Aplikasi Pendeteksi Dan Pelacakan Kendaraan Menggunakan Jaringan Neural Propagasi Balik
DOI:
https://doi.org/10.31949/infotech.v8i2.3766Abstract
Penelitian ini ini bertujuan membangun sistem deteksi dan pelacakan otomatis kendaraan yang dapat diterapkan di lingkungan yang berbeda. Untuk mendeteksi kendaraan, posisi lampu belakang digunakan untuk lokalisasi kendaraan. Jaringan neural propagasi balik (back propagation neural network) yang dilatih oleh kumpulan fitur Gabor. Jaringan neural propagasi balik digunakan untuk memverifikasi kendaraan dan memastikan ketahanan sistem deteksi. Pada tahap pelacakan kendaraan, untuk mengatasi berbagai tantangan pelacakan kendaraan, adanya sebagian kendaraan dan masalah kendaraan yang hilang, penelitian ini mengusulkan metode baru yang menerapkan filter partikel. Fungsi distribusi probabilitas warna kendaraan yang terdeteksi digunakan dua kali dalam sub-sistem pelacakan kendaraan. Pertama, fungsi distribusi probabilitas warna diadopsi untuk mencari lokasi target kendaraan yang potensial; kedua, fungsi distribusi probabilitas warna digunakan untuk mengukur kemiripan tiap partikel untuk estimasi posisi kendaraan target. Karena berbagai iluminasi atau jarak kendaraan target, kendaraan yang sama akan menghasilkan fungsi distribusi probabilitas warna yang berbeda; fungsi distribusi probabilitas warna awal tidak dapat menjamin pelacakan kendaraan skala berbeda untuk jangka panjang. Untuk mengatasi masalah ini, hasil pelacakan yang akurat, yang dipilih oleh Jaringan neural propagasi balik terlatih, digunakan untuk memperbarui fungsi distribusi probabilitas warna kendaraan target. Hasil penelitian, algoritma yang diusulkan menunjukkan akurasi 84% dalam deteksi kendaraan. Video yang dikumpulkan dari jalan raya, jalan perkotaan, dan kampus diuji dalam sistem. Performa sistem benar-benar sesuai untuk aplikasi nyata.
Keywords:
deteksi kendaraan, pelacakan kendaraan, filter partikelDownloads
References
Broggi, A., Bertozzi, M., & Fascioli, A. (2000). Visual Perception of Obstacles and Vehicles for Platooning. IEEE Trans. on Intelligent Transportation System, 1(3), 164–176. https://doi.org/10.1109/6979.892153
Chan, Y., Huang, S., Fu, L., & Hsiao, P. (2012). Vehicle Detection under Various Lighting Conditions by Incorporating Particle Filter. Intelligent Transportation Systems Conference, 6(1), 1–8. https://doi.org/10.1109/ITSC.2007.4357745
Cheng, H., Zheng, N., & Sun, C. (2006). Boosted Gabor Features Applied to Vehicle Detection. International Conference on Pattern Recognition (ICPR’06), 662–666. Hongkong: IEEE Explore.
Cheng, Y. (1995). Mean Shift , Mode Seeking , and Clustering. IEEE Trans. on Pattern Analysis and Machine Intelligence, 17(8), 790–799. https://doi.org/10.1109/34.400568
Comaniciu, D., & Meer, P. (2003). Kernel-Based Object Tracking. IEEE Trans. on Pattern Analysis and Machine Intelligence, 25(5), 564–575. https://doi.org/10.1109/TPAMI.2003.1195991
Goerick, C., Noll, D., & Werner, M. (1996). Artificial neural networks in real-time car detection and tracking applications. Pattern Recognition Letters, 17, 335–343.
Han, S., Han, Y., & Hahn, H. (2009). Vehicle Detection Method using Haar-like Feature on Real Time System. World Academy of Science, Engineering and Technology, 59.
Lee, J., Jeong, M., Lee, J., Kim, K., & You, B. (2012). 3D Pose Tracking Using Particle Filter with Back Projection-Based Sampling. International Journal of Control, Automation, and Systems, 10(6), 1232–1239. https://doi.org/10.1007/s12555-012-0618-8
Li, J., Ng, W., Godsill, S., & Vermaak, J. (2005). Online Multitarget Detection and Tracking Using Sequential Monte Carlo Methods. 7th International Conference on Information Fusion, 115–121.
Ming, Q., & Jo, K. (2011). Vehicle Detection Using Tail Light Segmentation. In New Zealand (Ed.), Image and Vision Computing (pp. 115–119). Research Gate.
Sun, Z., Bebis, G., & Miller, R. (2006). On-Road Vehicle Detection : A Review. IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(5), 694–711. https://doi.org/10.1109/tpami.2006.104
Sun, Z., Miller, R., Bebis, G., & Dimeo, D. (2002). A Real-time Precrash Vehicle Detection System. 6th IEEE Workshop on Applications of Computer Vision, 1–6. https://doi.org/10.1109/ACV.2002.1182177
Viola, P., & Jones, M. (2001). Rapid Object Detection using a Boosted Cascade of Simple Features. IEEE Computer Society Conf. on Computer Vision and Pattern Recognition, 511–518. https://doi.org/10.1109/CVPR.2001.990517
Yati, R. (2021). Kemenhub: Tiap Jam, 3 Orang Tewas Akibat Kecelakaan Lalu Lintas. Retrieved July 1, 2022, from ekonomi.bisnis.com website: https://ekonomi.bisnis.com/read/20210420/98/1383639/kemenhub-tiap-jam-3-orang-tewas-akibat-kecelakaan-lalu-lintas
Zielke, T., Brauckman, M., & Von Sellen, W. (1993). Intensity and edge-based symmetry detection with an application to car-following. CVGIP: Image Understanding, 58(2), 177–190. Retrieved from https://doi.org/10.1006/ciun.1993.1037
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 INFOTECH journal
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
