SVEUILITE U ZAGREBUFAKULTET PROMETNIH ZNANOSTI

MOGUNOST PRIMJENE VIDEO KAMERA ZA MJERENJE PROMETNIH PARAMETARASEMINARSKI RAD

Predmet:Automatsko upravljanje u prometu i transportu

Predmetni nastavnik:doc. dr. sc. Edouard Ivanjko

Student:Luka DediJMBAG: 0135227335

Zagreb, veljaa 2015.Sadraj1. UVOD12.1. PROMETNI PROTOK22.2. PROMETNO OPTEREENJE32.3. BRZINA PROMETNOG TOKA32.4. GUSTOA PROMETNOG TOKA42.5. VRIJEME SLIJEDA I VREMENSKA PRAZNINA53. MJERENJE PROMETNIH PARAMETARA ZATVORENE CESTOVNE MREE63.1. ISHODINO-ODREDINA MATRICA63.2. JEDNOZNANO PRAENJE VOZILA PREPOZNAVANJEM REGISTARSKE OZNAKE83.2.1. OTKRIVANJE I IZDVAJANJE VOZILA U DINAMIKIM SCENAMA93.2.2. PRED PROCESIRANJE SLIKE103.2.3. ODREIVANJE POZICIJE REGISTARSKE PLOICE113.2.4. IZDVAJANJE KARAKTERA S REGISTARSKE PLOICE143.2.5. RASPOZNAVANJE SVAKOG POJEDINOG KARAKTERA153.3. MJERENJE PROMETNIH PARAMETARA NA RASKRIJU164. MJERENJE PROMETNIH PARAMETARA NA AUTOCESTAMA184.1. MJERENJE DULJINE I BRZINE VOZILA184.2. STVARANJE DATOTEKA DETEKTORA194.3. SUSTAV DETEKCIJE PROMETA194.4. UPRAVLJANJE PROMETOM U TUNELIMA205. ZAKLJUAK22LITERATURA23POPIS SLIKA24

1. UVOD

Zbog opeg trenda rasta prometa na gradskim prometnicama, zaguenja u prometu postaju znaajan problem koji negativno utjee na sva vozila. Ti negativni utjecaji esto dovode do poveanja vremena putovanja, slabe pouzdanosti, nepredvidivog vremena dolaska na cilj, veih zakanjenja i dugih prometnih kolona, uglavnom zbog nedostatka moderne infrastrukture i nepovezanosti raskrija. Da bi se prevladali ovi nedostaci, treba primijeniti prometno ovisan sustav upravljanja prometom koji omoguuje definiranje duljine ciklusa na bazi prometnog optereenja u realnom vremenu uz primjenu sustava za kontinuiranu detekciju vozila. Prometno ovisno upravljanje prometom mijenja standardni nain signalizacije sa svrhom bolje prilagodbe prometnom optereenju, ime se poboljava vrijeme prolaska, upravljanje vozilima i kapacitet cestovne prometnice. Jasno je da ve u svom osnovnom obliku ovakav nain upravljanja predstavlja sofisticiran pristup koji se moe primijeniti na gradskoj mrei prometnica jer se na odgovarajui nain prilagouje vozilima, uzimajui pritom u obzir zahtijevanu razinu usluge. Pouzdanost provedbe takvog sustava na nekom cestovnom koridoru ovisi o karakteristikama prometnog toka, geometriji, prometnom optereenju na poprenim prometnicama te nainu rada signalnih ureaja. Kada se dobro analizira i provede, takav nain upravljanja prometom dugorono je rjeenje utemeljeno na optimizaciji signalnih ureaja kroz automatsko podeavanje duljine ciklusa i pojedinih faza u skladu s promjenama u prometnom toku. Postavljanje video kamera posluilo bi za odreivanje prometnih parametara kao to su vrijeme dolaska, vrijeme odlaska vozila, te bi se analizom slika iz tih zapisa moglo doi do odgovarajueg vremenskog ciklusa i zelenog trajanja faze. Ako u obzir uzmemo povezanost izmeu raskrija postavljamo pitanje daljnjeg funkcioniranja cjelokupne zatvorene prometne mree na optimalan nain to nam otvara diskusije o veliini problema ali i stvara nove parametre koji bitno utjeu na optimalan tok prometne mree koju analiziramo kao to su broj vozila koje ulazi i izlazi iz raskrija (ishodino odredina matrica), duljina repa ekanja, razmak izmeu vozila te duljina pojedinog vozila u repu. Svi ti parametri kao i praenje kretanja vozila mogu se zabiljeiti video kamerama to nam uvelike olakava posao samog nadzora, kao i implementacije takvog sustava u ve postojeu prometnu infrastrukturu.

2. OSNOVNI PROMETNI PARAMETRI

Upravljanje raskrijima uvelike utjee na tok prometnice s toga pravilnim reguliranjem raskrija utjeemo na daljnji prometni tok. Parametre koje treba sagledati pri optimizaciji raskrija su prometni protok koji sadri osnovne pokazatelje optereenja prometnice (prometno optereenje, intenzitet toka, brzina vozila, gustoa vozila, vrijeme slijeda, vremenska praznina te udaljenost i razmak izmeu vozila). U obzir dakako treba uzeti i smjer kretanja vozila na raskriju koji se dobiva ishodino-odredinom matricom (broj vozila po jedinici vremena ovisan o mjestu ulaska i izlaska). Duljina reda ekanja, udaljenost izmeu vozila te duljina vozila su jednako vani parametri koji nam daju stanje raskrija pri zaguenju koje se najee dogaa za vrijeme vrnog sata. Kako bi mogli zabiljeiti te parametre najbolji izbor nam je video kamera.

