CC BY
10АВТОМАБИЛ ЙУЛЛАРДА ^АРАКАТЛАНАЁТГАН ТРАНСПОРТ ВОСИТАЛАРИНИ КУП МАЦСАДЛИ АВТОМАТЛАШГАН ФОТА ВА ВИДЕО ЁЗУВЛАР АСОСИДА АЛГАРИТИМИНИ ВА ДАСТУРИЙ МАЖМУАСИНИ
ТУЗИШ Асрор Каримов Акбарович Узбекистон Республикаси ИИВ ЖХД ЙХХХМКБТ катта мущндиси - капитан https://doi.org/10.5281/zenodo. 7793167 Аннотация: Ушбу мацола Автомабил йулларда %аракатланаётган транспорт воситаларини куп мацсадли автоматлашган фота ва видео ёзувлар асосида алгаритимини ва дастурий мажмуасини тузиш %ацида булиб мавзу юзасидан тадцицотчи олимларнинг фикр ва муло%азалари чуцур урганиб чицилди. Автотранспорт воситаларининг йулларда %аракатланиш самарадорлигини ошириш ва хавфсизлигини таъминлашнинг асосий йуналишларидан бири интеллектуал соуада транспорт интеллектуал тизимларини шакллантириш ва интеллектуал технологияларни жорий этиш билан боглицлиги долбзар масалалиги мамлакатимизда ушбу тармоцлардаги муаммоларни %ал цилишда со%ада олиб борилаётган илмий тадцицотлар асосида жорий цилинган комплекс тизимлар етарли даражада эмаслиги, со%а тармоцларида инновацион технологияларга асосланган ИКТнинг цабул цилинишига тусцинлик цилаётган омил сифатида глобал инфратузилманинг секин усиши, асосий эътибор ЙХДраридан ундириладиган жарималарга царатилганлиги ва комплекс тизимни жорий этишда %аражатларнинг юцорилиги билан белгиланади. Шунингдек инфратузилмани ривожлантириш орцали бошца со%а муаммоларни %ам %ал этилишига эриши кузда тутилган.
Калит сузлар: Автотранспорт, йулларда, %аракатланиш, самарадорли, хавфсизлигини таъминлаш, транспорт, интеллектуал, Нейрофилтр.
СОЗДАНИЕ АЛГОРИТМИЧЕСКОГО И ПРОГРАММНОГО КОМПЛЕКСА НА ОСНОВЕ МНОГОФУНКЦИОНАЛЬНОЙ АВТОМАТИЗИРОВАННОЙ ФОТО- И ВИДЕОФИКСАЦИИ ДВИЖЕНИЯ ТРАНСПОРТНЫХ СРЕДСТВ ПО АВТОМОБИЛЬНЫМ ДОРОГАМ Аннотация: В данной статье речь идет о создании алгоритма и программного комплекса на основе многоцелевой автоматизированной фото- и видеофиксации движения транспортных средств по автомобильным дорогам. Одно из основных направлений повышения эффективности и обеспечения безопасности транспортных средств на дорогах связано с формированием интеллектуальных транспортных систем и внедрением интеллектуальных технологий в интеллектуальный сектор Медленный рост глобальной инфраструктуры, ориентация на штрафы от ОГО, высокие затраты на внедрение сложной системы являются факторами, препятствующими внедрению ИКТ на основе технологий. Также предусмотрено, что проблемы других сфер будут решаться за счет развития инфраструктуры.
Ключевые слова: Автомобиль, на дорогах, движение, экономичность, обеспечение безопасности, транспорт, интеллектуал, Нейрофильтр.
CREATING AN ALGORITHM AND SOFTWARE COMPLEX BASED ON MULTI-PURPOSE AUTOMATED PHOTO AND VIDEO RECORDINGS OF
VEHICLES MOVING ON HIGHWAYS Abstract: This article is about creating an algorithm and a software complex based on multi-purpose automated photo and video recordings of vehicles moving on highways. One of the main directions of improving the efficiency and ensuring the safety of vehicles on the roads is
related to the formation of intelligent transport systems and the introduction of intelligent technologies in the intellectual sector. Slow growth of global infrastructure, focus on fines from CSOs, and high costs of implementing a complex system are factors hindering the adoption of technology-based ICT. It is also envisaged that the problems of other areas will be solved through the development of infrastructure.
Keywords: Motor vehicle, on the roads, movement, efficient, ensuring safety, transport, intellectual, Neurofilter.
КИРИШ
Автотранспорт воситаларининг йулларда харакатланиш самарадорлигини ошириш ва хавфсизлигини таъминлашнинг асосий йуналишларидан бири интеллектуал сохада транспорт интеллектуал тизимларини шакллантириш ва интеллектуал технологияларни жорий этиш билан богликлиги долбзар масалалиги мамлакатимизда ушбу тармоклардаги муаммоларни хал килишда сохада олиб борилаётган илмий тадкикотлар асосида жорий килинган комплекс тизимлар етарли даражада эмаслиги, соха тармокларида инновацион технологияларга асосланган ИКТнинг кабул килинишига тускинлик килаётган омил сифатида глобал инфратузилманинг секин усиши, асосий эътибор ЙХДларидан ундириладиган жарималарга каратилганлиги ва комплекс тизимни жорий этишда харажатларнинг юкорилиги билан белгиланади.
Шунингдек инфратузилмани ривожлантириш оркали бошка сох,а муаммоларни хам хал этилишига эриши кузда тутилган.
Йул тармогларида транспорт воситаларини утказувчанлигини сунъий интеллектга асосланган адаптив комплексни тизимлари буйича илмий натижаларга эришган Хитой (70), А^Ш (54), Буюк Британия (20), Х,индистон (16), Австралия (15) мамлакатлари, университетлари ва сохага йуналтирилган муаммоларни урганиш юзасидан хориж олимлари Yang, Hai, Timmermans, Harry J.P.(Harry), Халкаро илмий-амалий конференция туплами 196 Currie, Graham, Mulley, Corinne A, Lam, William H.K. ва бошкаларнинг тадкикотлари урганиб чикилди.
Транспорт харакатни бошкариш, йул харакати хавфсизлиги, ва йул харакати катнашчилари хамда транспорт жараёнининг потенциал субъектлари учун ахборот хизматларини курсатишнинг куйи тизимларини ягона техник ва технологик комплекс асосида бирлаштирган тизим бугунги кунда "Йул тармогларида транспорт воситаларини утказувчанлигини сунъий интеллектга асосланган адаптив комплексни тизими" деб номланмокда. Интеллектуал комплекс тизими (ИКТ) ва интеллектуал технологиялар (ИТ) - бу нафакат автотранспорт воситаларини автоматлаштирилган бошкарув тизимлари томонидан амалга ошириладиган маълумотларни туплаш, ахборот узатиш ва тахлил килишни автоматлаштириш, шунингдек, мавжуд холатдаги вазиятни хисобга олган холда жараённи сунъий интеллек асосида моделлаштиришга ва "инсон омили"ни камайтиришга, бехато, аник бошкарув карорларини таклиф килишга (ёки кабул килишга) имкон берадиган махсус услубий таъминотга асосланган [1]. ИКТнинг операцион вазифаси - барча транспорт субъектларининг мослашиш тамойиллари буйича реал вактда автоматлаштириш, автоматик узаро таъсирини амалга ошириш ва куллаб-кувватлашдир (1-расм).
