چکیده: در سال‌های اخیر در بسیاری از جاده‌ها، دوربین‌های جاده‌ای برای نظارت بر خودروها استفاده می‌شوند. با توجه به افزایش روزافزون این دوربین‌ها و همچنین تعداد بالای خودروهای در حال تردد، استفاده از انسان به‌عنوان کاربر مستقیم این دوربین‌ها در آینده با مشکلاتی همراه است. بر همین اساس تمایل بر این است که با استفاده از روش‌های بینایی ماشین و پردازش تصویر پارامترهایی مانند سرعت خودرو، کلاس خودرو و تعداد خودروهای عبوری به‌دست آید. روش‌هایی که تاکنون در این زمینه ارائه شده‌، مشکلات عمده‌ای از قبیل غیرخودکار بودن، عدم مقاومت نسبت به سایه، تک‌ کاربرده بودن و محدودیت پایگاه داده‌های واقعی دارند. هدف این رساله ارائه روشی برای تخمین سرعت و ابعاد خودروها است. این روش باید به‌گونه‌ای طراحی شود که اهداف کالیبراسیون تمام‌خودکار، مقاوم بودن نسبت به سایه، چند کاربرده بودن و ایجاد یک پایگاه داده جامع، برآورده شود. روش پیشنهادی برای تخمین سرعت و ابعاد به این‌صورت است که در قاب‌های ابتدایی با ‏توجه ‏به راستای حرکت خودروها، نقاط محوشدگی و صفحه فرضی جاده به‌دست می‌آید. سپس با شناسایی پیش‌زمینه و حذف سایه، محدوده هر خودرو تعیین و جعبه سه‌بُعدی آن تشکیل می‌گردد. برای تعیین ضرایب متریک، چند خودرو از کلاس‌های رایج در چند قاب اول شناسایی شده و با ‏توجه ‏به ابعاد واقعی این خودروها برحسب متر و ابعاد معادل‌شان روی صفحه جاده برحسب پیکسل، ضرایب متریک محاسبه می‌شود. با این کار یکی از اهداف ما که کالیبراسیون تمام‌خودکار است، تکمیل می‌شود. در نهایت خودروهای عبوری بر صفحه فرضی تصویر شده و با ردیابی، سرعت و ابعاد دقیق آن‌ها محاسبه می‌گردد. ایجاد مقاومت در برابر سایه به‌عنوان یکی از اهداف رساله، منجر به تشخیص محدوده دقیق هر خودرو می‌شود و خطای کالیبراسیون و تخمین ابعاد و سرعت را کاهش می‌دهد. در طراحی الگوریتم حذف سایه علاوه بر دقت، سرعت پردازش نیز مهم است و سعی شده تا حد امکان این مرحله تاثیر منفی بر سرعت پردازش کلی نداشته باشد. در حال حاضر مجموعه‌ای کامل شامل ویدئوهای دارای برچسب سرعت و تصاویرِ خودروها، خصوصاً در داخل ایران وجود ندارد. هدف دیگر رساله، ایجاد چنین پایگاهی است. لذا مجموعه‌‌ای با فیلم‌برداری هم‌زمان توسط دوربین عادی و لیزر از جاده‌ها تهیه گردید. فرایند کالیبراسیون نیازمند شناسایی تعدادی خودروی رایج در ابتدای کار است، به کمک شبکه‌های عمیق و تثبیت تصویر، الگوریتمی قوی برای این منظور ارائه کرده‌ایم. با توجه به نصب دوربین‌های جاده در ارتفاع بالا و کوچک بودن تصاویر خودرو، در الگوریتم پیشنهادی، از تکنیک‌های فراتفکیک‌پذیری برای افزایش وضوح خودرو و بهبود نرخ بازشناسی استفاده کرده‌ایم. یکی دیگر از اهداف رساله، چند کاربرده بودن است. الگوریتم‌های حال حاضر در زمینه‌ی ترافیک، غالباً یا در زمینه تخمین سرعت هستند و یا در زمینه شناسایی نوع خودرو. امکان محاسبه ابعاد، وجود الگوریتم بازشناسی خودرو در ساختار رساله و همچنین وجود پایگاه داده از تصاویر و ویدئوها، این امکان را فراهم می‌کند که نوع خودروهای عبوری به کمک دو معیار الگوریتم بازشناسی و ابعاد تخمین زده شده، در ویدئو شناسایی شود. بنابراین علاوه بر تخمین ابعاد و سرعت، روشی برای تعیین نوع خودروهای عبوری به‌عنوان کاربرد ثانویه الگوریتم، ارائه شده است. میانگین خطا در تخمین سرعت برابر با 1/2 کیلومتر بر ساعت و در تخمین ابعاد برابر با 8% است که مقایسه این مقادیر با نتایج روش‌های دیگر حاکی از پاسخ بهتر روش پیشنهادی در تخمین سرعت و ابعاد است. سرعت پردازش روش پیشنهادی با استفاده از نرم‌افزار متلب 2016 بر روی یک رایانه با حافظه‌ی 16گیگابایت و پردازنده‌ی‌ Core i7 با فرکانس 2/6 گیگاهرتز، حدود 2/16 قاب در ثانیه به‌دست آمد. نتایج حاصل از الگوریتم‌های بازشناسی و فراتفکیک-پذیری پیشنهادی، همچنین استفاده از دو معیار برای شناسایی نوع خودروی عبوری در ویدئو، گویای پاسخ خوب همه این روش‌ها است.