2.1. PROMETNI PROTOK

U opisivanju prometnih tokova i zakonitosti kretanja motornih vozila u prometnim tokovima na mrei cestovnih prometnica, pri koritenju osnovnih parametara prometnog toka, a prije svega protoka vozila, vano je znati i kakav je prometni tok sa stajalita broja nizova i smjerova. Sa tog stajalita prometni tok moe biti: jednostavan i sloen tok. U ovom seminarskom radu razmatramo sloeni prometni tok poto razmatramo raskrija koja spadaju u grupu sloenih tokova od dvaju ili vie jednostavnih tokova koji se meusobno sijeku, ulijevaju ili odlijevaju. Slika 1. Optereenost prometnice [13]

Kod utvrivanja prometnog optereenje, intenziteta toka, brzine i gustoe prometnog toka potrebno je paljivo analizirati meuovisnosti ovih parametara kako bi shvatili njihovu sloenost ali i doli do optimizacije te samim time izbjegli visokorizine situacije, postigli sigurnost putnika i na kraju izbjegli veliki priljev te optereenje pojedine prometnice koje dovodi do zastoja prometa (slika 1.)

2.2. PROMETNO OPTEREENJE

Prometno optereenje ima vie segmenata tj. moe se razmatrati iz vie vremenskih razdoblja: Prosjeni godinji dnevni promet (PGDP): ukupni broj vozila u jednoj godini podijeljen s brojem dana u godini; Prosjeni dnevni promet (PDP): prosjeni broj vozila izbrojen u vremenskom periodu veem od jednog dana, a manji od godine (broj vozila/broj dana); Promet vrnog sata: najvei broj vozila za koji se ustanovi da prolazi presjekom traka ili ceste u 60 uzastopnih minuta.Ti pokazatelji su nam vani za ocjenjivanje prometnice i njene uslunosti kako bi mogli usporediti optereenje (broj vozila koji proe odreenim presjekom u promatranom vremenskom intervalu) i potranju (broj vozila koji ele proi odreenim presjekom u promatranom vremenskom intervalu te osigurati kapacitet (maksimalni broj vozila koji moe proi odreenim presjekom u promatranom vremenskom periodu). 2.3. BRZINA PROMETNOG TOKA

Brzina se uobiajeno definira kao prijeeni put u jedinici vremena. Meutim, za definiranje prosjene brzine prometnog toka mogua su dva pristupa. U prvom sluaju prosjena brzina putovanja na nekoj dionici moe se dobiti mjerenjem potrebnih vremena putovanja pojedinih vozila du dionice te izraunavanjem njihove prosjene vrijednosti. Na ovaj nain definira se srednja prostorna brzina i izraava kao:

, (2.1.)

gdje je: Vs= srednja prostorna brzina [km/h]; s= duljina dionice [km]; ti = vrijeme putovanja i-tog vozila [h]; n = broj promatranih vozila.U drugom sluaju prosjena brzina toka moe se dobiti kao srednja vrijednost izmjerenih brzina svih vozila koja su prola odreenim presjekom prometnice u promatranom vremenskom intervalu. Ovako definirana brzina naziva se srednja vremenska brzina i izraava se slijedeim izrazom: . (2.2)

2.4. GUSTOA PROMETNOG TOKA

Gustoa prometnog toka k predstavlja broj vozila na jedininoj duljini traka ili itavog kolnika. Direktno mjerenje gustoe moe se dobiti iz snimka ili pak primjenom osnovne jednadbe toka ako su poznati prosjena brzina i intenzitet toka tako da je:, (2.3)

gdje je: k = gustoa prometnog toka [voz/km]; q = intenzitet prometnog toka [voz/h] ; v = prosjena brzina toka [km/h].

2.5. VRIJEME SLIJEDA I VREMENSKA PRAZNINA

Vrijeme slijeda definirano je kao vrijeme izmeu prolaska dva uzastopna vozila kroz referentni presjek na nain da se mjeri vrijeme izmeu prolaska prednjeg branika prvog i prednjeg branika vozila koje slijedi. Uobiajena oznaka je h i mjeri se u sekundama. Vrijeme slijeda je parametar koji se moe dovesti u vezu s pojmom intenziteta toka. Naime, za poznati intenzitet toka koji je definiran za vrijeme od jednog sata moe se dobiti prosjeno vrijeme slijeda h prema izrazu: , (2.4)

jer u jednom satu ima 3600 sekunda koje se mogu "raspodijeliti" na q vozila. Iz navedenog izraza vidljivo je takoer da se iz izmjerenog prosjenog vremena slijeda moe definirati intenzitet toka na promatranoj lokaciji. Za razliku od vremena slijeda, vremenska praznina oznaava vremenski interval izmeu prolaska zadnjeg branika prvog vozila i prednjeg branika vozila koje slijedi. Veliina vremenske praznine u prometnom toku vana je kod modeliranja toka na raskrijima jer o veliini vremenske praznine u glavnom toku ovisi mogunost odvijanja lijevog skretanja na semaforiziranim raskrijima kao i ukljuivanje vozila iz sporednog toka na nesemaforiziranim raskrijima.[[footnoteRef:1]] [1: [] Cvitani,D.,TEORIJA PROMETNOG TOKA str.6-8]

