TRAFİK PARAMETRELERİNİN ELDE EDİLMESİ İÇİN YENİ BİR YÖNTEM YAKLAŞIMI A NOVEL METHOD APPROACH TO OBTAIN OF TRAFFIC PARAMETERS

Transkript

1 5. Uluslararası İleri Teknolojiler Sempozyumu (IATS 09), Mayıs 2009, Karabük, Türkiye TRAFİK PARAMETRELERİNİN ELDE EDİLMESİ İÇİN YENİ BİR YÖNTEM YAKLAŞIMI A NOVEL METHOD APPROACH TO OBTAIN OF TRAFFIC PARAMETERS Ali ÇAVDAR a,*, Ali İSKURT b, İbrahim KILIÇASLAN a a,* KOU, Teknik Eğitim Fakültesi, Makina Eğitimi Bölümü, Otomotiv ABD, Umuttepe, Kocaeli, Turkey, acavdar@kocaeli.edu.tr, ikaslan@kocaeli.edu.tr b GYTE, Bilgisayar Mühendisliği Bölümü, Görüntü İşleme Laboratuarı, Gebze, Kocaeli, Turkey, aliiskurt@gyte.edu.tr Özet Trafik güvenliği ve planlaması için yapılan çalışmalardan en önemlilerinden biriside trafik hızı ile ilgili çalışmalardır. Bir bölgedeki veya noktadaki trafiğe ait taşıt sayısı, hızı ve takip mesafeleri ile ilgili çalışmalar o bölgedeki trafik akışının ne tür bir özelliğe sahip olduğu ile ilgili birçok bilgi içermektedir. Bununla birlikte, hız etüdü çalışmaları çok pahalı, zaman alıcı ve özel olarak eğitimli personelle yapılan çalışmalar olduğu için çoğunlukla zorunlu hallerde yapılmaktadır. Bu çalışmada, hem trafikteki taşıt, sürücü ve yol güvenliğinin sağlanması hem de trafik, yol ve alt yapı projelerinde zamandan tasarruf edilmesi ve maliyetin azaltılması için gerçek şartlarda ki trafiğe ait anlık parametrelerin elde edilmesini sağlayan yeni bir yöntem geliştirilmiştir. Bu yöntem ile trafikteki taşıtların, anlık hızları, ortalama hızları ve sayıları elde edilebilmektedir. Trafikte hareket eden taşıtların sayıları, hızları ve takip mesafeleri gibi parametrelerin elde edilmesi için Matlab programının görüntü işleme modülü altındaki simulink algoritması istediğimiz görüntü ve yol şartlarına uygun kodlar yazılarak yeniden tasarlanmıştır. Ayrıca, elde edilen trafik görüntülerinin doğru bir şekilde işlenmesi için video kamera görüntülerindeki taşıtların hareket yörüngelerine bağlı olan bir ön model oluşturulmuştur. Uygulama bölgesi olarak seçilen, İstanbul un Unkapanı köprüsüne ait trafik görüntüleri analiz edilerek istenilen parametrelerle ilgili veriler elde edilmiştir. Sonuç olarak, gerçek şartlardaki trafik ile ilgili önemli verilerin elde edilmesini sağlayacak bir yöntem tasarlanmıştır. Anahtar Kelimeler: Trafik parametreleri, Matlab simulink, Görüntü işleme yöntemi Abstract Speed researches involve valuable information about what types of properties traffic has in a particular region. However, these researches are very expensive, time consuming and are carried on by qualified specialists. In this study, a novel approach is developed for collecting instantaneous parameters of reel time traffic run in order to provide time and monetary saving at projects of traffic arrangement. This approach, aims to measure the instantaneous velocities of vehicles, average velocities in a certain time-window, numbers of vehicles and follow up distances on micro scale instead of averaged data on macro scale. Image and video processing simulink packet of MATLAB toolbox is adapted according to our parameters and conditions in this research. Moreover, code for additions to that toolbox is written and an enhanced tracking simulink model is developed