{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2073256"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2073256","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Εντοπισμός και Παρακολούθηση Κινούμενων Οχημάτων από RGB και Υπερφασματικά Δεδομένα Βίντεο","abstract":"Η ραγδαία ανάπτυξη της Όρασης Υπολογιστών έχει συντελέσει στην έρευνα και ανάπτυξη νέων μεθόδων και τεχνικών για την αξιοποίηση τηλεπισκοπικών δεδομένων. Προς αυτή τη κατεύθυνση, στην παρούσα εργασία σχεδιάστηκε, αναπτύχθηκε και αξιολογήθηκε μία μέθοδος εντοπισμού και παρακολούθησης κινούμενων οχημάτων σε ακολουθίες εικόνων (βίντεο). Συγκεκριμένα, αναλύθηκαν τόσο έγχρωμα (RGB) όσο και υπερφασματικά δεδομένα βίντεο που συλλέχθηκαν στον αυτοκινητόδρομο της Αττικής Οδού. Ιδιαίτερο βάρος δόθηκε στη μελέτη και ανάπτυξη κατάλληλων τεχνικών επεξεργασίας για υπερφασματικά δεδομένα καθώς στην περίπτωση αυτή το πρόβλημα του εντοπισμού προέκυψε σχετικά πιο περίπλοκο και απαιτητικό. Αρχικά, οι βασικές προεπεξεργασίες περιλάμβαναν την αντιστοίχιση των εικόνων (καρέ) του RGB βίντεο, την παρεμβολής στα υπερφασματικάδεδομένα και του προβολικού μετασχηματισμού και στα δύο είδη των δεδομένων. Στη συνέχεια, πραγματοποιείται η αφαίρεση υποβάθρου εφαρμόζοντας τη μέθοδο Adaptive Background Subtraction για το RGB και μίας αντίστοιχης συνδυαστικής (με επιπλέον αφαίρεση τριών καρέ) για τα υπερφασματικά δεδομένα. Ακολούθησε ο εντοπισμός και η αναγνώριση των κινούμενων οχημάτων του αυτοκινητοδρόμου με ελαχιστοποίηση ενός μεγέθους κόστους, και τέλος η παρακολούθηση τους για όσο διάστημα τα οχήματα ήταν ορατά. Λόγω της φύσης του προβλήματος, κρίθηκε σκόπιμο να ενσωματωθούν στη μεθόδου κανόνες που εμποδίζουν την (εσφαλμένη) ταυτοποίηση θορύβου ως οχήματα και βελτιώνουν, έτσι, σημαντικά την απόδοση της. Πιο αναλυτικά, οι κανόνες έθεσαν περιορισμούς σε παραμέτρους που σχετίζονται με το μέγεθος και θέση των οχημάτων, την κατεύθυνση και μεταβολή της κίνησης τους καθώς και τη χρονική διάρκεια και αλληλουχία της καταγραφής τους στο βίντεο. Τα πειραματικά αποτελέσματα από την εφαρμογή της μεθοδολογίας στα RGB δεδομένα (ακολουθία βίντεο με 1000 καρέ) και η αξιολόγηση θεωρούνται ικανοποιητικά με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 84\\%. Για την αξιολόγηση στα υπερφασματικάδεδομένα (ακολουθία βίντεο 500 καρέ) διενεργήθηκαν πειράματα με διαφορετικούς συνδυασμούς καναλιών. Ο επιτυχέστερος που περιελάμβανε 3 υπερφασματικά κανάλια αξιολογήθηκε με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 79\\%. Για την παρούσα εργασία μεγαλύτερη πρόκληση αποτέλεσε η εφαρμογή της προτεινόμενης προσέγγισης σε υπερφασματικά δεδομένα, η οποία και κρίνεται επιτυχημένη σε ικανοποιητικό βαθμό.","abstract_html":"Η ραγδαία ανάπτυξη της Όρασης Υπολογιστών έχει συντελέσει στην έρευνα και ανάπτυξη νέων μεθόδων και τεχνικών για την αξιοποίηση τηλεπισκοπικών δεδομένων. Προς αυτή τη κατεύθυνση, στην παρούσα εργασία σχεδιάστηκε, αναπτύχθηκε και αξιολογήθηκε μία μέθοδος εντοπισμού και παρακολούθησης κινούμενων οχημάτων σε ακολουθίες εικόνων (βίντεο). Συγκεκριμένα, αναλύθηκαν τόσο έγχρωμα (RGB) όσο και υπερφασματικά δεδομένα βίντεο που συλλέχθηκαν στον αυτοκινητόδρομο της Αττικής Οδού. Ιδιαίτερο βάρος δόθηκε στη μελέτη και ανάπτυξη κατάλληλων τεχνικών επεξεργασίας για υπερφασματικά δεδομένα καθώς