2.6. UDALJENOST I RAZMAK Analogno vremenu slijeda i vremenskoj praznini koje predstavljaju vremenske parametre, udaljenost i razmak definiraju prostorni odnos dva susjedna vozila. Udaljenost U predstavlja vrijednost u metrima ili kilometrima izmeu prednjih branika promatranih vozila dok se razmak mjeri od zadnjeg branika prvog vozila do prednjeg branika onog koje ga slijedi. Takoer se i ovdje moe uspostaviti veza s gustoom jer se udaljenost matematiki moe izraziti kao inverzna vrijednost gustoe toka tj.:.((2.5)

3. MJERENJE PROMETNIH PARAMETARA ZATVORENE CESTOVNE MREE

Optimiranje i upravljanje ukljuuje planiranje i dinamiku prilagodbu rute vozila, koritenja javnog prijevoza, te optimiranje raskrija, tunela, naplatnih kuica, ulazne i izlazne rampe urbanih autocestaPostoje dva pristupa prilaenja ovim problemima:1. Klasian (reaktivan) pristup zahtjeva mjerenja Tok, prosjena brzina, duljina reda ekanja ( parametri koji su opisani u poglavlju 2.1-2.6)2. Napredan (proaktivan) pristup zahtjeva mjerenja Tip vozila, predvianje stanja prometne mree, ishodino-odredine matrice, arhiviranje mjerenja i rezultata upravljanja radi uenja (parametri koji se prikupljaju iz video zapisa) [[footnoteRef:2]] [2: [] Ivanjko,E., Optimiranje ruta vozila koritenjem stvarno-vremenskih prometnih podataka]

3.1. ISHODINO-ODREDINA MATRICA

U ishodino-odredinoj matrici su zapisani podaci koji su dobiveni mjerenjem u stvarnom vremenu a sadri podatke ulaza i izlaza vozila iz razmatranog vora te putem nje moemo zakljuiti da li je potranja manja ili vea od kapaciteta prometnice te dali je mogue zadovoljiti tu potranju i tako zadrati uslunost prometnice (slika 2.). Kako se ti parametri mijenjaju na mjesenoj, tjednoj, dnevnoj bazi pa ak i kroz nekoliko sati da bi matrica bila vjerodostojna tj. prihvatljiva i korisna kao polazna toka optimiziranja raskrija valja ju to ee analizirati i obnavljati. Za takve analize potrebna nam je video kamera kako bi lake i bre mogli doi do eljenih informacija.

Slika 2. Ishodino-odredina matrica [10]

Video kamere koje se danas koriste u te svrhe imaju mogunost automatske identifikacije prijevoznih sredstava (slika 3.). Jedna od zastupljenijih metoda je primjena raspoznavanja registarskih ploica. Na tritu se pojavljuje cijeli niz razliito oblikovanih sustava koji u osnovi sadre kameru (u boji ili monokromatsku), raunalo i posebno oblikovani program za obradu i analizu slike. Uz navedene komponente pojavljuju se i razliita osjetila za otkrivanje pokretnih objekata ili se kamera istovremeno koristi kao osjetilo.

Slika 3. Brojenje prometa putem video kamere [13]

3.2. JEDNOZNANO PRAENJE VOZILA PREPOZNAVANJEM REGISTARSKE OZNAKE

Praenje vozila nam pomae u kontroliranju prometa te da nam unaprijed daje informacije o kretanju vie vozila odjednom, njihovo polazite i odredite, srednju brzinu te vrijeme i duljinu prometovanja. Prikupljanjem tih parametara mogli bismo formirati neke obrasce prometovanja vozila koji su u stohastikom podruju i putem izrauna predvidjeti mogua zaguenja ili zastoje u prometu osobito u vremenima vrnih sati. Princip izrauna se temelji na predvianju putovanja od toke A do toke B koje vlasnik praenog vozila obavlja po nekim uzorcima odnosno po unaprijed poznatim rutama npr. posao-kua- kua-posao (slika 4.), u odreeno vrijeme, te se prikupljeni podaci spremaju i stvara se OD matrica. Znajui te parametre mogli bi optimizirati prometne tokove jer bi znali dolazna optereenja na pojedinu prometnica a samim time smo u mogunosti mijenjati prometne parametre na raskrijima kako bi poveali propusnu mo.[[footnoteRef:3]] [3: [] eli J.,Kezi D., SUSTAV ZA AUTOMATSKO NADZIRANJE CESTOVNOG PROMETA]

Slika 4. Prikaz uzimanja uzorka prometovanja pojedinog vozi [10]

Raspoznavanja registarskih ploica provodi se u sljedeim radnjama: otkrivanje i izdvajanje vozila u dinamikoj sceni, pred obrada slike, odreivanje pozicije registarske ploice, izdvajanje karaktera s registarske ploice i raspoznavanje pojedinih karaktera koje moemo vidjeti u blok shemi (slika 5.)