for a true capture of vehicle trajectories. A new geometric model of perspective camera is designed according to camerahighway positions for that true capture. Practically, video from coming three traffic lanes from two regions of Istanbul are processed and valuable results are obtained. Looking at these results, acceleration or deceleration of these instantaneous traffic movements (number of vehicles and speed) increase the importance of this research in a great amount. As a consequence, a novel method for gathering the instantaneous parameters on reel time which produces reliable results in an easy and robust way have been developed. Keywords: Traffic parameters, Matlab simulink, image processing method 1. Giriş Trafik parametreleri bir bölgedeki trafik akışının ne tür bir özelliğe sahip olduğu ile ilgili birçok bilgi içermektedir. Bu sebeple, hız etüdü sonuçları trafik planlaması ve güvenliği ile ilgili çalışmalarda kullanılan temel veri kaynaklarından birisi olmasına rağmen çok pahalı, zaman alıcı ve bu konuda özel olarak eğitilmiş personellerle yapılması gereken işlerdir [1]. Bunun için son zamanlarda zaman ve para tasarrufunun sağlanması ve istenilen trafik parametrelerinin elde edilmesi için görüntü işleme yöntemi kullanılmaya çalışılmaktadır [2]. Her alanda kullanılmaya başlanan bu yöntem ile video ve kamera görüntüleri yeni geliştirilen analiz programlarıyla işlenebilmekte ve istenilen parametreler geçerli bir güvenilirlik düzeyinde elde edilebilmektedir [3]. Karayolu ulaşımı için video görüntüsüne dayalı bu tür sistemlerin uygulaması, hem sürücü, taşıt ve yol güvenliği hem de parametrelerinin ölçülmesi ve toplanması için çok önemlidir. Sadece bilimsel araştırmalar için kullanılmazlar, aynı zamanda trafiğe duyarlı kontrol gibi amaçlar içinde o andaki anlık bilgileri sağlayabilirler. Video görüntülerinin işlenebilme özelliklerinden dolayı normalde elde edilemeyen veya elde edilmesi için çok pahalı olan birçok trafik parametresinin ölçülebilme potansiyeline sahiptir [4]. Hâlihazırda, hem ticari olarak hemde deneysel cihazlar olarak kullanılan birçok görüntü sistemi mevcuttur [5-13]. Bu sistemlerin birçoğu trafik verilerinin toplanması için kullanılmakta ve sadece otoyol trafiği ve diğer basit trafik şartları için geliştirilmiştirler. Hem trafik hareketinin hızının hemde yönünün etkin olarak ölçülebilir olması trafik yönetimi için çok önemlidir. Böyle bilgiler sadece trafik durumunun daha iyi değerlendirilmesine izin vermez aynı zamanda sürücü IATS 09, Karabük Üniversitesi, Karabük, Türkiye

2 davranışlarını da anlamaya yardım ederek trafik kontrolünün etkisinin artırılmasını sağlamaktadırlar. Video görüntüleri; olay, yer ve zaman bileşenlerinin oluşturduğu karmaşık bir veriyi temsil etmektedir. Bu karmaşık yapının analizinden oluşacak sonuçların çeşitliliği video görüntülerinin işlenmesine verilen önemi ve gösterilen ilgiyi gün geçtikçe arttırmaktadır. Hareket halindeki üç boyutlu bir nesnenin zamana göre, uzaydaki ardışık çizgisel ve açısal konumlarından yararlanarak hareketin takip edilmesi kontrol uygulamaları açısından son derece önemlidir. Video analizindeki önemli aşamalardan biride video geçişlerinde hareketli cisimlerin tespit edilmesidir. Görüntü işlemenin birçok