[GitHub](https://github.com/aryanbaghi/Car_Detection)
# مقدمه
تشخیص اشیا در تصویر یک عمل پر چالش است که بسیاری از محققین در حال حاضر به آن می پردازند. تشخیص و نام گذاری[^1] اشیا در عکس بسیار پر چالش است، زیرا تصاویری که داریم می تواند در شرایط بسیار متونعی باشد. به عنوان مثال برای تشخیص خودرو در تصویر چالش هایی که در پیش رو هستند عبارتند از :
+ تصاویر بسیار متونع از زوایای متفاوت از خودرو
+ گوناگونی در خودروها به عنوان مثال خودرو سواری ، اتوبوس و …
+ رنگ ها و طرح های متفاوت خودرو ها
+ تصاویر در شب یا روز
+ تصاویر در شرایط جوی متفاوت مانند برفی، بارانی یا آفتابی یا ابری
فایق آمدن بر چنین مشکلاتی در حالت کلی بسیار مفید خواهد بود و در زمینه هایی مانند ایمنی خودروها[^2]، فهرست گذاری ویدو[^3]، دنبال کردن اشیا در تصویر[^4] ، روباتیک و … بسیار سودمند خواهد بود.
اما تشخیص خودرو در تصویر چه سودمندی خواهد داشت؟
برای پاسخ به این سوال بد نیست به چند نمونه از کاربرد هایی که هم اکنون شاهد آن هستیم اشاره کنیم. به عنوان مثال دوربین های کنترل سرعت راهنمایی و رانندگی که در سطح شهر هستند با تشخیص جسم با سرعت بالاتر از حد مجاز عکسی میگیرند که ابتدا در آن عکس خودرو را تشخیص می دهند و سپس پلاک آن.
#کارهای مرتبط
تشخیص خودرو در بسیار از موارد کاربرد دارد که در اینجا به بخشی از آن اشاره میکنیم و روش های گوناگون تشخیص خودرو در تصویر و یا به طور کلی اشیا در تصویر را بررسی می کنیم.
برای تشخیص این که خودرو ای در محدوده ای ممنوعه پارک کرده است یا نه، تشخیص مدل خودرو، تشخیص خودرو در تصاویر هوایی وحذف آن از تصویر( همانند کاری که گوگل در گوگل مپ برای حذف انسان از تصاویر هوایی به علت حفظ حریم خصوصیشان انجام می دهد) می توان از این پروژه استفاده کرد. زیرا در تمامی موارد ذکر شده ابتدا باید محل خودرو در تصویر تشخیص داده شود سپس مراحل بعدی طی شود.
البته لازم به ذکر است که بعضی از تکنیک های مورد استفاده برای یافتن تصویر خودرو می توانند برای تشخیص اشیا دیگری در تصویر بکار روند مانند: تشخیص چهره و یا دوچرخه و ... زیرا در این زمینه ها چالش های تقریبا یکسانی وجود دارد.
رویکردهایی برای تشخیص اشیا در تصویر وجود دارد مانند: شناسایی با اجزا[^5] ، شناسایی بر اساس ظاهر[^6] و شناسایی بر اساس ویژگی ها[^7].
##ال
+ تطابق لبه
+ هیستوگرام
+ …
#روش استفاده شده
در این بخش به توضیح روش استفاده شده در فاز دوم می پردازیم. برای دریافت فایل ها می توانید به [GitHub](https://github.com/aryanbaghi/Car_Detection) مراجعه کنید.
در این فاز از روش Haar-like features استفاده کردیم. این روش از digital image features استفاده میکند. در توضیح این روش به اختصار می توان گفت که ویژگی های تصویر بر اساس تفاضل مجموع پیکسل های یک ناحیه ی مستطیل تعریف می گردند.