στην περίπτωση αυτή το πρόβλημα του εντοπισμού προέκυψε σχετικά πιο περίπλοκο και απαιτητικό. Αρχικά, οι βασικές προεπεξεργασίες περιλάμβαναν την αντιστοίχιση των εικόνων (καρέ) του RGB βίντεο, την παρεμβολής στα υπερφασματικάδεδομένα και του προβολικού μετασχηματισμού και στα δύο είδη των δεδομένων. Στη συνέχεια, πραγματοποιείται η αφαίρεση υποβάθρου εφαρμόζοντας τη μέθοδο Adaptive Background Subtraction για το RGB και μίας αντίστοιχης συνδυαστικής (με επιπλέον αφαίρεση τριών καρέ) για τα υπερφασματικά δεδομένα. Ακολούθησε ο εντοπισμός και η αναγνώριση των κινούμενων οχημάτων του αυτοκινητοδρόμου με ελαχιστοποίηση ενός μεγέθους κόστους, και τέλος η παρακολούθηση τους για όσο διάστημα τα οχήματα ήταν ορατά. Λόγω της φύσης του προβλήματος, κρίθηκε σκόπιμο να ενσωματωθούν στη μεθόδου κανόνες που εμποδίζουν την (εσφαλμένη) ταυτοποίηση θορύβου ως οχήματα και βελτιώνουν, έτσι, σημαντικά την απόδοση της. Πιο αναλυτικά, οι κανόνες έθεσαν περιορισμούς σε παραμέτρους που σχετίζονται με το μέγεθος και θέση των οχημάτων, την κατεύθυνση και μεταβολή της κίνησης τους καθώς και τη χρονική διάρκεια και αλληλουχία της καταγραφής τους στο βίντεο. Τα πειραματικά αποτελέσματα από την εφαρμογή της μεθοδολογίας στα RGB δεδομένα (ακολουθία βίντεο με 1000 καρέ) και η αξιολόγηση θεωρούνται ικανοποιητικά με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 84\\%. Για την αξιολόγηση στα υπερφασματικάδεδομένα (ακολουθία βίντεο 500 καρέ) διενεργήθηκαν πειράματα με διαφορετικούς συνδυασμούς καναλιών. Ο επιτυχέστερος που περιελάμβανε 3 υπερφασματικά κανάλια αξιολογήθηκε με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 79\\%. Για την παρούσα εργασία μεγαλύτερη πρόκληση αποτέλεσε η εφαρμογή της προτεινόμενης προσέγγισης σε υπερφασματικά δεδομένα, η οποία και κρίνεται επιτυχημένη σε ικανοποιητικό βαθμό.","abstract_has_math":false,"creators":["Φίλιππας Δημήτριος","Filippas Dimitrios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2017,"date_issued":"2017","date_published":"2017","updated_at":"2026-11-19T05:29:51Z","subjects":["Θετικές Επιστήμες","Science"],"languages":["Ελληνικά","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2073256"],"render_values":[{"text":"uoadl:2073256","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2073256","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2073256","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2073256","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Φίλιππας Δημήτριος","Filippas Dimitrios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2017"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Θετικές Επιστήμες","Science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2073256","https://pergamos.lib.uoa.gr/uoa/dl/object/2073256"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ραγδαία ανάπτυξη της Όρασης Υπολογιστών έχει συντελέσει στην έρευνα και ανάπτυξη νέων μεθόδων και τεχνικών για την αξιοποίηση τηλεπισκοπικών δεδομένων. Προς αυτή τη κατεύθυνση, στην παρούσα εργασία σχεδιάστηκε, αναπτύχθηκε και αξιολογήθηκε μία μέθοδος εντοπισμού και παρακολούθησης κινούμενων οχημάτων σε ακολουθίες εικόνων (βίντεο). Συγκεκριμένα, αναλύθηκαν τόσο έγχρωμα (RGB) όσο και υπερφασματικά δεδομένα βίντεο που συλλέχθηκαν στον αυτοκινητόδρομο της Αττικής Οδού. Ιδιαίτερο βάρος