değişik uygulaması mevcuttur. Hareketli nesnelerin tespit edilmesi birçok alanda olduğu gibi trafik akışının, hacminin, hızının ve takip mesafelerinin kontrolü gibi durumlarda da önem kazanmaktadır [14]. Trafikteki taşıtların hareketleri analiz için temel alınırken, bu hareketler sonucu üretilmiş olan; hızlanma, yavaşlama, yakın takip, yüksek hız, aşırı yoğunluk gibi hareket aşamalarını oluşturulmaktadır [15]. Hareket verilerine doğru ulaşabilmek ise veriye ait görüntüdeki ilgili nesnenin şekil ve konum bilgilerinin minimum hatayla tespit edilmesini gerektirmektedir [16]. Görüntüde aranan nesnenin doğru ve hatasız bulunması ya da cisim hareketinin hassas tespit edilmesi cismin gerçek şeklini de ortaya çıkarmaktadır [17]. Günümüze kadar yapılan hareket analizi yöntemlerini üç ana grupta incelemek mümkündür. Bunlar; blok tabanlı hareket analiz yöntemi, piksel tabanlı hareket analiz yöntemi ve bölge tabanlı hareket analiz yöntemidir [18]. Bu çalışmada, video görüntülerinin kapladığı alanın tamamı amacımız için kullanılmamıştır. Bu nedenle analiz için kullanılacak yol resminde yolun sınırları veya ölçeklendirmeleri belirlenmiştir. Yolun sol-alt, sol-üst, sağalt ve sağ-üst köşeleri belirtilerek dörtgen bir ilgi bölgesi oluşturulmuştur. Şekil 1 de görüldüğü gibi oluşturulan bu bölgeler geliş, gidiş yönleri ve her yöndeki tüm şeritler için incelenen hareket bölgesi; Geliş için A(x1,y1), B(x2,y2), C(x3,y3), D(x4,y4) gidiş için C(x3,y3), D(x4,y4), E(x5,y5) ve F(x6,y6) yol köşe noktaları ile sınırlandırılmıştır. Bu ilgi bölgesinin geliş ve gidiş yönü içerisindeki her o(m,n) noktası, Şekil 1 de gösterilen l 1, l 2, l 3 ve l 4 doğruları için; doğru denklemlerinde l 1 (m,n) 0, l 2 (m,n) 0, l 3 (m,n) 0 ve l 4 (m,n) 0 eşitsizliklerini sağlamak zorundadır. olmaktadır. Taşıtlar, birbirini takip eden resimlerdeki yerleri arasındaki mesafeye göre birer hareket vektörü üretmektedir. Bazı durumlarda, tek bir taşıta ait olduğu tespit edilen bir dörtgen (kapan), kenar zayıflaması nedeniyle oluşan kopma sonucunda iki ayrı dörtgen olarak veya birbirine çok yakın giden taşıtlar tek bir dörtgen olarak algılanabilmektedir. Bu tür problemler bütün video görüntüleri incelenerek giderilmeye çalışılmıştır. Önceden beri tek bir taşıtmış gibi gelip, sonradan ikiye bölünen ve ardından tekrar birleşen taşıt yörüngeleri, iki taşıt hareketi olarak düşünülmüştür. Buna karşılık yakın takipteki iki taşıt, kamera açısı sayesinde belli bir süre sonra ayrılmaya başlayarak hareketine ayrı ayrı devam ederse, bunun aslında iki yakın taşıt olduğuna karar verilmektedir. Taşıt hareketinin başlangıç noktasından bitiş noktasına kadar geçen zamanda, başlangıç görüntü karesinde bulunan taşıtın yörüngesi, bitiş görüntü karesindeki hangi taşıtın hareket yörüngesine karşılık geldiği bilgisini devam eden birleşik yörünge veya yörünge açısı sisteminden elde edilmiştir. Trafikteki taşıtların hız bilgilerinin yanı sıra gerçek şartlarda ki anlık parametrelerin elde edilmesi için mevcut bir görüntü işleme algoritması istenilen yol ve şartlara bağlı olarak düzenlenerek yeni bir yöntem geliştirilmiştir. Bu yöntem, trafikteki taşıtlara ait anlık ve ortalama hızların, taşıt sayılarının ve takip mesafelerinin elde edilebilmesini amaçlamaktadır. Bunun için Matlab paket programının görüntü işleme modülüne ait simulink algoritması istediğimiz şartlara ve parametrelere uygun olarak ölçeklendirilerek yeniden tasarlanmıştır. Öncelikle görüntüleri doğru bir şekilde işlemek için bir ön model, yol şartlarına ve kamera açısına göre ölçülendirmeler ve gerekli ara yazılımlar yapılarak, İstanbul un Unkapanı köprüsündeki gelen yöndeki şeritler işlenmiş ve istenen veriler elde edilmiştir. 