چکیده:
در این پایان نامه تحقیقاتی چندین روش همراه با بعضی معایب و محاسن آن مورد بررسی واقع شده است از جمله: شناسایی خودرو در تصاویر هوایی شناسایی خودرو مبتنی بر جزئیات در تصاویر خیابانی، شناسایی خودرو در الگوریتم Icm و در نهایت Vision bqased ACC در پایان پروژه توضیحاتی در باب سیستم حمل و نقل هوشمند و چگونگی و کاربرد شناسایی خودرو ارائه شده است.
حال به صورت کلی به بیان برخی از این یافته‌ها می‌پردازیم. درشناسایی خودرو در عکسهای هوایی، یک سیستم برای شناسایی خودروها در تصاویر هوایی در طول جاده عرضه می‌شود و شروع کار ازتست‌های روانشناسی می‌باشد تا ویژگی‌های مهمی برای شناسایی (همانند مرز بدنه ماشین، مرز جلوی شیشه جلو و...)پیدا شود. که در ساختار Baysian نشان داده شده است.
شناسایی وسیله نقلیه بوسیله VIEW POINT و RESOLUTION انجام می‌شود. و وسیله نقلیه به عنوان مستطیل مدل می‌شود از میانگین gray level و سطحهای شیبدار درونی، بیرونی و میانی وسایل برای تشخیص استفاده می‌شود.
در یک تشخیص دوربین ایستا، اشیای در حال حرکت بوسیله back ground subtraction شناسایی می‌شود.
در دیاگرام سیستم تشخیص، ماشین هندسی و دوربین تا وقتی که توزیع کننده ویژگی‌ها بیشتر تعلیم داده شوند بدون یادگیری مدل می‌شود. جهت جاده‌ها بوسیله لاین‌های انبوه در تصویر تخمین زده می‌شود و از چهار قسمت از جلوی شیشه جلویی دو قسمت از مرز بیرونی سایه و شدت منطقه سایه هنگامی که وجود دارد به عنوان ویژگی استفاده می‌شود. در تست روانشناختی یک مجموعه داده متفاوت با ماشینهای در شرایط آشکار سازی و تراکم مختلف در محیط متفاوت استفاده می‌شود.
نتایج بدست آمده شامل شکل مستطیلی، طرح wind shield، سایه ماشین تشخیص را آسانتر می‌کند و همچنین محیط که روی تشخیص اثر می‌گذارد می‌باشد.
در دسته‌ای از مسیر‌های جاده، مسیر‌های مورد نظر (DOI) می‌تواند بوسیله عکسها تخمین زده شود ویژگی‌های استفاده شده در این روش اغلب ویژگی‌های گردایان خطی می‌باشند. وازجوابهای گرادیان فیلتر‌های شکل اصلی استفاده می‌شود.
برای شناسایی ماشینها با ویژگی‌های قید شده باید شکل محل وابسته به مرکز را بشناسیم و از یک مدل عمومی شامل یک frame geometrical wire model و یک surface reflectance model استفاده می‌شود.
در بحث یکپارچگی ویژگی‌های چندگانه به ترکیب خصوصیات نیاز داریم و از شبکه Baysian استفاده می‌کنیم. در پارامتر‌های handcraft BN به دستگاههایی با مقادیر CPT نیاز داریم انجام دادن شناسایی با پارامتر‌های دستی کارایی قابل قبولی را نشان می‌دهد.
سپس بحث یادگیری پارامتر‌ها بیان می‌شود که به عنوان مثال یادگیری CPT فقط به محاسبات هیستوگرام نیاز دارد پس از آن شناسایی و سپس پردازش بیان خواهد شد. ضمنا بحث ROC که منحنی‌هایی هستند که کارایی سیستم ما را روی دو database نشان می‌دهد مطرح می‌شود.
بحث بعدی ذکر شده شناسایی ماشین مبتنی بر جزئیات می‌باشد. که باعث kay هاکه از تصاویر ماشینها که از مجموعه یادگیری بدست می‌آید ذکر می‌شود و به دسته‌بندی‌ها می‌پردازد. یک مخصوص می‌تواند بیش از یک دسته kay point آمیخته شود. در پایگاه داده زیر‌مجموعه منظره خیابان همه عکسها به gray scale از نتایج آزمایشات مختلف استفاده می‌شود سیستم بنزین SVM های سراسری را اجرا می‌کند. آخرین مرحله در شناسایی اشیا در عکسها بکار بستن دسته کننده‌های دانا به همه پنجره‌های پنهانی در عکسها می‌باشد. بحثهایی در مورد شناسایی‌های چندگانه و روش‌های حل آن بیان می‌گردد. کاربرد این روش شناسایی ماشین با بکارگیری حد آستانه در آن صورت می‌گیرد همچنین می‌توان از روش برچسب‌گذاری در ماشینها استفاده کرد که معایب آن هم ذکر خواهد شد.
بحثهایی در مورد شناساگر اجزا و اینکه جهت ارزیابی هر جزء شناساگر، هر شناساگر به صورت زیر‌مجموعه‌ای از مجموعه تست بیان می‌شود، ذکر می‌گردد. و نیز بحث ترکیب اجزا بیان می‌شود که در آن سه دیدگاه بیان می‌شود.
بطورکلی قابل بحث است که آیا دسته‌های kay point ماشین می‌تواند به عنوان قسمتهای ماشینی مطرح شوند، یک مقایسه با سیستم کلی‌نگر فراهم می‌شود که برای نشان دادن دیدگاه مبتنی بر جزئیات از آن استفاده می‌شود. مشاهده می‌شود که سیستم مبتنی بر جزئیات در برابر شرایط غیر عادی همانند در‌آمیختگی و روشنایی قوی مقاومت بیشتری دارد. در این ساختار منابع محاسباتی بیشتری نیاز داریم. در نهایت این روش با کارهای اولیه در شناسایی خودرو مقایسه می‌شود.
در الگوریتم ICM در ابتدا مقایسه‌ای بین PCNN صورت گرفته است، و مطالب جزئی در مورد ICM و شامل اینکه ویژگی‌های تصویر نمی‌توانند بعد از پروسهICM به آسانی بهبود یابند. الگوریتم ICM چند pulse image را می‌سازد و شناسایی تغییرات از مقایسه این تصاویر مشابه بوجود می‌آید.