δόθηκε στη μελέτη και ανάπτυξη κατάλληλων τεχνικών επεξεργασίας για υπερφασματικά δεδομένα καθώς στην περίπτωση αυτή το πρόβλημα του εντοπισμού προέκυψε σχετικά πιο περίπλοκο και απαιτητικό. Αρχικά, οι βασικές προεπεξεργασίες περιλάμβαναν την αντιστοίχιση των εικόνων (καρέ) του RGB βίντεο, την παρεμβολής στα υπερφασματικάδεδομένα και του προβολικού μετασχηματισμού και στα δύο είδη των δεδομένων. Στη συνέχεια, πραγματοποιείται η αφαίρεση υποβάθρου εφαρμόζοντας τη μέθοδο Adaptive Background Subtraction για το RGB και μίας αντίστοιχης συνδυαστικής (με επιπλέον αφαίρεση τριών καρέ) για τα υπερφασματικά δεδομένα. Ακολούθησε ο εντοπισμός και η αναγνώριση των κινούμενων οχημάτων του αυτοκινητοδρόμου με ελαχιστοποίηση ενός μεγέθους κόστους, και τέλος η παρακολούθηση τους για όσο διάστημα τα οχήματα ήταν ορατά. Λόγω της φύσης του προβλήματος, κρίθηκε σκόπιμο να ενσωματωθούν στη μεθόδου κανόνες που εμποδίζουν την (εσφαλμένη) ταυτοποίηση θορύβου ως οχήματα και βελτιώνουν, έτσι, σημαντικά την απόδοση της. Πιο αναλυτικά, οι κανόνες έθεσαν περιορισμούς σε παραμέτρους που σχετίζονται με το μέγεθος και θέση των οχημάτων, την κατεύθυνση και μεταβολή της κίνησης τους καθώς και τη χρονική διάρκεια και αλληλουχία της καταγραφής τους στο βίντεο. Τα πειραματικά αποτελέσματα από την εφαρμογή της μεθοδολογίας στα RGB δεδομένα (ακολουθία βίντεο με 1000 καρέ) και η αξιολόγηση θεωρούνται ικανοποιητικά με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 84\\%. Για την αξιολόγηση στα υπερφασματικάδεδομένα (ακολουθία βίντεο 500 καρέ) διενεργήθηκαν πειράματα με διαφορετικούς συνδυασμούς καναλιών. Ο επιτυχέστερος που περιελάμβανε 3 υπερφασματικά κανάλια αξιολογήθηκε με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 79\\%. Για την παρούσα εργασία μεγαλύτερη πρόκληση αποτέλεσε η εφαρμογή της προτεινόμενης προσέγγισης σε υπερφασματικά δεδομένα, η οποία και κρίνεται επιτυχημένη σε ικανοποιητικό βαθμό.","New trends on the scientific field of computer vision instruct for the application of advanced methodology techniques towards the exploitation of the rapidly grown available abundance of remote sensing data. To this end, a generic framework towards multiple moving vehicles tracking in RGB and hyperspectral video sequences was designed, developed and validated. Video data were collected on a specific spot of “Attiki Odos” motorway. Targeted objective of this work was the specific study of techniques for processing the hyperspectral video, as in this case, the problem of detection is more complicated and demanding compared to the RGB video. The initial pre-processing steps included frame registration and projective transformation for the RGB video, and also pixel interpolation and projective transformation for the hyperspectral video. In the first stage of the methodology, background subtraction is performed. The background subtraction for the RGB video was achieved employing an adaptive background subtraction technique. For the hyperspectral video a fusion of two techniques based on adaptive background subtraction and three-frame differencing, was employed. The second stage includes the detection of moving vehicles applying cost-minimization and, finally, the vehicle-tracking as long as they are recorded. It is worth noting that from the available bands