2. Trafik Görüntüleri Ve Görüntü İşleme Yöntemi Materyal olarak kullanılan video kamera görüntüleri İstanbul un Unkapanı köprüsündeki saatleri arasındaki trafiğe ait 3 er dakikalık görüntüler kullanılmıştır. Trafik görüntülerinin elde edilmesi için kullanılan video kameralarla tek bir noktadan kayıt yapılmıştır. Şekil 1 de yol kenarına sabit olarak konuşlandırılan video kamera sistemi görülmektedir. Uygulama bölgesi olarak seçilen Unkapanı köprüsü üç gelen yönde üçte giden yönde olmak üzere altı şeritlik bir otoyoldur. Bu çalışmada sadece gelen yöndeki üç şerit işlenerek analiz edilmiştir Görüntü İşleme Yöntemi İle Veri Toplama Şekil 1. Unkapanı köprüsünün yol sınırlarının görüntüsü İncelenen videolardan elde edilen tüm veriler, her görüntü için bir matriste tutulmaktadır. Bu matrislerin diziliminde aynı taşıta ait tüm veriler aynı sütunda yer almaktadır. Böylece herhangi bir taşıta ait veriye ulaşmak daha kolay Tek bir kamera görüntülerin den elde edilen iki boyutlu veriler (taşıt sayıları, hızları ve takip mesafelerini) yani üç boyutlu dünyaya ait olan gerçek verileri elde etmek için perspektif kamera modeli kullanılmıştır. Perspektif kamera modelinde derinlik bilgisi kaybı kesindir. Uzaktaki cisimlerin küçüklüğü, paralelliğin kaybı gibi olumsuzluklardan sonra gerçek hayata ait kesitler iki boyuta indirgenebilmektedir. Bu kayıpların üstesinden gelerek gerçek hayata ait verilerin elde edilmesi için parametrelerin doğru saptanması veya iki kamerayla çalışılması gerekmektedir. Tek kamera olduğunda ise bu çalışmada olduğu gibi bazı kabullerin yapılması gereklidir.

3 2.2. Taşıtların Hareket Yörüngelerine Göre Tespiti Unkapanı köprüsündeki gelen yönündeki şeritlerin incelenmesi için diğer alanlar filtre edilmiştir. Bunun için median bir filtre ile fon ölçümü yapılıp iki film karesi birbirinden çıkartılarak hareket vektörleri elde edilmiştir. Şekil 2 deki gibi fon bilgisi videodan çıkartıldığında geriye kalan cisimler beyaz, duran cisimler siyah olarak gösterilmiştir. Şekil 3 de görüldüğü gibi ise hareket eden taşıtlar kapan yöntemi olarak ifadelendirilen bir yöntemle kare veya dikdörtgen bir kutu içinde yakalanmış olarak gösterimi sağlanmıştır. Ancak aynı anda pek çok cisim hareket halinde olduğu için farklı şeritlerin karışıklığa sebep olmaması için istenilen şeritler incelenerek kaydedilmiştir. İstanbulun Unkapanı köprüsündeki trafik akışına ait video kamera ile gözlemlenen görüntülerdeki gelen yöndeki üç şeritin taşıt hareketleri ve parametreleri incelenmiştir. trafik görüntüsündeki şeritlere ait istenilen parametrelerin elde edilmesi sağlanabilecektir. Şekil 4. Taşıt yörüngesinin normale göre açısı 2.4. Taşıt Hızlarının Elde Edilmesi Öncelikle görüntülerdeki hızlar bulunarak daha sonra anlık hızların elde edilmesi gerekmektedir. Bunun için iki video