Slika 5. Blok shema osnovnog dijela sustava za automatsku identifikaciju vozila [5]

3.2.1. OTKRIVANJE I IZDVAJANJE VOZILA U DINAMIKIM SCENAMA

U svrhu otkrivanja i izdvajanja vozila u dinamikim scenama koriste se razliiti tipovi osjetila koji mogu biti dio infrastrukture prometnice ili dio sustava za identifikaciju vozila. Prvoj grupi osjetila pripadaju pneumatske cestovne cijevi, induktivne petlje i magnetska osjetila. U drugu grupu spadaju radari, infracrveni senzori, ultrazvuni senzori, pasivni akustini senzori i sustavi za obradu video slike. Sustavi za obradu video slike otkrivaju vozilo u dinamikoj sceni utvrujui promjene izmeu uzastopnih okvira. Algoritmi za obradu slike analiziraju crno-bijele slike ispitujui promjene sivih tonova u grupama piksela. Segmentacija dinamikih scena najee se temelji na oduzimanju pozadine pri emu se utvruje razlika izmeu trenutnog okvira i referentnog okvira koji predstavlja pozadinu. Kvalitetniji su algoritmi sposobni ukloniti promjene sivih tonova u pozadini nastalih uslijed promjene osvjetljenja zbog razliitih vremenskih uvjeta, pojavljivanja sjena i izmjene doba dana te zadrati informaciju o objektu identificiranom kao vozilo. Analiza uzastopnih video okvira prua i druge parametre toka prometa poput brzine vozila i gustoe prometa. Na slici 6. prikazan je rezultat algoritma za otkrivanje i izdvajanje vozila iz dinamike scene.[[footnoteRef:4]] [4: [] ibid. str 8.]

Slika 6. Otkrivanje vozila u jednom od okvira videosnimke [5]

3.2.2. PRED PROCESIRANJE SLIKE

Zadatak pred procesiranja je olakavanje daljnje analize slike. Najee se postupci koji se koriste u ovoj fazi svode na poveavanje kontrasta slike. Pojedini sustavi pred procesiranja slike mijenjaju veliinu ulazne slike ime smanjuju vrijeme potrebno za obradu. Digitalna slika vozila izdvojena iz dinamike scene je dvodimenzionalno polje koje moe biti u boji ili sa sivim tonovima. Broj stupaca i broj redaka ove dvodimenzionalne matrice predstavlja njezinu rezoluciju. U veini sluajeva koristi se siva slika jer je jednostavnija za obradu, nego crvena, plava i zelena komponenta slike u boji zasebno. Slika u boji se pretvara u sivu (k) tako da se vrijednost pojedinog piksela odreuje izraunavanjem iz odnosnih vrijednosti plave (b), crvene (r) i zelene (g) boje. Nakon pretvorbe slike u boji u sliku sa sivim tonovima primjenjuju se postupci za poboljanje kontrasta kako bi se objekti koji se na njoj nalaze im vie isticali. Poboljanje kontrasta slike provodi se zbog nemogunosti utjecanja na nepovoljne scenarije koji se mogu pojaviti prilikom izdvajanja slike s vozilom, poput slabe ili neujednaene rasvjete, neistih i oteenih registracijskih ploica itd. Postupci za poboljanje kontrasta mogu biti lokalni ili globalni te se mogu provoditi u vremenskoj i frekvencijskoj domeni.

3.2.3. ODREIVANJE POZICIJE REGISTARSKE PLOICE

Vie je razliitih metoda za odreivanje pozicije registarske ploice a koriste se u sustavima trenutno raspoloivim na tritu. Jedna od prihvatljivijih metoda je komparativna analiza za odreivanje pozicije registarske ploice i njezino izdvajanje te izdvajanje karaktera. Postupak odreivanja pozicije registarske ploice zapoinje binarizacijom slike sa sivim tonovima. Da bi se slika binarizirala potrebno je odrediti prag prema kojem se provodi postupak binarizacije. Postupak se sastoji od usporeivanja vrijednosti slikovnih elemenata s vrijednou praga te im se na osnovi dobivenog rezultata dodjeljuje jedna ili druga granina vrijednost. Prag moe biti jedinstven za cijelu sliku (globalan) ili se mijenjati u ovisnosti o vrijednosti slikovnog elementa i njegovog susjedstva (lokalan). Globalna se binarizacija koristi kod ujednaenog osvjetljenja, a lokalna kod neujednaenog osvjetljenja to je ini puno prikladnijom za potrebe izdvajanja registarske ploice. Vrijednost praga kod lokalne binarizacije je promjenjiva za pojedine dijelove slike i slikovne elemente. Izraunava se na osnovi susjedstva slikovnog objekta koji se obrauje i koje ini odreen broj toaka (piksela) u njegovoj neposrednoj blizini. Na ovaj se nain dobiva slika na kojoj su istaknuti vani dijelovi ime se pojednostavljuje pronalaenje registarske ploice (slika 7.).