Автомобиль йулларида транспорт окимининг таркибини ва харакатланиш жадаллигини аниклашда харакатланаётган транспорт воситаларнинг видео тасвири оркали автоматик тарзда утаётган транспорт воситаларнинг сони, тури ва ранги хамда маделини аникланади.
Бунда хозирда мамлакатимизда автомабил йулларда харакатланишда харакат иштирокчиларнинг хавфсизликни таъминлаш ва харакатланишда инсон омилисиз автоматлашган комплекс тизимлар технологиялари фаол равишда урганилди. Транспорт воситаларини таниб олиш ва тасвирлар кетма-кетлигида уларнинг траэкториясини кузатиш усулларига асосланади.
Олинган видео тасвирлардан транспорт воситалари координаталарнин ажратиб олиш оркали, бир томондан, транспорт воситаларини аниклаш муаммосини хал килишни, иккинчи томондан, стационар камерадан олинган видео оким асосида уларнинг траэкториясини руйхатга олиш ва башорат килишни уз ичига олади. МДХ мамлакатларида ва дунёнинг бир катор мамлакатларида ушбу муаммони хал килиш учун бир катор ёндашувлар ишлаб чикилган.
Х,озирги кунда тизимдаги бази бир муаммоларни тахлил килиш.
Транспорт воситасини аниклашнинг замонавий автоматлашган усуллари куп масштабли «скользящего» окна-(Тасодифий ходисаларнинг таъсирини эмпирик эгри чизиклардан олиб ташлаш ва урганилаётган тизимда мунтазам фазовий узгаришларни аниклаш имконини берадиган индикаторнинг махаллий уртача киймати) принтсипига асосланади: Барча объект ва суъбектлар масштаблар билан олинган тасвирнинг хар бир белгилаб олинган (гардиш) майдонлари учун олдиндан ургатилган классификатор ёрдамида худудда керакли объект мавжудлиги хакидаги ходисаларнинг конуний (сабаби) богланиши тугрисидаги тахминан мулохаза, фараз гипотеза текширилди.
Видео тасвирлардаги мураккаб объектларни таниб олишда каскад схемалари асосида детекторнинг мураккаблиги ортиб бораётганида кучли таснифлагичлар кетма-кетлиги (каскад) пайдо булади. Уз навбатида, кучли таснифлагич заиф таснифлагичларнинг чизикли бирикмаси сифатида AdaBoost (AdaBoost - Yoav Freund va Robert Shapir томонидан таклиф килинган транспорт воситаларни урганиш алгоритми. Тизимнинг ишлашини яхшилаш учун бир нечта таснифлаш алгоритмлари билан биргаликда фойдаланиш мумкин) каби транспорт воситаларни урганиш алгоритми ёрдамида курилади ва Виолы-Джонса усули асосида ёндошилиб хамда Хаара хусусиятларидан фойдаланади [1-3], лекин бу ёндашув транспорт воситаларнинг турли бурчак ва шароитлардан таниб олиш холатлари учун кам тушинчалиги урганиб чикилди.
ТАДЦЩОТ МАТЕРИАЛЛАРИ ВА МЕТОДОЛОГИЯСИ
Йуналтирилган градиентларнинг гистограммаларини хусусият сифатида ишлатадиган куллаб-кувватловчи вектор машинасига (SVM) асосланган классификаторлар шунга ухшаш вазифаларда хам самаралидир [4], бирок улар катта микдордаги хисоб-китобларни талаб килади ва реал вакт тизимларида этарли даражада самарали эмас.
Замонавий хисоблаш курилмалари (GPU, FPGA) харитасини мукаммал бахолаш натижалари асосида реал вактда стерео тасвирлардаги объектларни таниб олиш муаммосини хал килиш имконини берди [5]. Бунда кисман бир-бирига ёпишган субъектларни ажратишга имкон беради, шунингдек, реал вактда 8К видеони транскод килиш керак булса, мос келадиган ускуна хисобланади. FPGA видеоларни кайта ишлаш ва машинани урганиш каби сохаларда экстремал аппарат тезлашувини таъминлай олади. Масалан, Blackmagic Design ишлаб чикиш жараёнида Xilinx FPGA -дан фойдаланиши биламиз, хатто энг кучли график процессорлар хам реал вактда юкори бит тезлиги 8К окимни декодлай олмаслигини аникладик (транскодлашни гапирмасак хам булади). Бундай окимни транскод килиш учун сиз уни горизонталь равишда улчашингиз ва сегментларни
кластердаги ишчиларга юборишингиз мумкин. Бу реал вактда ишлаш имкониятини беради, лекин харажат ва кечикиш нуктаи назаридан юкори харажатларни келтириб чикаради.
Кузатилаётган субъектларнинг харакати тугрисидаги маълумотлар оптик окимни тахлил килиш натижасида олинади, бу аниклаш ёки детекторларнинг натижаларини тулдириш имконини беради [6, 7]. Шу билан бирга, оптик окимни бахолаш ва сифати, тасвирдаги текстураларнинг характерига буглик (харакат тезлигига, харакат хакидаги маълумотлар такдимоти), шунинг учун бу сохадаги тадкикотлар давом этиб келмокда.
Амалий ишларда объект ва субъектларни таниб олишда тасвирларни сифати (йилнинг фасллари, куннинг вактлари, куёшнинг камерага нисбатан жойлашуви ва х.к.) буйича ёруглик холатлари сезиларли тарзда уз таъсирини курсатади (iRoadsdataset тасвирлар базасида ёругликнинг 7 асосий тури аникланган ва белгиланган [8]), таниб олиш алгоритми параметрларида [9] ёруглик параметрларини аниклаштириш учун осмон ва йул зоналарида намуна олиш таклиф этилади. Объект топилганда, бир томондан, унинг траэкториясини кузатишни таъминлаш керак хамда операторни огохлантириш ва бошка томондан, таниб олиш алгоритмининг ишлаши пайтида иккинчи турдаги хатолар юзага келганда ушбу объектни йукотмаслик учун унинг харакат траэкториясини яратиши керак.
Диссертацияда транспорт воситаларининг хдракат траэкториясида координаталарини ажратиб олиш [10], унинг харакат траэкториясини куриш учун объектнинг алохида алохида нукталарининг харакат траэкторияларини бирлаштиришни уз ичига олган усул таклиф этилади.