karesindeki hareket eden cisimlerin merkezlerini bilmemiz yeterli olmaktadır. Merkezler x ve y eksenlerindeki farkları yer değiştirmeleri verecektir. Bu değerler de örnekleme zamanına (1/30) bölündüğünde kameradaki v x ve v y hızları elde edilmiş olmaktadır. v x_kamera = (X1-X2)*30 (1) v y_kamera = (Y1-Y2)*30 (2) Şekil 2. Hareket eden cisimlerin tespiti Bu hızlar belirli bir büyütme ile (perspektif kamera modeline göre) çarpılarak gerçekte taşıtın Vx ve Vy bileşenleri bulunmuş olmaktadır. Ancak 3 boyutlu dünyada bir de kameraya doğru gelen Vz bileşenin de bulunması ile gerçek V hızı vektörel toplam ile elde edilmiş olmaktadır. V = Vx + Vy + Vz (3) V = v x * A + v y * A + Vz (4) 2.5. Gerçek Anlık Hızın (V) Elde Edilmesi Şekil 5 de örnek bir görüntü izleme modeli görülmektedir. Şekil 5 de gösterildiği gibi kamera yola düz pozisyonda yerleştirilmemiştir. Şekil 3. Taşıtların tespiti için kullanılan kapan yöntemi 2.3. Taşıt Sayılarının Elde Edilmesi Şekil 4 de taşıtlara ait olan hareket yörüngelerinin normale göre açısı görülmektedir. Taşıtların kameraya göre izlediği yol açıları birbirine göre paralellik göstermektedir. Taşıtlara ait olan birbirinden bağımsız olarak elde edilen yörünge sayıları bize taşıt sayılarını vermektedir. Yörüngelerin bazen sürekli bir çizgi şeklinde olmaması sistemden veya taşıtların birbirlerini çok yakın bir şekilde takip etmesinden kaynaklanmaktadır. Fakat bu o kadar önemli bir olayda değildir. Çünkü her taşıta ait bir yörünge olduğu için o yörüngeye ait olan taşıt kesikli bir çizgi demeti de oluştursa sadece bir taşıtın hareketini simgelemektedir. Bu hareket yörüngesine ait değerler kameranın yola uzaklığı ve açısı ölçülerek tespit edilmiştir. Yörünge açıları sistem tarafından bir ön izlemeye tabi tutulduktan sonra her bir Şekil 5. Örnek bir görüntü izleme modeli Genel olarak hem daha fazla sayıdaki taşıtın ve trafik alanının görüntülenmesi hem de kameranın yerleştirilmesi

4 konusundaki sıkıntılardan dolayı videolardaki yollar kameraya dik değil de belli bir açıyla gelmektedir. Her şerit için taşıtları takip ettiğimiz yol uzunluğuna D dersek, bunun bir başlangıç bir de son noktası olacaktır. D yol parçasının başının kameraya z ekseni boyunca uzaklığı dir. D ve gerçek değerleri hesaplanarak bulunmuştur. Bu mesafeler bulunurken, yol kenarlarındaki aydınlatma lambalarının, şerit işaretlerinin ve taşıtların uzunluklarına ait ölçülendirmelerden yararlanılmıştır. Hem D hem de kurulan matematiksel bir formül içerisine yerleştirilerek Vz elde edilmiştir. x, kameradaki taşıtının orijine göre koordinatı,, taşıtın kameraya z eksenine göre uzaklığı, X, taşıtın dünyada z eksenine uzaklığı, Kamera modelinde; x = f X Türevleri alındığında hızlar ortaya çıkmaktadır. dx dx = f.. dt dt 2 X d - f.. dt Sadeleşmeler yapılırsa, d ise, (7) dx V x = ile Vz = dt dt v x = v y = x.vz y.vz - f. Vx - f. Vy olarak elde edilmektedir. Bu perspektif kamera modeli bilindiğine göre Unkapanı köprüsüne ait matematiksel bir ön izleme modeli Şekil 5 de ki gibi oluşturulmuştur. Şekil 5 de kameraya ait X-Y dik eksenleri k noktasına ve m noktasına taşınmış ve paralellikleri korunmuştur. k noktası = D yol parçasının başlama yeri, m noktası = D yol parçasının sonlanma yeridir. Açılar elde edildikten