Slika 7. Binarizacija slike sa sivim tonovima [5]

Za analizu objekata na slici potrebno je primijeniti jedan od algoritama za detekciju rubova kako bi se mogli izdvojiti objekti od interesa. Rezultat detekcije rubova primjenom algoritma i gradijentnog filtra prikazan je u podnoju (slika 8.). Zbog jednostavnosti i brzine izvoenja odabran je gradijentni filtar za detekciju rubova koji koristi rubni operator koji izbjegava klasino raunanje gradijenta u interpoliranoj toki izmeu dviju linija koristei maske veliine 3x3 (horizontalne i vertikalne). Konvolucijom maske i slike naposljetku se dobivaju odgovarajui rubovi koji su preduvjet za odreivanje potencijalnih kandidata za registarsku ploicu.[[footnoteRef:5]] [5: [] ibid. str. 8.]

Slika 8. Detekcija rubova primjenom algoritma i gradijentnog filtra (a)prije i (b)poslije binarizacije [5]a)

b)

Dobivena se slika dodatno obrauje kako bi se uklonile nepotrebne komponente slike koje bi oteavale odreivanje pozicije registarske ploice ili utjecale na njezinu uspjenost. Obrada se zasniva na operacijama zatvaranja i otvaranja koje nastaju kombinacijom operacija binarne matematike morfologije: erozije (koja poveava crne objekte) i dilatacije (koja poveava bijele objekte). Kod slika s vozilom operacije erozije i dilatacije koriste strukturni element oblika kvadrata dimenzija 3x3 piksela kojim prelaze preko slike. Ovisno o preklapanju strukturnog objekta s objektima na slici i odabranoj operaciji nastaje nova slika. Operacije otvaranja i zatvaranja rezultiraju slikom bez uma s jasnije odreenim rubovima i odvojenim objektima koji predstavljaju potencijalne kandidate za registarsku ploicu. Izbor kandidata za registarsku ploicu moe se izvoditi na vie naina. Najee se koristi transformacija za pronalaenje paralelnih rubova upotpunjena konturnim (obrisnim) algoritmom radi postizanja zadovoljavajue brzine ili kombinacija horizontalne i vertikalne projekcije kao to je prikazano na slici 9.Slika 9. Odreivanje pozicije registracijske ploice upotrebom horizontalne i vertikalne projekcije [5]

Odabrani se predloci za registarsku ploicu ispituju kako bi se provjerilo jesu li zadovoljeni kriteriji koje ploica mora ispunjavati. Koriste se tri kriterija prilikom ispitivanja: omjer irine i visine registarske ploice, zastupljenost bijele boje na ploici i broj objekata koje ploica sadri . Registarskom ploicom proglaava se predloak koji zadovoljava sve odabrane uvjete. Registarska ploica zbog kuta snimanja kamerom moe biti i ukoena ili deformirana te se stoga prije raspoznavanja karaktera mora izravnati. Izravnavanje registarske ploice izvodi se pomou transformacije kojom se pronalazi kut zakrivljenosti i rotacije.Razliiti fontovi znakova pojedinih drava, neistoa (prljavtina), odbljesak svjetla, sjena, oteena registarska oznaka samo su neke od prepreka koje ljudskom oku predstavljaju manje potekoe za ispravno prepoznavanje registarske tablice raunalu mogu predstavljati ozbiljan problem. Upravo iz tih razloga, pred procesiranje slike vrlo je bitan korak za pravilno raspoznavanje znakova registarske tablice. imbenik koji pridonosi kvaliteti raspoznavanja jest i koliina raunalu ve poznatih znaajki pojedinih znakova koje su unesene pri procesu uenja klasifikatora.[[footnoteRef:6]] [6: [] ibid.str.8.]

3.2.4. IZDVAJANJE KARAKTERA S REGISTARSKE PLOICE U svrhu itanja karaktera s registarske ploice potrebno je prije svega provesti izdvajanje karaktera. Horizontalna projekcija predstavlja najuinkovitiju i najjednostavniju metodu koja se koristi u navedenu svrhu (slika 10) i provodi se na slici registarske ploice koja je prethodno binarizirana i oiena od umova filtrom. Horizontalnom projekcijom pronalaze se granice izmeu znakova na osnovi kojih se izdvajaju segmenti registarske ploice koji sadre karakter koji treba raspoznati.

Slika 10. Odreivanje pozicije karaktera na registarskoj ploici upotrebom horizontalne projekcije[5]

Svaki segment registarske ploice koji je rezultat izdvajanja, osim slovne ili brojane oznake sadri i suvian prostor i ostale nepoeljne dijelove. Susjedni se pikseli grupiraju u vie veih dijelova, a samo jedan od tih dijelova predstavlja odgovarajui znak. Cilj je podijeliti segment na dijelove te prepoznati samo onaj koji uistinu predstavlja traeni znak (slika 11). Slino postupku za odreivanje pozicije registracijske ploice i njezino izdvajanje nepoeljni se elementi uklanjaju na osnovi odreenih kriterija poput odnosa irine i visine te odnosa bijelih i crnih piksela.[[footnoteRef:7]] [7: [] ibid.str.8.]

