Verkehr Analyse. Inhalt. Was ist Verkehr Analyse? Geschichte der Verkehr Analyse. Iavor Jelev Jintao Ding

Transkript

1 Inhalt Verkehr Analyse Iavor Jelev Jintao Ding Was ist Verkehr Analyse? Wozu ist die Verkehr Analyse gut? Wie kann man Verkehr Analyse machen? Anwendungsbeispiele Algorithmen für Verkehr Analyse Geschichte der Verkehr Analyse Was ist Verkehr Analyse? Luftbilder von der Autobahn zwischen Baltimore und Washington Greenshields veröffenlichte ein Paper, wo es um Verkehr Analyse anhand von Luftbilder geht Forschung in der Richtung geht weiter Die Forschung für Verkehr Analyse verlangsamt sich. Heute ist es immer wichtiger Man sammelt die Daten über das Verkehr mit unterschiedlichen Methoden. Nach Bearbeitung z.b Filter, Frames auswählen, Bilder extrahieren, bekommt man Informationen wie z.b. Geschwindigkeit, Dichte, Fahrzeiten usw. Man kann dann anhand dieser Daten das Verkehr optimieren um z.b. Unfälle und Staus zu vermeiden oder Fahrzeiten zu minimieren.

2 Was ist Verkehr Analyse? Wozu ist die Verkehr Analyse gut? Verkehrdaten sammeln Synchronisiert mit Netz weltweit 500,000 Verkehrunfälle Image processing,filtern, unbenutzte Infomation verwerfen America 40 Russland 26 Europa 50 Statistik Relevante Daten Indian 86 Datenbank Internet Veröffenlichen China 104 Anderland 192 Daten bearbeiten Verbesserte Stratigien für Verkehr Unfallstatistik Unfälle weltweit grob geschätzt Industrie land Entwicklung land Insgesamt Wozu ist die Verkehr Analyse gut? Verkehrunfälle zu vermeiden Dichten auf die Fahrstrecke lokalisieren und lockern mittlere Fahrzeitdauer für eine beliebige Strecke berechnen. Diverse Statistiken erstellen (z.b. Wie viele Autos fahren auf eine Strecke pro Tag)

3 Wie kann man Verkehr Analyse machen? 1. die Kamera ist lokal und nicht mobil (z.b. Auf einem Gebäude) 2. die Kamera ist an einem Fahrzeug montiert 1 2 Wie kann man Verkehr Analyse machen? 3. Über GPS (Global Positioning System). 4. Luft- oder Satelitbilder Wie kann man Verkehr Analyse machen? 5. Sensor t1 : Zeitpunkt in dem Sensor 1 unterbrochen wird t2 : Zeitpunkt in dem Sensor 2 unterbrochen wird t3 : Zeitpunkt von Sensor 1 die Verbindung wieder hergestellt wird t4 : Zeitpunkt von Sensor 2 die Verbindung wieder hergestellt wird LS : Abstände von zwei Sensor Länge vom Fahrzeug : Long= (t3-t1)*ls/(t2-t1) Geschwindigkeit vom Fahrzeug : V = Long/(t3-t1) = LS/(t2-t1) Anwendung Beispiel Anwendung Beispiel : Braunschweiger Wissenschaftler konstruieren fliegende Winzlinge - Steuerung mit Computer

4 Anwendung Beispiel Anwendung Beispiel Anwendung Beispiel Vorbereitung: Eine Digitalkamera wird am Helikopter montiert. Dieser wird über GPS lokalisiert und so kann man die Bilder, die Kammera aufnimmt sehr genau einem geographischen Ort zuordnen. Die Kammeraauswahl hängt von den Ziele ab.

5 Ziel ist es, dass die Bildverarbeitung automatisch geschieht Der Algorithmus, der das schaffen soll muss fast in real time laufen, d.h. die Bildverarbeitung muss in 2-3 sec geschehen Idee: individuelle Fahrzeuge erkennen, verschiedene Frames registrieren, Bilder transformieren und substrahieren. Dann kann man mit object-matching die Fahrzeuge verfolgen. Luftbildaufnahme Image Extraktion Frame 1 Frame 2 Vor-Prozeß -> Farben zu Graustufenbild und Anpassung(optional) Identifikation von Objekten Geo-Refferenzierung Bildregistrierung Kalkulieren von Trajektorien und Geschwindigkeit Abgleich von Fahrzeuge Indentifizierung von sich bewegende Objekte Substrahieren Image 2 Image 1 Besipiele: Geschwindigkeit kalkulieren 1 Die Prozedur besteht aus 5 Schritten und setzt 2 nachfolgende Frames voraus: Erkenne Fahrzeuge im Frame 1 und rate die Position im nächsten Frame baue ein Graph dem Graph Gewichte vergeben b a

6 Geschwindigkeit kalkulieren 2 die selbe Prozedur wird für alle, im ersten Frame erkannte, Fahrzeuge wiederholt. dann muss das Minimal-Kosten-Problem gelöst werden, um das Positionswechsel von den erkannten Autos zu bestimen. Dann hat man: s - Strecke zwischen, die Position im 1 und 2 Frame t - Zeit zwischen beiden Frames v = s / t gibt uns die Geschwindigkeit Fahrzeiten kalkulieren eine Gruppe von Autos wird betrachtet Vorteile dieser Methode: weniger Subjektivität als bei Testauto man kann Punkt zu Punkt Analyse machen weitere Daten können einfach abgeleitet werden: Geschwindigkeit, Dichte, usw. Anwendungsbeispiel: Dichte messen Man muss nur Fahrzeuge erkennen, aber diese werden diesmal unterschieden (z.b. Auto, Lastwagen, Bus, usw.) Hier wird nicht unbedingt ein Video benötigt. Einfache Photos reichen aus. Dichte messen D Dichte PC Anzahl Autos im Bild T Anzahl Lastwagen und Busse ET Autoequivalent für Lastwagen und Busse RV Wohnmobile ERV Autoequivalent für Wohnmobile FOV Länge des Photos in km N Anzahl der Spuren

7 Durchschnittverzögerung Q = A / (s² * I * H) Q - Anzahl von den Autos in der Schlange A - Fläche von dem Rechteck I - Spurbreite (m) S - Bildmaßstab (pixel/m) H - mittlere Entfernung zwischen den gestoppten Autos Verkehrsanalyse mit Satellit Wird mit Hilfe von GPS gemacht Verkehrsanalyse mit statische Kammera Eine Kamera wird fest montiert. Diese kann vom Operator bewegt werden. Man kann auch zoomen. Verkehrsanalyse mit statische Kammera Der Algorithmus hat 3 Phasen: Die Kammera-Position bestimmen Extrahieren von Bildeigenschaften Fahrzeuge erkennen und Geschwindigkeit kalkulieren

8 Verkehrsanalyse mit statische Kammera Bestimmung der Kammeraposition Activity map und Spurextraktion Fahrzeuge erkennen Activity map wird benutzt um die Bewegung und Intensität der Fahrzeugbewegungen festzustellen. Mit Hilfe des vanishing points können die Spuren sehr einfach bestimmt werden. Wenn wir die Kammeraposition und die aktivity map haben können wir die Fahrzeugbewegungen registrieren und die Geschwindigkeit kalkulieren.