Уч улчовли тизимидан олинган маълумотлар асосида харакат иштирокчиларнинг хавсизлигини таъминлаш, транспорт воситаларнинг траэкториясини бахолаш ва башорат килиш тизимлари механизимини ишлаб чикиш [11] келтирилган. Х,исоб-китоблар урганиш асосида IP камера оркали транспорт воситасининг харакат модели, кузив тури модели (маркаси) ва гистограммаси ёрдамида рангини аниклаш (юк транспорт воситаларни кабина кисмидан ажратиш) хамда кузатиш усули кулланилади. дастурий таъминот тупламига давлат ракамларини жунатиш ва кабул килиш функциялари кушилади, шунда чоррахада ва уз йуналиши буйлаб харакатланаётган хар бир автотранспорт воситасини давлат раками асосида олиб кочилган, жиноятда гумондор, бедарак кетган, коидабузарлиги буйича уз вактида жарима туланмаган транспорт воситаларини кенгайтирилган фильтридан [12] фойдаланилади. Усулнинг натижалари ва самарадорлиги симуляция моделлаштириш ёрдамида хамда амалиётда (Тошкент шахар, Юнусобод тумани А.Темур шох-Богишамол кучалари кесишмаси) кулланилган, хозирда иш фаолиятида, бундан ташкари, дастурий тизим илмий жихатдан хам кулланилиши [13] мумкин. Транспорт воситаларининг траэкторияларини IP камера оркали кузатишдан фойдаланган холда йулда содир буладиган ходисаларни башорат килишнинг эхтимоллик модели.
Лойха уз-узини ташкил этувчи нейрон тармоги траэкториялари булимларида транспорт воситаларининг хатти-харакатларини аниклаш учун укитилади. Замонавий нейрон тармок ухшашлик тамойили асосида ишлайди. Шундай килиб, биз унга, масалан, 20 хил бурчаклардан битта транспорт воситасини мисолларини курсатдик. Тизим уни эслаб колади ва у маълумотлар тупламига киритилмаган 21 -вариантни курганида, нейрон тармок хали хам бу элемент транспорт воситаси айнан "Lacetti" эканлигини шу элементга жуда ухшашлигини тушунади. Шунда тизим бу 100% ишончли эмаслигини айтиши мумкин, лекин у бундай элемент намунасини аник курганлиги сабабли, бу хам "Ок" рангли "Енгил" турдаги, "Chevrolet" моделидаги "Lacetti" транспорт воситаси деган хулосага келади.
Траэкториянинг хар бир кисми транспорт воситасининг хатти-харакатлари билан таккосланади, унинг асосида йулда авария (тукнашув) эхтимоли хисоблаб чикилади. [14] чоррахага белгиланган тезликдан юкори тезликда харакатланиб келаётган автотранспорт воситаси чоррахада светафорнинг такикланган чирогига тухтаб олиш даражаси пастлигини аниклаб, уз йуналишида харакатни бошлаган пиёда ва автотранспорт воситаларига хавф-хатардан огохлантирувчи товуш бериш имконияти мавжудлиги шунингдек махсус имтиёзга эга булган автотранспорт воситалари чоррахани кесиб утишда тирбандликка дуч келмасдан, хавфсиз ва баркарор холатда утишини таъминлайди. Бунда тез ёрдам, ут учириш, ИИО ва бошка имтиёзли автотранспортлари зудлик билан белгиланган жойга етиб бориши таъминланиши хакидаги маълумотларни бир неча сония олдин башорат килиш имконини берди.
Х,аракат иштирокчиларнинг автомабил йулларида беталофат ва беховотир харакатланишлари учун илгор тизимларини ишлаб чикишга каратилган шунга ухшаш маколада [15], "Йул харакат хавфсизлигини оширишда йул тармогининг утказувчанлигини сунъий интеллектга асосланган адаптив комплексни яратиш" тизимида "Яшил тулкин" модулида ёрдамида транспорт воситаларини траэкториясини башорат килишни мавжуд харакат модели (транспорт воситасини тури, ранги, модели, ДРБ) билан доимий эгилиш ва тезлаштириш ва траэкторияни башорат килишни бирлаштирадиган усул таклиф этилади. Бирок, барча мумкин булган шартларни ва куп сонли турдаги харакатларни хисобга олиш зарурати ушбу йуналишда кейинги тадкикотларни талаб килади.
ТАДЦЩОТ НАТИЖАЛАРИ
Таклиф этилаётган ечим.
Умуман олганда, транспорт воситалари траэкториясини таниб олиш ва руйхатга олишни таъминловчи алгоритм куйидаги боскичларни уз ичига олади:
1) тасвирлар кетма-кетлигидан тасвирни укиш IP камерадан янги тасвирни олиш;
2) объектда субъектни - автомобил йулларида харакатланувчи харакат иштирокчиларини таниб олишнинг макбул аниклиги ва туликлигини таъминлайдиган усуллар ёки алгоритмлардан бири билан аниклаш, масалан, Виолы-Джонса усули [1-3]. Х,ар хил турдаги транспорт воситалари субъект сифатида харакатланиши мумкин. Аниклаш деганда объект ва субъект марказининг координаталарини ва унинг улчамларини танлаш тушунилади; 3) объектнинг янги позицияси ва улчамларини самарали усуллардан бири билан бахолашни топиш; 4) олинган маълумотлардан башорат килиш позиция сифатида фойдаланиш. Тасвирдаги объект ва жорий кадрда субъектнинг координаталари ва улчамларининг янгиланган кийматини кайд этишда, агар субъект кейинги бир нечта тасвирларда мавжуд булмай ва кейин яна пайдо булса, алгоритм ишлайверади, бунда тасвирлар учун субъектнинг йуколишдан олдинги координаталари ва улчамлари улчанган координаталар ва улчамлар сифатида ишлатилади. ^уйидаги тасвирлардан n, бу гувох -субъектни доирадан йукотиш ва алгоритмни тугатишни билдиради.
Тасвирлар кетма-кетлиги буйича транспорт воситаларини аниклаш. Транспорт воситасини аниклаш муаммоси учун Виолы-Джонса усулига асосланган классификатор танланди, унда интеграл тасвир тушунчалари, Хаара хусусиятлари ва уларнинг AdaBoost [1] ёрдамида каскад таснифи кулланилади. Транспорт воситасининг моделининг сифати статистик таснифлагичлар учун дастурга субъектларни укитиш сифатига боглик. Модель факат транспорт воситаларининг мумкин булган куриниши ва ёруглик шароитларига мос келадиган этарли микдордаги тасвирлар билан ишончли ишлайди. Модель ташки куриниши
укитиш жараёнида сезиларли даражада фарк киладиган транспорт воситалари тасвирда куринганда, ушбу моделни кайта тайёрлаш керак булади. Транспорт воситаларни моделини яратишда иккита холат куриб чикилди: ихтиёрий бурчакдаги автомобиллар (укитиш жараёнида тупламида 9 000 та ижобий ва 16 000 та салбий тасвирлар мавжуд булди) ва транспорт воситаларнинг олдинги куринишининг махсус холати ёки (укитиш жараёнида тупламида 3800 та ижобий тасвирлар, ва 5700 та салбий тасвир мавжуд). Укитиш жараёнида намунасининг бир кисми 1-расмда курсатилган. Тасвирларнинг синов кетма-кетлиги биринчи холатда 5000 дан ортик транспорт воситасининг (1500 та расм), иккинчисида - 3000 га якин транспорт воситасининг (8 000 та расм) уз ичига олган булса, топилган хошия (рамка) ва мос ёзувлар бир-бирига мос келиши 50% дан ошиши керак эди.
Классик Виолы-Джонса усулидан ташкари, [3 ва 7] такидланган Лукаса-Канаде усули буйича уфк (осмоннинг ер ёки сув юзаси билан чегараси) чизиги ва субъектни кузатишдан фойдаланган холда илмий изланишлар асосида изланувчи томонидан ишлаб чикилган кушимча геометрик фильтрлар хам кулланилган.