in the hyperspectral video, several multi-band images were considered. The proposed methodology incorporates also certain rules that eliminate the effect of noise on the detection step and thus significantly improved its performance. These rules set restriction on the allowed range of values of certain parameters related to the size and position of vehicles, their direction and change of motion, and the time length and sequence of their recording in the video. The performed quantitative evaluation indicated that the developed approach was validated with overall accuracy rates of 84\\% on a 1000-frame RGB video. For the evaluation of the methodology on hyperspectral data various experiments using different band combinations were conducted on a 500-frames video. The most successful combination, including three hyperspectral bands, was validated with overall accuracy rates of 79\\%. Concluding, the goals set for this study are considered fulfilled since the most challenging objective of accurate moving vehicle tracking on hyperspectral data was achieved at a satisfactory degree."]},{"key":"dc:title","label":"Title","values":["Εντοπισμός και Παρακολούθηση Κινούμενων Οχημάτων από RGB και Υπερφασματικά Δεδομένα Βίντεο"]}]}],"canonical_facts":{"dc:creator":["Φίλιππας Δημήτριος","Filippas Dimitrios"],"dc:date":["2017"],"dc:description":["Η ραγδαία ανάπτυξη της Όρασης Υπολογιστών έχει συντελέσει στην έρευνα και ανάπτυξη νέων μεθόδων και τεχνικών για την αξιοποίηση τηλεπισκοπικών δεδομένων. Προς αυτή τη κατεύθυνση, στην παρούσα εργασία σχεδιάστηκε, αναπτύχθηκε και αξιολογήθηκε μία μέθοδος εντοπισμού και παρακολούθησης κινούμενων οχημάτων σε ακολουθίες εικόνων (βίντεο). Συγκεκριμένα, αναλύθηκαν τόσο έγχρωμα (RGB) όσο και υπερφασματικά δεδομένα βίντεο που συλλέχθηκαν στον αυτοκινητόδρομο της Αττικής Οδού. Ιδιαίτερο βάρος δόθηκε στη μελέτη και ανάπτυξη κατάλληλων τεχνικών επεξεργασίας για υπερφασματικά δεδομένα καθώς στην περίπτωση αυτή το πρόβλημα του εντοπισμού προέκυψε σχετικά πιο περίπλοκο και απαιτητικό. Αρχικά, οι βασικές προεπεξεργασίες περιλάμβαναν την αντιστοίχιση των εικόνων (καρέ) του RGB βίντεο, την παρεμβολής στα υπερφασματικάδεδομένα και του προβολικού μετασχηματισμού και στα δύο είδη των δεδομένων. Στη συνέχεια, πραγματοποιείται η αφαίρεση υποβάθρου εφαρμόζοντας τη μέθοδο Adaptive Background Subtraction για το RGB και μίας αντίστοιχης συνδυαστικής (με επιπλέον αφαίρεση τριών καρέ) για τα υπερφασματικά δεδομένα. Ακολούθησε ο εντοπισμός και η αναγνώριση των κινούμενων οχημάτων του αυτοκινητοδρόμου με ελαχιστοποίηση ενός μεγέθους κόστους, και τέλος η παρακολούθηση τους για όσο διάστημα τα οχήματα ήταν ορατά. Λόγω της φύσης του προβλήματος, κρίθηκε σκόπιμο να ενσωματωθούν στη μεθόδου κανόνες που εμποδίζουν την (εσφαλμένη) ταυτοποίηση θορύβου ως οχήματα και βελτιώνουν, έτσι, σημαντικά την απόδοση της. Πιο αναλυτικά, οι κανόνες έθεσαν περιορισμούς σε παραμέτρους που σχετίζονται με το μέγεθος και θέση των οχημάτων, την κατεύθυνση και μεταβολή της κίνησης τους καθώς και τη χρονική διάρκεια και αλληλουχία της καταγραφής τους στο βίντεο. Τα πειραματικά αποτελέσματα από την εφαρμογή της μεθοδολογίας στα RGB δεδομένα (ακολουθία βίντεο με 1000 καρέ) και η αξιολόγηση θεωρούνται ικανοποιητικά με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 