سایه در هر تصویر به مجموعه نقاطی گفته می شود که شدت روشنایی در آن نقاط نسبت به نقاط اطراف آن کم تر است و این موجب شده تا این نقاط، تیره‌تر به نظر برسند. اجسام را از دید نوری می‌توان به سه دسته‌ی کلی تقسیم کرد: شفاف، کدر و براق. جسم شفاف به جسمی گفته می‌شود که از نوری که به آن تابیده می‌شود، بیش‌تر آن را از خود عبور می‌دهد. جسم کدر به جسمی گفته می‌شود که از نور تابیده شده به آن، بخش اعظم آن‌را جذب می‌کند. جسم براق به جسمی گفته می‌شود که بخش زیادی از نوری که به سطحش می‌تابد را بازتاب می‌دهد. با دید فیزیکی می‌توان گفت سایه، حاصل از قرارگرفتن یک جسم کدر در مقابل منبع نور است. بسته به نوع منبع نور (منبع نقطه‌ای یا منبع گسترده) ممکن است در برخی نقاط، نیم‌سایه هم وجود داشته باشد.
کنترل هوشمند ترافیک از موضوعاتی است که در دهه‌های اخیر توجه زیادی را به خود جلب کرده است. حجم زیاد خودروها، امکان کنترل آنها توسط نیروی انسانی را دشوار و در مواردی غیرممکن کرده‌است. لذا هوشمند سازی سامانه‌های کنترل تردد، اجتناب ناپذیر است. بر اساس گزارش موسسهA&M ، هر شهروند آمریکایی به طور متوسط، سالیانه 38 ساعت را در ترافیک سپری می‌کند. این گزارش نشان می‌دهد که این مقدار برای شهرهای لس انجلس و واشنگتن به 67 ساعت در سال می‌رسد[1].
یکی از مباحث هوشمندسازی، موضوع تشخیص سرعت متوسط و لحظه‌ای خودروهاست. سرعت لحظه‌ای تشخیص سرعت خودروها در یک مسافت کوتاه است. در نقاطی از جاده، دوربین‌های اندازه‌گیری سرعت وجود دارند که به محض عبور خودرو از آن نقاط، سرعت خودرو تشخیص داده می‌شود. سرعت متوسط عبارت از سرعت خودرو در طی یک مسیر طولانی است. این امر به ابزاری جهت تشخیص هویت خودروها در ابتدا و انتهای یک مسیر نیاز دارد.
در اندازه گیری سرعت متوسط چالش اصلی احراز هویت خودرو است که معمولا با تشخیص پلاک صورت می‌گیرد. اما در اندازه‌گیری سرعت لحظه‌ای علاوه بر این چالش، مشکلات دیگری هم وجود دارد که یکی از مهم‌ترین آنها وجود سایه است که ردیابی خودرو را با مشکل روبرو می کند و سبب اندازه‌گیری اشتباه سرعت می‌شود.
برای تشخیص سرعت لحظه‌ای روش‌های زیادی پیشنهاد شده است که می‌توان آن ها را به صورت زیر، دسته بندی کرد:
• روش‌های مبتنی برامواج رادیوئی
• روش‌های لیزری
• حسگرهای تشخیص عبور خودرو
• روش‌های مبتنی بر پردازش تصویر
یکی از بهترین روش‌ها، روش مبتنی بر پردازش تصویر می‌باشد. با استفاده از روش مبتنی بر پردازش تصویر می‌توان اطلاعات جامعی از خودروهای عبوری را به‌دست آورد. در این روش با مدل‌سازی مسیر حرکت خودروها و تحلیل دقیق رفتار ترافیکی آنها می‌توان اطلاعات ارزشمندی را استخراج نمود که قدرت بالایی را جهت برقراری مدیریت منعطف ترافیکی ایجاد می‌کند.
این روش نسبت به سایر روش‌های تشخیص سرعت خودرو، دارای مزایایی می‌باشد که از آن جمله به موارد زیر می‌توان اشاره کرد:
• امکان تشخیص سرعت دقیق برای هر خودرو بصورت جداگانه
• امکان تشخیص ابعاد خودرو و اعمال دو یا چند آستانه جهت خودروهای سنگین و سبک
• امکان تشخیص همزمان سرعت چندین خودرو
• امکان تشخیص تخلفات دیگر مانند انحراف به چپ
• عملکرد قابل قبول در شرایط مختلف جوی
• امکان اندازه گیری سرعت متوسط و لحظه‌ای
• تشخیص پلاک خودروهای عبوری که جهت کشف خودروهای مسروقه و بدست آوردن اطلاعات آماری از تردد خودروها استفاده می‌گردد.
• عدم نیاز به تغییرات فیزیکی در سطح جاده
• امکان تشخیص سبقت غیر مجاز در محدوده‌ی دید دوربین
• امکان تشخیص عدم رعایت فاصله مجاز دو خودرو در محدوده‌ی دید دوربین
با توجه به موارد فوق، یکی از دغدغه‌ها، افزایش دقت در اندازه‌گیری سرعت است. در این بخش، وجود سایه سبب کاهش دقت می‌شود و باید این چالش را برطرف کرد. عمده‌ی خطای ناشی از حضور سایه، در نظر گرفته‌شدن آن به عنوان یک شی متحرک است. علاوه براین، چنانچه سایه ی یکی از اشیا بر روی شی دیگری بیفتد، با توجه به وجود پیوستگی بوجود آمده، این دو شی متحرک، در چند قاب به صورت یک شی آشکار خواهند شد. یکی دیگر از خطاهای پیش آمده، تغییر کردن ابعاد سایه در چند قاب متوالی از ویدیو است که می تواند تاثیر منفی روی سرعت اندازه گیری شده بر جای بگذارد.