<img alt="" src="//upload.wikimedia.org/wikipedia/commons/thumb/e/ee/Prm_VJ_fig3_computeRectangleWithAlpha.png/220px-Prm_VJ_fig3_computeRectangleWithAlpha.png" width="220" height="165" class="thumbimage" srcset="//upload.wikimedia.org/wikipedia/commons/thumb/e/ee/Prm_VJ_fig3_computeRectangleWithAlpha.png/330px-Prm_VJ_fig3_computeRectangleWithAlpha.png 1.5x, //upload.wikimedia.org/wikipedia/commons/thumb/e/ee/Prm_VJ_fig3_computeRectangleWithAlpha.png/440px-Prm_VJ_fig3_computeRectangleWithAlpha.png 2x" data-file-width="800" data-file-height="600">
$$sum = I(C) + I(A) - I(B) - I(D)$$
در این فاز از کتابخانه ی OpenCV نسخه ی ۲.۴ استفاده شده است. با استفاده از [Cascade Classifier Training](http://docs.opencv.org/doc/user_guide/ug_traincascade.html) که امکان Training بر اساس Haar-like features را به ما می دهد و تعداد زیادی داده ی آموزشی مشتمل بر دو دسته، دسته ای حاوی عکس های بدون خودرو و دسته ای شامل عکس های خودرو، و دو فایل توصیف گر، یکی برای عکس های بدون خودرو یا به اصطلاح پس زمینه و دیگری توصیف گر عکس های حاوی خودرو و محل خودرو یا خودرو های موجود در تصویر، فایل هایی به دست می آیند که نتیجه یادگیری بر روی داده های تست بوده. سپس این فایل ها به برنامه ای که به زبان سی پلاس پلاس نوشته شده داده می شوند تا آن برنامه با استفاده از آن ها بتواند در صورت وجود خودرو در تصویر محل آن را مشخص کند.
در ادامه به توضیح چگونگی استفاده از فایل های موجود در Github خواهیم پرداخت البته لازم به ذکر است که این توضیحات در ReadMe پروژه نیز موجود است و این توضیحات برای سیستم عامل لینوکس ارایه گردیده است.
ابتدا کد را کامپایل میکنیم، البته باید دقت شود که کتابخانه های مربوطه را نیز به کامپایلر معرفی کنیم.
سپس فایل اجرایی را با پارامتر های زیر اجرا میکنیم:
+ آدرس عکس
+ فایل یا فایل های مربوط به ما حصل Cascade Classifier
به عنوان مثال:
<div dir="ltr">
./output image.bmp cascade1.xml cascade2.xml cascade3.xml cascade4.xml cascade.xml
</div>
البته به دلیل حجم زیاد فقط فایل های حاصل شده از Train های مختلف را در GitHub قرار داده ام و پس از کامپایل با استفاده از دستور بالا آن را اجرا کنید.
#روش پیشنهادی
روش پیشنهادی برای تشخیص خودرو در تصویر، روش ژنتیک الگوریتم است. زیرا این روش بدون نیاز به دانش اولیه و مداخله انسان قابل پیاده سازی است. همچنین در زمینه هایی مانند شناسایی خودرو، شناسایی صورت و شناسایی هواپیما در تصویر این روش به دقت ۱۰۰٪ رسیده است.
البته سعی خواهد شد از الگوریتم ECO feature که بر اساس الگوریتم ژنتیک است استفاده گردد. این الگوریتم بسیار قوی و جدید است به طوری که برای شناسایی اشیا به صورت عمومی در تصاور استفاده می گردد.
<img src="http://news.byu.edu/releases/archive14/Jan/objectrecognition/ID_2.jpg" style="width:600px;-webkit-border-radius:20px;-moz-border-radius: 20px;border-radius: 20px; box-shadow: 0px 0px 7px 1px #202020;-webkit-box-shadow: 0px 0px 7px 1px #202020;-moz-box-shadow: 0px 0px 7px 1px #202020;" />
توضیحات تفضیلی در مورد این روش در مقاله مربوطه که در بخش مراجع آمده قابل مشاهده است.
البته ما در استفاده از این روش اولویت را بر تشخیص خودرو خواهیم نهاد.
#مراجع
+ [A feature construction method for general object recognition](http://www.sciencedirect.com/science/article/pii/S0031320313002549)
+ [Wikipedia, Outline of object recognition](http://en.wikipedia.org/wiki/Outline_of_object_recognition)
+ Computational method of feature selection, Edited by Huan Liu & Hiroshi Motoda
+ OpenCV
+ [Feature selection based on rough sets and particle swarm optimization ](http://www.scopus.com/record/display.url?eid=2-s2.0-33845523839&origin=inward&txGid=24D567DAA799B13300ED99B87C6F6C5A.kqQeWtawXauCyC8ghhRGJg%3a12