( Бошлаш ) *
/ Тасвир кадир олиш /
Кадрдан транспорт воситалари координаталарини ажратиб олиш
1
Кузов тури ва моделини башоратлаш
Транспорт воситаси расми гистограммаси ёрдамида рангини аниклаш
Самера IP, Вакт, кузов тури, модель, рангни ёзиш
Кузатув каме расидан кабул ;илинган кадрга ишлов беришалгоритми
тугатиш
1-Ишлов бериш алгаритми
1-расм: Автомобиль моделини яратиш буйичауцитиш намунасининг бир цисми
Каскад классификатори OpenCV дастурий таъминот кутубхонаси воситаларидан фойдаланган холда укитилди, хар иккала холат учун хам турли хил укув созламаларига эга каскад классификаторларининг энг яхши натижалари 1-жадвалда келтирилган.
Транспорт воситаларини камера оркали аниклаш натижалари учта боскич бохолаш улчови ёрдамида амалга оширилади:
Precision (аниклик);
Recall (эслаб колиш);
F-score (F -улчов).
Транспорт воситасини аниклаш усули натижаларини тахлил килиб, тизим таниб олиш сифати юкори эканлигига ишонч хосил килишимиз мумкин. Кузатув жараёнида оким харакатидаги транспорт воситаларнинг олд ёки орка томондан олинган видео тасвири турини аниклашда улуши (таксимоти) 89% дан ортик ва нотугри кам сонли мусбатлар кузатилган - аниклик 95% дан юкори. Транспорт воситасининг ихтиёрий бурчакдан аниклаш 85% дан ошмайди ва ажратиб олиш 73% ни ташкил килади. Бу иккинчи холатда кушимча тадкикотлар утказиш зарурлигини ва олд ёки орка куриниши булган транспорт воситаларни аниклаш усулидан харакат иштирокчилари билан боглик вазифаларда фойдаланиш имкониятини курсатади.
^ушимча фильтрлар билан Виолы-Джонса усули ёрдамида аниклаш 2-расмда курсатилган.
Классификатор тури Тренинг намунаси буйича С инов тупламида
Аникли к Тулик F-улчови Аниклик Тулик F- улчо ви
Олд ва орка куринишдаги транспорт воситаларини таниб олиш (мусбат тасвирлар сони -3800, салбий тасвирлар -5700)
Геометрик нотугри мусбат фильтрлаш ёрдамида битта каскаддан фойдаланиш 1.0 0.9684 0.9839 0.9311 0.8856 0.90 78
Автомобилларни ихтиёрий бурчакдан таниб олиш (мусбат тасвирлар сони -6000, салбий тасвирлар -16000)
Нотугри мусбат фильтрдан фойдаланмасдан, икки боскичдан фойдаланиш 0,8005 0,6971 0,7453 0,7720 0,7309 0,75 09
Икки каскаддан фойдаланиш, кузатувга асосланган нотугри сигнал фильтрини куллаш 0,8570 0,6910 0,7650 0,8530 0,6560 0,74 20
2-расм: Тавсия этилган алгоритм ёрдамида транспорт воситаларни аницлаш
мисоли
Аникланган транспорт воситаларининг харакат траэкториясини руйхатга
олиш.
Транспорт воситаларнинг харакатининг траэкторияси ti, i= 1, 2,..., n, n-
вактлардаги позициялари туплами сифати видео кетма-кетлигида аникланади. Кадр расмда топилган объектнинг жойлашуви уни ураб турган гардиш (рамка) туртбурчаклар билан белгиланади r = (x, y, w, h), бу эрда x ва y гардиш (рамка) туртбурчаклар марказининг координаталари, w ва h - унинг кенглиги ва баландлиги.
Йул харакати катнашчиларининг транспорт воситасига нисбатан позициясидаги узгаришларни руйхатга олиш ва башорат килиш (прогнозлаш) модули аникланган транспорт воситаларининг хозирги (xip, yip, wip, hip) холати тугрисида мураккаб маълумотларни кайтаришни таъминлаши керак. ti -е момент вакти ва шу билан унинг харакати траэкториясини руйхатдан утказишни таъминлайди.
Видео тасвирда танлаб олинган объектнинг моделини башорат килиш учун унинг чизикли ва бурчак тезлигини бахолашга асосланган алгоритмдан фойдаланиш мумкин. Видео тасвирда кузатилган объектни аниклаш соддалаштирилган куриниши (3) диаграмма шаклда курсатилган.
Бу эрда куйидаги белгилар кулланилади:
(xi, yi) -тасвирда топилган объект марказининг i координаталар, расми топилганлиги; vi - жисмнинг i нуктадаги чизикли тезлиги; mi - жисмнинг i бурчак тезлиги;
hi ва wi объектнинг (кенглиги ва баландлиги) улчами.
Жорий i-м ва олдинги ^-1)-м гардиш (рамка)лардаги объект марказлари орасидаги масофа Эвклид (хоссалари) масофасидан келиб чиккан холда формула буйича аникланади.
Li = ^(Xi-Xi-1)^ + (Yi-Yi-1)^. (1)
Объектнинг i-м кадрда харакат йуналиши бурчаги сифатида хисобланади
ф, = arccos [ . Xl 1 =) * siqn(Yi - У1-л). (2)
Объектнинг жойлашув урнини руйхатга олиш учун модель таклиф этилади, (4) унинг куриниши соддалаштирилган диаграмма шаклда курсатилган. Жорий (xi, yi, wi, hi) ва олдинги учта кадрлар буйича (xi-1, yi-1, wi-1, hi-1), (xi-1, yi-1, wi-1, hi-1) , (xi-1, yi-1, wi-
1, hi-1) аниклаш алгоритми асосида топилган объект позициялари учун киришчи сифатида ишлатади. Бунда Vi кириш векторини хосил килувчи хисобланади.
Моделнинг чикишида, Он чикиш векторини ташкил этувчи, ti-й лахзада транспорт воситасининг кайд этилган (xip, yip, wp, hip) холати хосил булади.
3-рaсм. Кузатилган объект царакатининг чизицли ва бурчак тезлигини цисобга олган цолда соддалаштирилган диаграммаси.
X; , -*
-*
Xi-2 -*
Xi.s
yi
yi-i
V■ i
y 1-2 V; я -*
hi -►
h i-i -*
hi-2 -►
i
w-i
Wi-2 -»
Транспорт воситасини аниклашда чизикли ва бурчакли моделига асосланиш
Xip
yip
h
V
w
i
4-расм. Объектнинг чизицли ва бурчак тезлигига асосланган урнини руйхатга олиш учун математик моделнинг цора цутиси куринишидаги схема.
Шунда, математик модель Оц= f1(Vn) формула билан ифодаланган функционал муносабатдир. Объектнинг координаталарини бахолаш формулалар буйича хисобланади.