sonra m noktası D yol parçası üzerinde hareket eden taşıtın durduğu herhangi bir nokta olacaktır ve bu yeni nokta için yeni bir ΔD ve Δ hesaplanıp formüllerde kullanılarak farklı bölgeler içinde hareket yörüngeleri tespit edilebilmektedir. Tahmini D ve değerleri biliniyor farz edildiğinde modelin tamamlanması için sadece yola ait iki açı bilgisi kalmaktadır. α ve β açıları bilinirse taşıtların hepsi de bu şeritte D doğrultusunda ve bu açılarla ilerleyecekleri için tekrar tekrar hesap edilmesine gerek yoktur. Bir kez hesaplandıktan sonra tekrar tekrar bu model üzerinden diğer modellerde kullanılabilmektedir. Yani hareket eden bir taşıtın V hızını bulmak için o halde sin(β), cos(β) ve cos(α) bilinmesi yeterli olmaktadır. (5) (6) (8) (9) V z = V*sin(β) ve (10) V x = V*cos(β)* cos(α) olduğundan (11) V = v x *( + Δ) / (f*cos(β)*cos(α) - K ) (12) elde edilir. Burada, F değeri bilinmekte ve v x daha önceden hesaplanmıştır. Δ hesaplanarak eksenine göre taşıtın dik uzaklığı bilgisi elde edilmektedir. Dolayısıyla V gerçek anlık hızlar elde edilebilir. Anlık hızlar yerine ise kapandaki toplam anlık hızların ortalaması alınırsa, bulunan taşıt merkezlerindeki küçük dalgalanmalardan kaynaklanan hatalar azaltılmış olur. V ort hızı böylece elde edilmiş olmaktadır Taşıt Takip Mesafelerinin Bulunması Şekil 3 de iki beyaz çizgi taşıtların yakalanması için kapan olarak kullanılmıştır. Bu sayede o şeritte yakalanan tüm taşıtların değil de, sadece kapandaki taşıtların yakalanma süreleri elde edilmiş olacaktır. Bir sonraki taşıtta yakalandığında aradaki zaman farkı saniye olarak bilinmektedir. Bu kapandaki taşıt, kapan içinden çıkana kadarki ortalama hızıyla çarpıldığında yaklaşık olarak takip mesafesi bulunmaktadır. ΔX(t) = ΔT*V ort (13) 3. Trafik Görüntülerinin İşlenmesi Unkapanı Köprüsüne ait otoyolun gelen yönündeki üç şeride ait trafik akışındaki istenilen verileri elde etmek için video kamera görüntüleri kullanılmıştır. Kameraların yerleştirildikleri yerler, yola uzaklıkları, yola odak uzaklıkları, çizgi ve şerit bilgileri gibi değerler alınarak ölçüm yapılmıştır. Uygulanan yöntemin anlaşılması için Unkapanı Köprüsüne ait gelen yöndeki üç şeridin video görüntüleri elde edilmiştir. Elde edilen verilerin işlenmesi Matlab programının görüntü işleme modülü içinde hem zaman aldığından hem de görüntülerin net olarak anlaşılması için sadece 3 er dakikalık zaman dilimleri ele alınmıştır [19]. Bu zaman dilimlerinden istenilen trafik parametreleri ve yöntemin verimliliği hakkında yeterli bilgiler elde edilmiştir Unkapanı Köprüsündeki Taşıt Sayıları Şekil 6, 7 ve 8 de sağ, orta ve sol şeride ait birbirinden bağımsız olarak görülen yörünge sayıları bize taşıt sayılarını vermektedir. Yörüngelerin bazen sürekli bir çizgi şeklinde olmaması sistemden veya taşıtların birbirine çok yakın olmasından kaynaklanmaktadır. Her taşıtın başka bir yörünge çizeceğini düşündüğümüzde diğer bir taşıt başka bir yörüngeye sahip olarak taşıt sayılarının ortaya çıkmasını sağlamaktadır. X ekseni geçen süreyi ve taşıt sayısını, Y ekseni de taşıtlara ait olan yörünge uzunluklarını göstermektedir. Şekiller den de görüldüğü gibi bu geçen 90 saniyede sağ şeritte 40 yörünge (taşıt), orta şeritte 46 yörünge (taşıt), sol şeritte de 55 yörüngenin (taşıtın) hareket ettiği izlenmiştir. v x = (V z *x V x *f)/ formülünde, (2.11)