Slika 11. Podjela segmenta na dijelove [5]

3.2.5. RASPOZNAVANJE SVAKOG POJEDINOG KARAKTERA

Optiko prepoznavanje znakova ini osnovu ovog dijela sustava. Prepoznavanje uzoraka i ekstrakcija znaajke su dvije osnovne metode optikog prepoznavanja znakova. Prepoznavanje uzoraka zasniva se na usporeivanju izdvojenih znakova i predloaka koji se nalaze u bazi podataka, odnosno odgovarajuim matricama. Predloak koji pokae najveu slinost s izdvojenim znakom uzima se kao prepoznati znak. Ekstrakcija znaajki sloenija je metoda prepoznavanja znakova. Preduvjet za raspoznavanje znakova na ovaj nain je odreivanje nekih karakteristinih znaajki pogodnih za postupak klasifikacije iz slikovne reprezentacije znaka poput broja linija, petlji, zavretaka linija, krivulja itd. Odabrani algoritam mora biti u mogunosti izvui znaajke koje su neovisne o promijeni osvjetljenja i razliitim tipovima slova. Prije izvlaenja karakteristinih znaajki izdvojenih znakova provodi se normalizacija veliine slova kojom se svi prepoznati znakovi svode na istu veliinu. U najveem se broju sluajeva smanjuje veliina slova odbacivanjem dijela informacija iz slike koja predstavlja odgovarajui znak. Smanjivanje se provodi algoritmom filtriranja koji daje najbolje rezultate u prihvatljivom vremenu. Oblik slova izdvojenih znakova nije prikladan za odreivanje znaajki pa se stoga primjenjuje algoritam kojim se slovo stanjuje do debljine od samo jednog piksela. Zatim se provodi strukturalna analiza kojom se izvlae prethodno spomenute znaajke, stvaraju se vektori opisnika s im vie korisnih informacija i alju u klasifikator. Klasifikacija se provodi putem vieslojne neuronske mree bez povratnih veza, a rezultat primjene ovakvog naina prepoznavanja moe se vidjeti na slici 12.[[footnoteRef:8]] [8: [] ibid.str.8.]

Slika 12. Rezultat prepoznavanja registarske ploice [5]

3.3. MJERENJE PROMETNIH PARAMETARA NA RASKRIJU

Bitan pokazatelj kvalitete uslunosti raskrija je samo zasienje raskrija. Kako bi odredili realnu zasienost raskrija uzimamo u obzir potpunu zastupljenost automobila na pojedinim trakovima. Iako senzori za detekciju vozila mogu obavljati zadau registracije prisutnosti vozila one nam ne govore u potpunost kakvo je stanje na prometnici te kolika je stvarna duljina reda ekanja zbog samih razmaka izmeu automobila te zbog malog broja postavljenih senzora. Duljina reda ekanja ovisi o tri stavke broju vozila, duljini vozila i razmaku izmeu vozila koja su u koloni. (Slika 13.)

Slika 13. Prikaz mjerenja duljine vozila i razmaka izmeu njih [10] d2l2d1l1

Za svaki sustav praenja prometa, prometna petlja zakopana u cesti mora otkriti prisutnost ili odsutnost motornog vozila. Kad se automobil kree preko petlje, metalno kuite automobila smanjuje induktivitet unutar prometne petlje koji uzrokuje promjene u frekvenciji koja se otkriva signalnim ureajima, te se koristi za promjenu statusa semafora. Mnoga krianja koriste vie petlje za otkrivanje prisutnosti automobila to poveava troak implementacije kao i trokove odravanja. Petlje koje ne rade se moraju zamijeniti a sama zamjena petlji moe predstavljati opasnost za sudionike u prometu. Da bismo uklonili te nedostatke, promet se moe regulirati putem video nadzora, kontrola sustava temeljena na raunalnom vidu zamjenjuje petlje sustava i zastarjele sustave kontrole. Dananji sustavi koriste kamere sa rasponom vidnog polja i do 160. Suvremene kamere nadograene procesorima tzv. pametne kamere ( engl. ''smart camera'') su u mogunosti pratiti promet na raskrijima u oba smjera, detektirati kretanje vozila u krivom smjeru istovremeno brojei promet vozila i prolazak pjeaka preko prometnice (slika 14).

Slika 14. Pogled mjerenja prometa pametnom kamerom [14]

4. MJERENJE PROMETNIH PARAMETARA NA AUTOCESTAMA

Mjerenje prometnih parametara na autocestama ne razlikuje se uvelike od mjerenja na zatvorenoj cestovnoj prometnoj mrei. Meutim na autocesti na sigurnost utjeu drugi parametri koje treba uzeti u obzir, kao to su poveana brzina vozila, vozila koja se ukljuuju u promet sa sporednih prometnica na autoceste te signalizacija u tunelima.

4.1. MJERENJE DULJINE I BRZINE VOZILA Za procjenu duljine i brzine vozila, vidno polje kamere mora biti kalibrirano tj. mora zadovoljiti sve uvjete potrebne za prepoznavanje prometnih parametara. Kalibracija obuhvaa udaljenost tla u odnosu na pogled kamere i prua trodimenzionalnu mjerljivu perspektivu na dvodimenzionalnu video slika (slika 15.). Svaka kalibracijska linija ima mjeru koja predstavlja udaljenost od "baze" (engl. ''zero-line'' na slici 15.) kalibracijske linije. Visina aparata je takoer vana u procesu kalibracije. Pravilna kalibracija omoguuje veu tonost programa za procjenu duljine vozila i putne udaljenosti, koje se koriste za izraunavanje brzine. Precizno kalibriranje zahtijeva poznavanje irine trake, te udaljenosti donje linije i visine kamere.[[footnoteRef:9]] [9: [] Collection of vehicle activity data by video detection for use in transportation planning]