хг = Xi—i + Li-1 * sin(2 * - sign(xi-1 - x—) * (Pi—2) ^ 9i = У1—1 + k—1 * sin(2 * pi—! - sign(yi—1 - у* (Pi—2) ( )
бу ерда (Xi, yj - i-м боскичдаги (тасвир) объект координаталарининг олдинги учта (i—1), (i—2) ва (i—3) нукталарида хисобланган тахмини (башорат натижаси), (i-1) ва (i—2) нукталар орасидаги эвклид масофасини, (1) формула буйича хисоблаганда, ва мос равишда (i—1) буйича субъектлар харакати йуналишининг бурчаклари эканлиги маълум, (i-2) формула (2) буйича хисобланган гардиш (рамка)лардир.
МУХ,ОКАМА
Руйхатга олинган координата кийматлари (xip, yip) башорат ва i-м гардиш (рамка)да топилган киймат уртасидаги уртача киймат сифатида хисобланади.
(4)
Объектнинг улчамини Wi, hi бахолаш (прогнозлаш) унинг чизикли экстратраполяция (функция кийматларни тахминий аниклаш) сифатида амалга оширилади:
Wi = 2* w— - Wi-2 (5)
hi = 2* ht-i - hi-2.
Руйхатга олиниши керак булган объект улчами кийматлари (wip, hip) башорат килиш ва i-m кадрда топилган киймат уртасидаги уртача кийматлар сифатида хисобланади.
hip=^. (6)
Топилган позиция (xip, yip, wip, hip) унинг координаталари ва тасвирни аниклаш алгоритми натижасида олинган улчамларини белгилайди, бу шовкинни камайтиради ва объектни аниклаш сифатини яхшилайди.
Аникланган транспорт воситаларининг холатини руйхатдан утказиш учун кенгайтирилган Калман фильтри [16] ёрдамида моделдан фойдаланиш мумкин, бу 5-расмда схематик тарзда курсатилган.
Жорий кадрда аниклаш алгоритми томонидан топилган объект позициялари (xi, yi, wi, hi), кириш маълумотлари сифатида V2i=[ xi, yi, wi, hi]T кириш векторини ташкил килади. Моделнинг чикишида фаол йул фойдаланувчисининг й-моментдаги кайд килинган (xip, yip, wip, hip) позицияси хосил булиб, 02i= [xip, yip, wip, hp]1 чикиш векторини хосил килади.
Математик модель асосида 02i= f2(V2i) формула билан ифодаланган функционал муносабати келиб чикади. Кейинги i-кадамда, Калман фильтрига Yi (Yi= (xi, yi, wi, hi)T) улчов натижалари келишидан олдин объектнинг янги позицияси тахмин килинади (векторни прогноз холати) мувофик ифодаланади.
Х1№-1 = % 1-111-1. (7)
Бахолашнинг бу тури аникланаётган объектдаги субъектларнинг харакатланишдаги холатини (маниер) олдиндан маълум эмаслиги билан боглик, шунинг учун утиш матрицаси (чизикли алгебрада улчов вектор фазоси асосида) F ва бошкарув матрицаси В бирлик деб кабул килинади хамда назорат харакатларининг вектори и нолга teng булади.
Xip
Y Калман фильтрига YP
hi асосланган модель hip
Wi Wip
Кенгайтирилган Калман фильтри асосида объектнинг урнинируйхатга олиш учун математик моделнинг цора цутиси куринишидаги схема.
Бу эрда априор смета матрицаси Х^^ объектларнинг координаталари ва Х^^ =
^ т ^
У1>Х1>№1 ) улчамларининг тахмин килинган кийматлари билан Х^^^ матрицаси
олдинги боскичдаги объектларнинг координаталари ва улчамларини бахолаш оркали
аникланади.
Янги коварианс матрицаси (бир ёки иккита тасодифий вектор элементларининг жуфт ковариацияларидан ташкил топган матрица) тенгламалар назариясида априор бахолаш (априор хатоликни бахоси) куйидагича хисобланади
рт-! = рр^^Р7 + д. (8)
Объектдаги субъектни аниклашда тасодифий хатоларни кушиш эхтимоли кичик булганлиги сабабли, ковариация матрицаси Q устунининг элементларига бир дона пикселга тенг киймат берилади.
Х,олатини априор бахолашга кура, (7) кадамдаги Кщ^ дан улчовни башорат килиш мумкин
?1 = НХЩ-1. (9)
Улчов матрицаси Н бирлик сифатида танланган
Кейинги хисоб улчовлари олингандан сунг 1-улчовнинг башорат хатоси фильтрда У1= X уь к)Т формуладан фойдаланиб хисобланади.
Е1 = У1- НХт-!. (10)
Кейин тизим холатини Yi билан бахолаш ва дастлабки бахолаш Х1ц-1 янги улчовга мос келадиган нукта уртасида жойлашган нуктани танлаш йули билан тузатилади:
ХЦ1=ХЦ1-1 + С1Еи (11)
Бу эрда - фильтр коэффитсиентлари матрицаси. Ушбу тузатилган смета
объектнинг руйхатдан утган позицияси хисобланади.
^ т
Нихоят, бахолаш хатосининг ковариация (эхтимоллар назарияси ва математик статистикада иккита тасодифий микдорнинг богликлиги улчови) матрицаси тузатилади:
РЩ = (1 - С1Н)РЩ-1,
Бу ерда I - идентификация матрицаси. Улчовни бахолаш хатолигини Е^ ковариация матрицаси куйидаги формула буйича хисобланади:
Б1 = НРт-1Нт + К, (12)
Тизим холатини бахолашда минимал хатоликка эришиладиган фильтр коэффитсиентлари матрицаси куйидагича хисобланади.
С1 = Рщ^Н^-1 (14)
R улчовнинг ковариация матрицаси-устун элементлари хам улчов хатоликларининг паст эхтимлилиги сабабли, пикселларга тенг урнатилади.
Амаллар У^ векторнинг хар бир янги киймати учун такрорланади. Вактнинг дастлабки моментида куйидагилар тахмин килинади:
%о\о = (Хо,УоЛо,™оУ, Р1\о = 0.
Калман фильтрининг ишлаши давомида марказнинг координаталари ва янги рамкадаги транспорт воситасининг улчамлари объектнинг харакати хакидаги барча олдинги маълумотларга асосланиб хисоблаб чикилади (бутун вакт оралигидаги интеграция операциясига ухшаш). чизикли ва бурчакли тезликларни бахолашга асосланган усул билан таккослашнинг аниклигини оширади.
Объект харакатининг траэкториясини руйхатга олишнинг иккала моделида объект харакатининг йуналиши янги кадрда кескин узгарганда чекловлар мавжуд, бу камдан-кам холларда юкори кадрларни кайта ишлаш тезлигида, масалан, 20 квадратдан ортик.
Матлаб мухитида чизикли ва бурчакли тезлик жисмлари ва Калман фильтрига асосланган тавсия этилган математик моделлар амалга оширилди. Ушбу амалга оширишлар кузатувчига нисбатан фаол йул харакати иштирокчисининг хатти-харакатларининг олтита холатида синовдан утказилди, унинг кенглиги ва баландлиги тасвирда бир хил деб тахмин килинди, яъни квадрат майдонлар холатидаги узгаришлар урганилди:
1) Чапдаги кузатувчини транспорт воситасидан кувиб утиш,
2) йул харакати иштирокчисининг кундаланг йуналиши буйича секин харакатланувчининг унг томонида пайдо булиши ва якинлашиш,
3) унгдаги кузатувчини транспорт воситаси билан кувиб утиш,
4) транспорт воситасини кузатиб бориш;
5) кузатувчининг чап тарафдаги транспорт воситасини кувиб утишнинг бошланиши,
6) кузатувчининг унгдаги транспорт воситасини кувиб утиши (6-расмда курсатилган).