5 Şekil 6. Sağ şerite ait taşıt sayıları Şekil 9. Sağ şerite ait anlık ve ortalama hızlar Şekil 7. Orta şeride ait taşıt sayıları Şekil 10. Orta şerite ait anlık ve ortalama hızlar Şekil 8. Sol şeride ait taşıt sayıları 3.2. Unkapanı Köprüsündeki Hızlar Şekil 9, 10, 11 de Unkapanı köprüsündeki gelen yöndeki sağ, orta ve sol şeritteki taşıtlara ait 3 er dakikalık anlık ve ortalama hızlar görülmektedir. Şekillerden de görüldüğü gibi düz veya noktalı çizgiler o taşıta ait ortalama hızı, eğrisel çizgiler ise sürekli değişim gösteren anlık hızları vermektedir. Ortalama hızlar, görüntü süresince geçen 0-5 sn arasındaki anlık hızların ortalamasını oluşmaktadır. Anlık hızlardaki maksimum ve minimum hız aralıklarının az olması ortalama hızın kullanılmasını yeterli kılarken, bu aralıkların çok fazla olması ise yetersiz kılmaktadır. Anlık hızlar ise belli bir sürede o taşıta ait yakalanan ve sürekli her iki yöndede birden değişebilen hızlardır. Anlık hızlar, taşıt hızındaki değişimi anlamak için çok önemli parametreler olarak görülmüştür. Şekil 11. Sol şeride ait anlık ve ortalama hızlar 3.3. Unkapanı Bölgesindeki Takip Mesafeleri Şekil 12 de Unkapanı köprüsünün gelen yönündeki sağ şeritteki herhangi iki taşıt arasındaki takip mesafelerine ait örnek bir görüntü analizi görülmektedir. Burada birbirini takip eden iki taşıtın aralarındaki anlık takip mesafeleri görülmektedir. Başlangıçta daha fazla olan takip mesafesi sonlara doğru azalma göstermiştir. Taşıtların izledikleri yörüngelere dik doğrular çizildiğinde iki yörünge arasında kalan mesafeler bize gerçek takip mesafesini vermektedir. Bunlar taşıt hızlarındaki artma veya azalmaya göre sürekli değişmektedir.

6 Şekil 12. Taşıt takip mesafelerine ait genel bir grafik 4. Sonuçlar ve Değerlendirmeler Trafik parametrelerinin kolay, fazla bir maliyet getirmeden ve anlık olarak elde edilmesi için yeni bir yöntem üzerinde çalışılmıştır. Bu yöntem, taşıtlara ait olan anlık trafik parametrelerini elde ederek, trafik güvenliği ve planlamalarına yardım edebilecek yeni çalışmalara öncü olabilecek yeni bir veri toplama yöntemidir. Bunun için öncelikle incelenecek trafik bölgesinin ön modeli oluşturularak, taşıtlara ait olan yörüngeler ve x, y ve z eksenleri tespit edilmiştir. Daha sonra Matlab programının görüntü işleme modülü ilgili bölgeye göre modifiye edilerek, trafik görüntülerine uygun kodlar yazılarak, sisteme matematiksel modellemeler eklenerek ve ön model kurularak her şerit ayrı ayrı incelenmiştir. Kurulan ön modelden sonra bölgedeki gelen yöndeki şeritlere ait bilgiler ayrı ayrı elde edilmiştir. Elde edilen bilgiler taşıt sayıları, anlık ve ortalama taşıt hızları ve taşıt takip mesafeleridir. Sistemde birbirlerini takip eden taşıtlar trafik görüntüleri içinde 100 m den fazla bir takip mesafesine sahipseler güvenli olduğu düşünülerek takibin olmadığı düşünülmektedir. 