84\\%. Για την αξιολόγηση στα υπερφασματικάδεδομένα (ακολουθία βίντεο 500 καρέ) διενεργήθηκαν πειράματα με διαφορετικούς συνδυασμούς καναλιών. Ο επιτυχέστερος που περιελάμβανε 3 υπερφασματικά κανάλια αξιολογήθηκε με συνολικό δείκτη ποιότητας εντοπισμού και παρακολούθησης στο 79\\%. Για την παρούσα εργασία μεγαλύτερη πρόκληση αποτέλεσε η εφαρμογή της προτεινόμενης προσέγγισης σε υπερφασματικά δεδομένα, η οποία και κρίνεται επιτυχημένη σε ικανοποιητικό βαθμό.","New trends on the scientific field of computer vision instruct for the application of advanced methodology techniques towards the exploitation of the rapidly grown available abundance of remote sensing data. To this end, a generic framework towards multiple moving vehicles tracking in RGB and hyperspectral video sequences was designed, developed and validated. Video data were collected on a specific spot of “Attiki Odos” motorway. Targeted objective of this work was the specific study of techniques for processing the hyperspectral video, as in this case, the problem of detection is more complicated and demanding compared to the RGB video. The initial pre-processing steps included frame registration and projective transformation for the RGB video, and also pixel interpolation and projective transformation for the hyperspectral video. In the first stage of the methodology, background subtraction is performed. The background subtraction for the RGB video was achieved employing an adaptive background subtraction technique. For the hyperspectral video a fusion of two techniques based on adaptive background subtraction and three-frame differencing, was employed. The second stage includes the detection of moving vehicles applying cost-minimization and, finally, the vehicle-tracking as long as they are recorded. It is worth noting that from the available bands in the hyperspectral video, several multi-band images were considered. The proposed methodology incorporates also certain rules that eliminate the effect of noise on the detection step and thus significantly improved its performance. These rules set restriction on the allowed range of values of certain parameters related to the size and position of vehicles, their direction and change of motion, and the time length and sequence of their recording in the video. The performed quantitative evaluation indicated that the developed approach was validated with overall accuracy rates of 84\\% on a 1000-frame RGB video. For the evaluation of the methodology on hyperspectral data various experiments using different band combinations were conducted on a 500-frames video. The most successful combination, including three hyperspectral bands, was validated with overall accuracy rates of 79\\%. Concluding, the goals set for this study are considered fulfilled since the most challenging objective of accurate moving vehicle tracking on hyperspectral data was achieved at a satisfactory degree."],"dc:identifier":["uoadl:2073256","https://pergamos.lib.uoa.gr/uoa/dl/object/2073256"],"dc:language":["Ελληνικά","Greek"],"dc:subject":["Θετικές Επιστήμες","Science"],"dc:title":["Εντοπισμός και Παρακολούθηση Κινούμενων Οχημάτων από RGB και Υπερφασματικά Δεδομένα Βίντεο"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:29:51Z"}