Олинадиган натижалар:
Х,аракатланиш жадаллиги, транспорт окимининг 5 та гурух буйича таркиби, харакатланиш тезлиги, автомобиллар орасидаги масофа. Автотранспорт воситаларининг утиш вакти, куни амалдаги вактга богланади ва хисобот жадваллари тузилади.
Техник хусусиятлари:
Транспорт воситаларининг асосий классификацияланган гурухи сони - 5 та.
Транспорт воситаларининг аникланадиган максимал тезлиги - 230 км/соат.
Назорат килинадиган йул булакларини харакатланиш 5 каторгача.
Шундай килиб, автотранспорт воситасининг ранги хар бир хайдовчи ва пиёда ва ИИО учун энг мухим элементидир. Бу хайдовчи услубининг курсаткичлари булса ИИО учун мухим маълумотлар манбаи ва бу раннгларни автоматлаштирилган холда интеллектуал технологиялар асосида идрок этиш
Интеллектуал тизимлар хакида гап кетар экан, бу тизимлар жамиятдаги мавжуд муаммоларни хал килишда барча турдаги транспорт воситаларида синергетик яъни, узаро хамкорликда ёки биргаликда бутун бир тизимни ташкил этиб, сохадаги хам ижтимоий, хам иктисодий муаммоларни бартараф этишга йуналтирилмокда. Шу боис, ушбу тадкикоднинг асосий максади интеллектуал транспорт тизимларини, мобиль роботларни С аноат 4.0 концепсияси элементлари билан интерация килиш, синергетик боглаш ва шу асосида уларни ишлаб чикариш хамда саноатда тадбик этишдаги мавжуд муаммоларини урганиш ва тахлил килишдан иборат.
Адабиётлар шархи. Бирлашган Миллатлар Ташкилотининг маълумотларига кура [4] шахар шароитида ва унинг атрофида аклли харакатчанлик ва интеллектуал транспорт тизимларига булган кизикишни кучайтириши кутилаётган куйидаги омилларни санаб утиш мумкин:
—1 2050 йилга келиб ахоли сонининг 9.5 млрд га усиши;
—1 Ахолининг кенг катлами (85% фоизи) кучли урбанизациялашган минтакаларида истикомат килиши;
— Ахолининг уртача ёши кутарилиши;
— Шахар атрофидаги худудларнинг кенгайиши;
— Одамлар ва махсулотлар учун транспорт хизматларига булган талабнинг ортиши;
— Энергия ва табиий ресурсларга булган талабнинг ортиши, иклим узгариши ва табиий офатлар, одамлар эхтиёжини ва талабини кондиришнинг янгича "smart mobility -аклли харакатчанлик" схемаларини ишлаб чикиш заруриятини тугдиради.
Юкорида келтирилган омиллардан келиб чикиб, келгусидаги харакатчанлик схемалари икки йуналишга булинади:
1 - транспортга булган эхтиёжларнинг ортиб боришини хавфсизлик ва кенг фойдаланиш мумкин булган интеллектуал транспорт тизимлари оркали коплаш;
2 - экологик таъсирни яхшилашда атроф-мухит ифлосланиши ва энергия сарфини камайтириш, мукобил энергия манбаларидан самарали фойдаланиш назарда тутилади. Х,ар томонлама урганиб чикиш натижаларига кура [5], оммавий ва жамоат харакатчанлиги
хизматларининг самарадорлиги куп сонли йуловчилар ва юкларни ташишда, кам маблаг сарфлаган холда транспорт окимларини бошкариш оркали эришиладиган кенг микёсли иктисодиётга асосланади.
Леишен ЛИДАР контактсиз транспорт воситаларини аниклаш тизими - бу юкори тезликда ишлайдиган ЛИДАР Интеллигент Мотион иловасини бажариш алгоритми туплами булиб, юкларнинг улчамларини (узунлиги, кенглиги, баландлиги) тулик автоматик, контактсиз аниклашга каратилган. автомобиль йули ва бошкарув бюроси автомашиналарида автотранспорт воситаларини текшириш. . Мавжуд тизим транспорт воситасини тухтатмасдан ёки секинлаштирмасдан автомобилнинг контурини тезда олиш учун юкори тезликдаги ЛиДАР-дан фойдаланади. Контур маълумотларига баландлик, кенглик, узунлик, шиналар гилдирак базаси ва бошка тегишли параметрлар киради. Аниклик ва шовкин иммунитети бошка контактсиз аниклаш технологияларидан (масалан, ЛиДАР, микротулкинли печь, визуал ва бошкалар) анча юкори. ЛиДАР кечаю кундуз ишлаши мумкин, бу нафакат амалга ошириш самарадорлигини ошириши, балки ходимларнинг юкини камайтириши мумкин.
Лидар: утаётган автомобилнинг нукта булутларини улчаб, уларни ИПС (Индустриал П ) га узатинг.
МПС: ЛиДАР дан нукта булути маълумотларини ва камерадан маълумотларни олинг ва уларни автомобиль улчамлари ва руйхатга олиш маълумотларига айлантиринг (ихтиёрий);
Камера (ихтиёрий): Автомобилни руйхатга олиш маълумотларини укинг.
Шимолий (мижознинг фаолият сохаси): ИПС дан транспорт воситасининг улчамлари ва руйхатга олиш маълумотларини олиш;
Кинест камераси объектни аниклашнинг кучли имкониятларига эга, аммо уларни факат бир нечта ишлаб чикувчилар урнатиши мумкин. Шунга ухшаш тизимни яратиш зарурлигини англаган, аммо очик манбага эга VISЮN.AI мутахассислари фойдаланувчи томонидан осонгина созланадиган интеллектуал ВМХ Прожест тизимини ишлаб чикдилар. Бу видеодаги хар кандай объектни олдиндан яратилган тайёр шаблонларга кура танийдиган дастур булиб, улар хакида канчалик куп маълумот олинса, шунга ухшаш объект тезрок ва аникрок аникланади. Алгоритм бир вактнинг узида бир нечта объектларни ва улар орасидаги муносабатларни кузатиш имконини беради. Бундай сенсор хам кузатув ва хавфсизлик тизимларини таъминлашда, хам мультимедиа иловаларида жуда фойдали булиши мумкин.
Мушуклар ва итларни фарклаш яхши буларди, лекин энг яхшиси Опен Имагес маълумотлар тупламидаги барча 7870 хусусиятни таниб олишдир! Мана машк. Деразадан ташкарига каранг ва канча нарсаларни таниб олишингиз мумкинлигини хисобланг. Объектни аниклаш инсон кобилиятининг ушбу кисмини компьютерга утказади. Бу уз-узидан бошкариладиган автомобиллардан тортиб, илгор хавфсизликгача булган компьютер учун жуда кийин булган кенг куламли иловаларни такдим этади. Трафикни бошкариш учун Facebook юзингизни таниб олиш.
