<![CDATA[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.]]>
Copyrights © 2022