100 m nin altındaki takiplerde ise taşıtlar trafik görüntülerinin içinde oldukları için taşıtlara ait takip mesafeleri elde edilmektedir. Bütün veriler hem grafiksel olarak hemde veri bankası olarak alınabilmektedir. Bu sayede istenilen bölgeye ait trafik görüntüleri incelenerek taşıt sayıları hızları ve takip mesafeleri bulunabilmektedir. İncelenen bölgede ki gelen şeritlere baktığımızda anlık değişimlerin olduğu görülürken en yoğun taşıt hareketinin orta şeritte, en çok yakın takibin ise sol şeritte olduğu görülmüştür. Kaynaklar [1] Tercan, Ş, H., Karma Trafik Akım Hızının Modellenmesi: Konya Örneği, ITU Fen Bilimleri Dergisi, ITU, [2] Lu, Y, J., Yuan, X., Colour image analysis for vehicle speed measurement, Canadian Journal of Civil Engineering, , [3] Agganval, J.K., Nandhakumar, N., On the computation of motion from sequences of images - A review, Proceedings of the IEEE 76(8), , [4] hang, X., Forshaw, M. R. B., Optimization using a modified Hopfield neural network, Proceedings of the First European Congress on Fuzzy and Intelligent Technologies, Aachen, Germany, September [5] Abramczuk, T., Bielik, A., Image processing techniques applied to traffic measurement, Symposium of the PAC Conference on Control, Computers, Communications in Transportation, France, [6] Bullock, D., Garrett, J., Hendrickson, C., A neural network for image-based vehicle detection. Transportation Research-C l(3), , [7] Hoose, N., Computer Image Processing in Traffic Engineering, Research Studies Press, Cambridge, MA, [8] Michalopoulos, P. G., Jacobson, R. D., Anderson, C. A., Barbaresso, J. C., Field deployment of Autoscope in the FAST-TRAC ATMS/ATIS program, Traffic Engineering and Control 33(9), , [9] Wan, C. L., Dickinson, K. W., Road traffic monitoring using image processing - A survey of systems techniques and applications, Symposium of the IFAC Conference on Control, Computers, Communications in Transportation, Paris, France, September [10] Yamashita, H., Naito, T., Sakamoto, Y, Kamachi, M., Yoshino, M., Kanayama, K., Image processing vehicle detectors robust aeainst environment chanaes, The Third Annual World Congress on ITS, Orlando, FL, October [11] Maresca, M., Lavin, M. A., Li, H., Parallel architectures for vision, Proceedings of the IEEE 76(8), 97&981, [12] Coifman, B., Beymer, D., McLauchlan, P., Malik, J., "A Real-Time Computer Vision System for Vehicle Tracking and Traffic Surveillance", Transportation Research: Part C, vol 6, no 4, pp , [13] V. Kastrinaki, M. ervakis., K. Kalaitzakis, A survey of video processing techniques for traffic applications, Image Vis. Comput., vol. 21, no. 4, pp , Apr [14] Foresti, G. L., Object Recognition and Tracking for Remote Video Surveillance, IEEE Transactions on Circuits and Systems for Video Tech., Vol.9, No.7, s , [15] Chan P.K.M., Li, C.K., Motions of Multiple Objects Detection based on Video Frames, IEEE International Symposium on Consumer Electronics, Hong Kong, s.62-66, [16] Cucchiara, R., Mello, P., Piccardi, M., Image Analysis and Rule-Based Reasoning for a Traffic Monitoring, IEEE Transactions on Intelligent Transportation Systems, Vol.1, N.2, IEEE Press, s , [17] Koller, D., Daniilidis, K., Nagel, H. H., Model-Based Object Tracking in Monocular Sequences of Road Traffic Scenes, International Journal of Computer Vision 10:3, s , [18] Stiller, C., Konrad, J., Estimating Motion in Image Sequence: A Tutorial on Modeling and Computation of 2D Motion, IEEE Signal Process. Mag.,vol. 16, July, s.70-91, 1999, [19] Matlab Simulink, 2006.