This method improves the challenges of the previous methods and also reduces the computational load. The images are taken from two databases, ImageNet and COCO, and these databases are used to train and test the neural network. The results show that the designed system solves many problems well, including increasing the speed of vehicle detection and the problem of computational load. The detection accuracy has increased by 4 to 5% compared to previous systems and has reached about 98%. The advantages of this approach include high-quality image detection and the use of a YOLO algorithm with an acceptable speed in detecting the type of vehicle.