Компьютерни куриш хакикатан хам бутун тасвирларни таснифлашдан тасвирдаги алохида объектларни таниб олишдан узокдир. "Мана бу ерда транспорт воситалари билан йул сурати"дан "Бу суратда 12-15 та машина ва 4-6 та мототцикл бор" дан фарки шу. Бу, масалан, «уртача» деб эълон килиш учун этарли контекстни берадиган алгоритм
Узунликка асосланган транспорт воситаларини таснифлаш маълумотлари транспорт харакати, юлка дизайни ва транспортни режалаштириш учун мухим маълумотлардир. Бирок, бундай маълумотларни тугридан-тугри битта халкали детекторлар томонидан улчаб булмайди, бу мавжуд йул инфратузилмасида энг кенг таркалган транспорт сенсори тури. Ушбу тадкикотда кенг куламли мавжуд кузатув камераларидан фойдаланган холда юк машиналари маълумотларини йигиш учун видеога асосланган транспорт воситаларини аниклаш ва таснифлаш (ВВДС) тизими ишлаб чикилган. Видео кетма-кетлигидан фон тасвирини олиш, транспорт воситалари мавжудлигини аниклаш, сояларни аниклаш ва олиб ташлаш ва таснифлаш учун пикселга асосланган автомобиль узунлигини хисоблаш учун бир нечта компьютер куришга асосланган алгоритмлар ишлаб чикилган ёки кулланилган. Автомобилнинг горизонталь йуналишда тикилиб колиши ва камеранинг озгина тебранишлари натижасида юзага келадиган кучли салбий таъсирларни бартараф этишга эътибор каратилди. Пиксел билан ифодаланган узунликлардан узун транспорт воситаларини киска транспорт воситаларидан ажратиш учун фойдаланилган; шунинг учун камерани мураккаб калибрлаш зарурати йук килиниши мумкин. Ушбу алгоритмлар Мисрософт Висуал С # ёрдамида ВВДС прототип тизимида амалга оширилди. Плуганд-плай тизими сифатида ВВД тизими реал вактда ракамли тасвир окимларини ва жонли видео сигналларини кайта ишлашга кодир. Тизим турли хил транспорт ва атроф-мухит шароитларида учта синов жойида синовдан утказилди. Автотранспорт воситаларини аниклашнинг аниклиги 97% дан юкори булди ва юк машиналарининг умумий хисоблаш хатоси учта синов учун 9% дан паст эди. Бу шуни курсатадики, ушбу тадкикотда транспорт воситаларини аниклаш ва таснифлаш учун ишлаб чикилган видео тасвирни кайта ишлаш усули хакикатан хам юк машинаси маълумотларини йигиш учун муносиб альтернатив хисобланади.
Автотранспорт воситаларини аниклашда тасвирни кайта ишлаш технологияларини куллаш тадкикотнинг асосий йуналиши булиб келган.
С унгги ун йил ичида Интеллигент Транспоататион С йстемс (ИТС). Видеони эрта аниклаш тадкикоти (7) Миннесота университетида Аутоссопе видео аниклаш тизимлари пайдо булди бутун дунё буйлаб бугунги кунда транспорт воситаларини аниклаш ва назорат килишда кенг кулланилади. Бир нечта якинда компьютерни куриш оркали транспорт воситаларини таснифлаш буйича текширувлар утказилди. Лаи ва бошкалар. (8) а дан фойдаланиш оркали автомобиль улчамларини аник бахолаш мумкинлигини курсатди координаталарни хариталаш функциялари туплами. Гарчи улар автомобиль узунлигини тахмин кила олишган
Х,ар бир мисолда 10% ичида, уларнинг усули тасвирни хариталаш учун камерани калибрлашни талаб килади бурчаклар ва пикселларни хакикий улчамларга айлантиринг. Худди шундай, тижоратда мавжуд Видео Тасвир Пеэк Траффис Инс. томонидан ишлаб чикилган ВидеоТраск тизими каби процессорлар (ВИП) куйидагиларга кодир.
юк машинаси маълумотларини йигиш. Бирок, бундай тизимларнинг нархи сезиларли ва улар талаб килади тугри ишлаши учун калибрланган камера тасвирлари. Ушбу тизимларни калибрлаш одатда жуда куп талаб килади ТРБ 2007 Йиллик йигилиш СД-РОМ когози асл нусхадан кайта куриб чикилган.
Чжан, Аверй ва Ванг 3 махсус йул сирти маълумотлари (масалан, таникли йул сирт белгилари орасидаги масофа) ва камера маълумотларини (масалан, баландлик ва эгилиш бурчаги) олиш осон булмаслиги мумкин (9). Бундан ташкари, ушбу тижорат тизимларининг
баъзиларини бахолаган сунгги тадкикотлар (10, 11, 12) соялар ва бош-ёруглик кузгу нотугри мусбат мухим муаммоларни хосил килган ва эрта аниклаш.
Гупте ва бошкалар. (13) урнига худудларни кузатиш ва фактдан фойдаланиш оркали шунга ухшаш ишларни амалга оширди транспорт воситаларини аниклаш, кузатиш ва таснифлаш учун барча харакат ер текислигида содир булади. Афсуски, уларнинг иши соялар билан боглик муаммоларни хал килмайди, шунинг учун алгоритмни куллаш хозирги боскичда чекланган. Х,асегава ва Канаде (14) аниклашга кодир тизимни ишлаб чикдилар ва харакатланувчи объектларни хам тури, хам ранги буйича таснифлаш. Бир катор укув тасвирларидан автомобиллар хар бир объект тури билан боглик хусусиятларни ишлаб чикиш учун оператор томонидан аникланган. Ин 180 та такдим этилган объектларнинг тести, 91% тугри аникланган. Бунинг асосий камчилиги тизими, аммо, кизикиш жойдан тасвирларни ургатиш учун талаб хисобланади.
Рад ва Жамзад (15) транспорт воситаларини хисоблаш ва таснифлаш дастурини ишлаб чикдилар кузатиш оркали йул узгаришини аниклаш. Уларнинг ёндашуви фондан фойдаланган.
Х,аракатланувчи транспорт воситасини аниклаш учун морфологик операциялар билан бирлаштирилган айириш ёндашуви худудлар. Ижобий натижалар хакида хабар берилган булсада, факат минтакани улчаш, булиниш ва йукотишлар кузатувда тахлил килинган, автомобилни аниклаш ва таснифлашнинг аниклиги эса йук умуман улчанади. Греттингер ва бошкалар. (16) Аутоссопе С оло Про-дан тупланган видео маълумотлардан фойдаланган ун учта ФХЭА га мос келадиган таснифларни таъминлаш учун тижоратни аниклаш тизими автомобиль синфлари. Усул бир жойда синовдан утказилди ва туртта бошка жойда тасдикланди. Бирок, хар бир жой учун янги моделлар ишлаб чикилиши сабабли сайтга хос моделлардан фойдаланиш унчалик мумкин эмас ишлаб чикарилиши керак эди.