Hossein Gholamalinejad, [18.10.17 09:27]
2- روش‌های آشکارسازی و حذف سایه
روش‌های زیادی برای شناسایی و حذف سایه در مقالات پیشنهاد شده‌است. در بحث پردازش تصویر از دو نوع تحلیل استفاده می شود: تحلیل در حوزه‌ی مکان و تحلیل در حوزه‌ی فرکانس. عموم روش‌های پیشنهاد شده در مورد شناسایی و حذف سایه، از نوع تحلیل‌های مکانی می‌باشند. این روش‌ها را می‌توان به سه دسته‌ی کلی تقسیم کرد:
• روش‌های پیکسلی
• روش‌های ناحیه ای
• روش‌های ترکیبی
در ادامه ضمن معرفی هر کدام از روش‌ها، به ذکر پیشینه‌ی آنها نیز پرداخته شده است.
2-1- روش‌های پیکسلی
در روش پیکسلی، شناسایی سایه از روی بررسی رفتار و ویژگی‌های تک تک پیکسل‌ها صورت می‌گیرد. در این روش‌ها عموما از فضاهای رنگی استفاده می‌شود و شناسایی سایه با محدود کردن یک یا دو کانال رنگی از آن فضا اجرا می‌شود. کوکچیا در [2] روشی در فضای رنگHSV پیشنهاد داده است. در این مقاله ثابت شده است که در فضای رنگHSV سایه در کمترین مقدار پیکسلی برای پارامترهای S و V اتفاق می‌افتد و شدت سایه توسط تغییر پارامتر H قابل تغییر است.
2-2- روش‌های ناحیه ای
روش دیگر شناسایی سایه، روش مبتنی بر ناحیه است. در این روش، همسایگی‌هایی تعریف شده و متناسب با ویژگی‌های هر کدام از همسایگی‌ها، پیکسل‌ها به دو دسته‌ی ناحیه سایه و ناحیه روشن تقسیم می‌شوند. آماتو در[3] این روش را پیشنهاد داده است. در این روش از فضای گرادیان در هر همسایگی با هدف تقسیم شدت روشنایی تصویر به زیر فضاهای کوچک استفاده شده است. سپس برای هرکدام از این زیر فضاها سه ویژگی مقدار میانگین، ابعاد و وزن Terminal Pixel با هدف تقسیم کردن زیر فضاها به دو دسته ی سایه و غیر سایه، مورد مطالعه و بررسی قرار گرفته است.
در [4] روش دیگری مبتنی بر ناحیه‌ها پیشنهاد شده است. در این روش برای شناسایی سایه از یک ماسک به نام ماسک آشکارسازی تغییرات استفاده شده است و از ناحیه‌بندی رنگ‌ها در این ماسک استفاده شده است. اصل کلی کار در این روش، بررسی ثبات مکانی و رنگی برای هر ناحیه است.
2-3- روش های ترکیبی
مزیت روش اول، در شناسایی دقیق سایه است ولی ایراد آن این است که چون کل صفحه باید برای شناسایی سایه بصورت پیکسل به پیکسل بررسی شود، سرعت پایینی دارد. در روش دوم، به جای بررسی تمام پیکسل ها در هر مرحله، ویژگی های هر ناحیه که قبلا استخراج شده اند مورد بررسی قرار می‌گیرند. به همین دلیل روش دوم سرعت بالاتری نسبت به روش قبلی دارد. اگر بتوان این دو روش را با هم ترکیب کرد، مزایای هر دو روش موجود خواهد بود. ترکیب به این معنی که در هر کدام از همسایگی ها بصورت پیکسل به پیکسل بررسی کنیم تا وضعیت آن همسایگی معلوم شود. در [5] روش دیگری ارائه شده است که به صورت برخط عمل می‌کند. این روش ترکیبی از هر دو روش پیکسلی و ناحیه‌ای می‌باشد و روش مبتنی بر خط تصویر نام‌گذاری شده است. در این روش با تکیه بر روابط مکانی- چگالی بین پیکسل‌ها، در یک خط تصویر اسکن شده، سایه شناسایی می‌شود. مزیت استفاده از خطوط تصویر برای تقسیم کردن نقاط صفحه به دو دسته‌ی سایه و غیر سایه، برطرف کردن مشکل جداسازی پیش زمینه و پس زمینه به همراه سایه عنوان شده است.
مراجع مورد استفاده:
[1] O. Okonkwo and L. Gong, Non-Market Strategy Analysis Project Report, Carnegie Mellon University, 2014.
[2]R. Cucchiara, C. Grana, and M. Piccardi, “Detecting moving objects, ghosts and shadows in video streams”, IEEE Trans. Pattern Anal. Mach. Intell., Vol. 25, No. 10, pp. 1337–1342 , 2003.
[3]A. Amato, M1.G. Mozerov, A.D. Bagdanov and J. Gonzàlez,
“Accurate moving cast shadow suppression based on local color constancy detection”, IEEE Trans. Image Process., Vol. 20, pp. 2954–2966, 2011.
[4] A. Russell, and JJ. Zou, “Moving shadow detection based on spatial –temporal constancy”. Proc. of 7th Int. Conf. on Signal Processing and Communication Systems (ICSPCS), Gold Coast, Australia, December 2013.
[5] M. Russell, J.J. Zou and G. Fang, “Real-time vehicle shadow detection ”, IEEE Trans. Electronics Letters, Vol. 51, Nom. 16, pp. 1253-1255, 2015.
