یک الگوریتم ردیابی خودرو مبتنی بر ویژگی با استفاده از گروه بندی سلسله مراتبی ادغام و تقسیم

ردیابی خودرو یکی از چالش های مهم در سیستم های حمل و نقل هوشمند جهت تخمین موقعیت خودرو در قاب بعدی از یک دنباله متوالی تصاویر از ویدئوهای نظارتی است. در این مقاله، یک الگوریتم ردیابی خودرو مبتنی بر ویژگی با استفاده از الگوریتم تخمین زننده ویژگی Kanade-Lucas-Tomasi (KLT) گسترش یافته است. در این الگوریتم، برای جایگزینی خودروها با ویژگی های ردیابی شده، یک الگوریتم گروه بندی دومرحله ای سلسله مراتبی ادغام و تقسیم پیشنهاد می شود. در الگوریتم گروه بندی پیشنهادی با تعریف معیارهایی همچون معیارهای فاصله، گستردگی و همچنین آنالیز حباب نتایج گروه بندی اولیه حاصل شده از الگوریتم خوشه بندی K-means اصلاح می شود. علاوه براین، جهت تصحیح عملکرد الگوریتم تخمین زننده ویژگی KLT و همچنین استفاده مناسب تر از نتایج گروه بندی الگوریتم پیشنهادی، یک الگوریتم کارآمد تطبیق گروه های ویژگی براساس نقشه ادغام و تقسیم جهت تطبیق گروه ویژگی های ردیابی شده از یک قاب به قاب بعد پیشنهاد می شود. در این الگوریتم تطبیق سعی شده است که با استفاده از ویژگی های منطبق شده بین دو قاب، خودروهای متناظر در آن دو قاب به درستی تطبیق داده شوند. الگوریتم ردیابی پیشنهادی بر روی ویدئوهای آزمایشی متفاوتی با شرایط نورپردازی متفاوت همچون روز، شب و وجود سایه ارزیابی می شود. نتایج حاصل نشان می دهد که الگوریتم ردیابی پیشنهادی اکثر چالش های مهم ردیابی خودرو در کاربردهای عملیاتی سامانه های حمل و نقل هوشمند را پوشش می دهد.