Slika 15. Prikaz paralelnih i okomitih mjernih linija [3]

4.2. STVARANJE DATOTEKA DETEKTORA

Nakon kalibracije, detektori prometa su postavljeni na video slike pomou softvera. Ovi detektori mogu odrediti broj aktiviranja, duinu i brzinu vozila. Tehnike koritene u izradi datoteka detektora mogu igrati sastavni dio u tonosti vidnih toaka. Pogled slike treba ispitati kako bi se utvrdila tonost prijenosa promatrane slike te dali su mogua odstupanja u smislu detektiranja vozila. Faktori koji moraju biti ispitani su: pozadinske anomalije, relativni poloaj vozila, podruja zaepljenja ili zastoja i podruja u kojima su vozila mijenjala traku. Poloaj detektora se razlikuje za svaku autocestu, rampu i raskrije. U idealnom sluaju, detektori su iroki koliko i njihove trake u funkciji bi bilo vie slike i mogli bi se izbjei propusti otkrivanja vozila ne sreditem traku. Meutim, kut pod kojim pada pogled kamere moe znatno ograniiti irinu detektora, a vozila u jednom traku mogu pokrenuti detektore u susjednom traku. Kako bi sprijeili ovu pojavu, detektori pokrivaju samo postotak cijele irine trake.Doba dana se takoer mora uzeti u obzir u razvoju detektor datoteka. Na primjer, slika sa detektora stvorena tijekom dana moe biti iz odreene trake u blizini uline svjetiljke. Kad je ulica osvijetljena nou, to bi moglo stvoriti odraza i utjecati na rad detektora. U svako doba dana treba uzeti u obzir pravilno razmatranje kvalitete slike tijekom stvaranja datoteke detektora.[[footnoteRef:10]] [10: [] ibid. str. 18.]

4.3. SUSTAV DETEKCIJE PROMETA

S trostrukim sustavom detektori brzine i brojai se koristi za mjerenje koliine prometa, brzine vozila i klasifikaciju vozila. Ovi brojai su postavljeni na video slike pomou posebno dizajniranog softvera za grafike "detektore" . Detektori brzina (Slika 16.) su postavljeni uzduno u putnoj stazi i mjere brzine vozila i duljine vozila raunajui vrijeme kojim vozilo putuje unutar poznate unaprijed odreene duljine (engl. ''region of interest''). Klasifikacija vozila se provodi iskljuivo na temelju duljine vozila. Duljine vozila se zbrajaju u razrede po unaprijed odreenoj duljini a detektori toaka e snimati sluajeve kada vozila prijeu odreen broj detektora. Podaci o volumenu se mogu prikupljati za pojedine trakove ili na vie mjesta u jednom traku. S obzirom na broj vozila, brzinu i klasifikaciju informacija, interni softver procjenjuje ostale parametre podatkovnog prometa, ukljuujui, ali ne ograniavajui se na: protok vozila, vremenske sljedove, vrijeme zauzetosti, vrijeme slube, razinu usluge, srednju prostornu brzinu, popunjenost prostora, te gustou. Procjena se temelje na zajednikim formula utvrenih prometnih znanosti i prirunika za kapacitet na cestama (engl. Highway Capacity Manual).[[footnoteRef:11]] [11: [] ibid. str. 18.]

Slika 16. Detektori brojanja,detektori brzine te tipa vozila [15]

4.4. UPRAVLJANJE PROMETOM U TUNELIMA

Za tunele due od 1000 m statistiki podaci pokazuju da barem jedno vozilo u toku dana ostaje stajati iz bilo kojeg razloga (kvar u vozilu, pomanjkanje goriva i slino). U takvim sluajevima, potrebno je identificirati i uspostaviti privremeni reim prometa, koji odgovara nastaloj atipinoj situaciji. Primjenjuje se naelo "najvee hitnosti" u donoenju odluka i davanju informacija sudionicima u prometu. Takvom zahtjevu moe udovoljiti samo informacijska tehnologija s primjenom daljinskog upravljanja. Uvoenjem sustava video nadzora postotak uspjene detekcije sumnjivih stanja vei je od 99% sa srednjim vremenom reakcije 10 sekundi. Pogreke su manje od 3%. Ova tehnologija u kombinaciji sa mjerenjem brzine i gustoe prometa znatno pridonosi poveanju sigurnosti u cestovnom prometu. Video kamere omoguavaju prikaz situacije na monitorima, a imaju mogunost automatske detekcije prometnih incidenata: zastoja, vonje u suprotnom smjeru, oitovanja broja, vrste i brzine kretanja vozila. Detektorske petlje, s podacima automatskog video sustava te daju potpune podatke prometnoj centrali radi prevencije zastoja (slika 17.).

Zatvoreni sustav video nadzora u tunelima sadri: 1. Fiksne okretne kamere s objektivom i fiksne kamere koje se dodatno prikljuuju na ureaje za virtualnu detekciju vozila; 2. Opremu i kabele za prijenos video signala do kontrolnog centra 3. Opremu u kontrolnom centru; ureaje za virtualnu detekciju vozila, video-matrini sustav, monitore i sustav za snimanje video zapisa.

Slika 17. Prikaz centrale koja prati dogaaje u tunelima putem video kamere [16]

5. ZAKLJUAK

Jedan od temeljnih problema suvremenog svijeta je promet i njegov znaajan porast iz dana u dan. Samim time nastaje i potranja za razvojem sve veih povrina za prometnice, a sukladno tome i nove tehnologije koje bi mogle kontrolirati i voditi toliku koliinu vozila. Iz tog se razloga inteligentni transportni sustav pokazao kao idealno rjeenje . Brzina i aurnosti prenoenja podataka inteligentnog transportnog sustava jednostavno je i nuna stvar u svakom veem razvijenijem prometnom sreditu. Inteligentni transportni sustavi u prometu sve se vie nastoje uvesti u veinu razvijenih zemalja da bi se u konanici olakalo odvijanje prometa te poboljala sigurnost odvijanja prometa.Video kamere kao sustavi raunalnog vida, detekcije prometnih parametara i kao veze izmeu zbivanja na prometnicama i operatera koji nadziru situaciju na prometnicama, polazna su toka za mjerenje prometnih parametara. Polazei od te konstatacije moemo zakljuiti da je video kamera esencijalan segment u voenju prometa bez ije prisutnosti i uporabe promet kojeg danas prouavamo i reguliramo ne bi bio izvediv na toj razini.

LITERATURA

[1] Bonjak, I. Inteligentni transportni sustavi - ITS 1 . Zagreb: Fakultet prometnih znanosti, 2006. ([Lukavec]: Tiskara Rotim i Market)[2] Bonjak, I. Poboljanje prometa primjenom inteligentnih prometnih sustava // Ceste i mostovi. - 50 (2004), 3/4 ; str. 84-90[3] Collection of vehicle activity data by video detection for use in transportation planning http://www.transportation.ce.gatech.edu/sites/default/files/files/collection_of_vehicle_activity_data_by_video_detection_for_use_in_transportation_planning (pristupljeno 17.veljae)[4] Cvitani, D. TEORIJA PROMETNOG TOKA Predavanja na poslijediplomskom studiju Sveuilite u Splitu, 2014.[5] eli, J., Kezi, D., Sustav za automatsko nadziranje cestovnog prometa -Scientific Journal of Maritime Research, Vol.26 No.2 December 2012.[6] Inteligentni transportni sustav http://www.ipv-zg.hr/docs/studenti/ITS_skripta_final.pdf (pristupljeno 17. veljae)[7] Ivanjko, E., Optimiranje ruta vozila koritenjem stvarno-vremenskih prometnih podataka, 2014.[8] Jelui, N. Information source quality in intelligent transport systems //Promet (Zagreb) ISSN 0353-5320. - 22 (2010), 2 ; str. 125-131[9] Ng, K.M., Reaz, M.B.I., Mohd, M.A., Chang T.G.,Kratki pregled poboljanja metoda upravljakih i inteligentnih sustava za reguliranje gradskog prometa u neposrednoj ovisnosti od prometa-Technical Gazette, Vol.20 No.3 June 2013. [10] Kovaevi, K., Stvarnovremenska detekcija i praenje vozila na vie traka primjenom jedne kamere http://www.fpz.unizg.hr/vista/wp-content/uploads/2014/04/2014-04-1520140414_istrazivacki_seminar_wo_video.pptx.(pristupljeno 17. veljae)[11] Swaminathan,N., Rathinavel,N., Duraisamy,S., Karuppanan,G., Simulacijski model prometno ovisnih signalnih ureaja- Graevinar, Vol.66 No.07. July 2014.[12] Wang,H., Zhang, H., A Hybrid Method of Vehicle Detection based on Computer Vision for Intelligent Transportation System Vol.9, No.6 (2014), pp.105-118[13] http://www.shrader.net (pristupljeno 17. veljae) [14] http://www.intelfreepress.com (pristupljeno 17. veljae)[15] http://www.invaringenieria.com (pristupljeno 17. veljae)[16] http://www.sa-c.net (pristupljeno 17. veljae)

POPIS SLIKA

Slika 1. Optereenost prometniceSlika 2. Ishodino-odredina matricaSlika 3. Brojenje prometa putem video kamereSlika 4. Prikaz uzimanja uzorka prometovanja pojedinog vozila Slika 5. Blok shema osnovnog dijela sustava za automatsku identifikaciju vozila Slika 6. Otkrivanje vozila u jednom od okvira videosnimkeSlika 7. Binarizacija slike sa sivim tonovimaSlika 8. Detekcija rubova primjenom algoritma i gradijentnog filtraSlika 9. Odreivanje pozicije registracijske ploice upotrebom horizontalne i vertikalne projekcijeSlika 10. Odreivanje pozicije karaktera na registarskoj ploici upotrebom horizontalne projekcijeSlika 11. Podjela segmenta na dijeloveSlika 12. Rezultat prepoznavanja registarske ploiceSlika 13. Prikaz mjerenja duljine vozila i razmaka izmeu njihSlika 14. Pogled mjerenja prometa pametnom kameromSlika 15. Prikaz paralelnih i okomitih mjernih linijaSlika 16. Detektori brojanja, detektori brzine te tipa vozilaSlika 17. Prikaz centrale koja prati dogaaje u tunelima putem video kamere

12