Видео тасвирни кайта ишлаш учун бир нечта тижорат тизимлари ишлаб чикилган булсада трафик маълумотларини йигиш, бу тизимлар одатда бир нечта асосий муаммоларга дуч келади, шу жумладан мураккаб калибрлаш жараёнлари, маълум об-хаво ва ёруглик шароитида ёмон аниклаш аниклиги шароитлар ва бошкалар. Шунга карамай, ушбу олдинги текширувлар ушбу тадкикотда куриб чикилиши керак булган видеога асосланган автомобилларни аниклаш ва таснифлаш муаммолари буйича кимматли тушунчаларни беради. Муаллифлар учун янги видеога асосланган автомобилни аниклаш ва таснифлаш тизимини ишлаб чикишга ундади калибрланмаган видео оркали олинган тасвирлар ёрдамида кулай ва ишончли трафик маълумотларини йигиш 1., - деди Ласкин нейрон тармокнинг ишлаш принтсипини тушунтирди.
Бу функция кечаю кундуз хам ишлаши мумкин. Шу билан бирга, ишлаб чикувчилар тунда ёнмайдиган фараларни тузатиш айникса мухим деб хисоблашади.
"Кун давомида фиксация купрок педагогик чора хисобланади. Бу холатда ишлайдиган чироклар ва киска фараларнинг киритилиши мухим ахамиятга эга, масалан, одам коронги туннелга кирганда, - Ласкин мисол келтирди. Аммо агар хайдовчилар тунда ишлайдиган фараларсиз хайдашса, бу аллакачон муаммо. Мисол учун, кечаси бурилиш килганда, биз фараларга аник эътибор каратамиз. Ва агар улар ёнмаса, бундай урток биз томонда учиб кетиши мумкин. Ва шунга ухшаш ёкилгини тежайдиган хайдовчилар хали хам бор - улар чирокларни ёкмайдилар.
ХУЛОСА
Уз навбатида, фото ва видеоёзувлар буйича мутахассис Григорий Шухман янги функциянинг самарадорлиги билан боглик юзага келиши мумкин булган муаммоларни курсатди. Улар орасида видео тахлиллар билан боглик кийинчиликлар мавжуд.
Бунда янги нейрон тармок видео тахлилини, видео деворни бошкариш интерфейсини, IP камераси оркали объектларни автоматик кузатишни, Intel Quick Sync Video аппарат декодлашни куллаб-кувватлашни, ONVIF ва SIP протоколлари учун серверларни кушади. Relizda Face-Intellect, POS-Intellect, Auto-Intellect модуллари ва веб-хисобот куйи тизимининг янги версиялари мавжуд. Бошка куплаб яхшиланишлар ва яхшиланишлар амалга оширилди.
Нейротракер маълум турдаги объектларни, масалан, одамлар ёки автомобилларни танийдиган нейрон тармокка асосланган. Нейротрекер уларга харакат жараёнида хамрох булади, бу эса аникланган объектларга барча сахна тахлил детекторларини куллаш имконини беради - зонадаги харакат, чизикнинг кесишиши, пайдо булиш/йуколиб кетиш ва хоказо. Нейротрекерга асосланган детекторлардан мураккаб сахналарда фойдаланиш мумкин. куп визуал шовкин, классик трекер берган жойда куплаб нотугри позитивлар булар эди.
Объект хисоблагичи
из нейротрекерга таймерни бириктиришингиз мумкин, у вакти-вакти билан фреймнинг танланган майдонида нейротракер томонидан кайд этилган объектлар сони хакида хабарлар чикаради. Аниклаш зонаси, янгиланиш частотаси ва бошкалар учун турли хил созламаларга эга бир нечта хисоблагичлар бир вактнинг узида битта трекер билан ишлаши мумкин.
Нейрофилтр
Нейрофилтр классик трекер билан биргаликда ишлайди, бу сизга харакатланувчи объектларни ва маълум турдаги ташландик объектларни суратга олиш ва кадрдаги бошка хар кандай харакатга эътибор бермаслик имконини беради. Нейрофилтр билан трекернинг ишлаши натижалари реал вакт режимида сахна тахлили детекторлари томонидан ишлатилиши ва видео архивдаги маълум турдаги объектларни тезкор кидириш учун маълумотлар базасига ёзилиши мумкин.
Видеотахлилнинг энг яхши сифати учун ИТВ нейротракер ва нейрофилтр асосидаги нейрон тармокларни хар бир лойиха учун алохида-алохида келажакда куллаш жойидан олинган видеоматериаллардан фойдаланган холда укитади.
Нейрон тармокдан фойдаланган холда транспорт воситаларининг турини аниклаш модули ишлаб чикилди. У автомобиллар, фургонлар, автобуслар, юк машиналари ва мототциклларни танийди.
Фойд аланилган ад абиётлар руйхати
1. Хиггинс Л., Нельсон А., Гейзельбрехт Т., Ульман Б. Понимание процесса принятия решений водителями, столкнувшимися с ограничением полосы движения или перекрытием на автомагистралях штата Висконсин . Отчет № 0092-11-15. Департамент транспорта штата Висконсин, Мэдисон, 2013 г.
2. Робинсон Э., Любар Э., С ингер Дж. П., Келлман Д., Кац Б., Кузницкий С. Практика информирования путешественников во время неповторяющихся событий . Федеральное управление автомобильных дорог США, Маклин, Вирджиния, 1 апреля 2018 г.
3. Stamatiadis P., Gartner NH, Xie Y., Chen D., Diaz R. Jr. Оценка и совершенствование информационных программ MassDOT для путешественников . Департамент транспорта штата Массачусетс, Управление транспортного планирования, Бостон, Массачусетс, 1 марта 2019 г.
4. ТеРыЖ. 511 Камера видеонаблюдения Обнаружение транспортных средств с использованием DAIU Net и STMAP для расширенной информационной системы путешественников (ATIS). https://github.com/TeRyZh/511-CCTV-Camera-Vehicle-Detection-and-Tracking-Using-STMap-and-DAIU-Net.
5. Чжан Т., Джин П.Дж. Метод реконструкции траектории транспортного средства на основе продольной развертки для видео движения под большим углом. Транспортные исследования, часть C: Новые технологии , Vol. 103, 2019, стр. 104-128.
6. Ардестани С.М., Джин П.Дж., Фили С. Обнаружение синхронизации сигнала на основе пространственно-временной карты, созданной на основе видео наблюдения видеонаблюдения. Отчет о транспортных исследованиях: Журнал овета по транспортным исследованиям , 2016 г. 2594: 138-147.
7. Малиновский Ю., Ву Ю. Дж., Ван Ю. Обнаружение и отслеживание транспортных средств на основе видео с использованием пространственно-временных карт. Отчет о транспортных исследованиях: Журнал Совета по транспортным исследованиям , 2009 г. 2121: 81-89.
8. Диксон М., Джейкобс Н., Плесс Р. Эффективная система отслеживания транспортных средств в многокамерных сетях. Proc., 3-я Международная конференция ACM/IEEE по распределенным смарт-камерам (ICDSC), Комо, Италия, IEEE, Нью-Йорк, штат Нью-Йорк, 30 августа - 2 сентября 2009 г., стр. 1-8.
9. Хсу, ХМ; Хуанг, ТВ; Ван, Г.; Кай, Дж.; Лей, З .; Хванг, Дж. Н. Многокамерное отслеживание транспортных средств на основе моделей глубокой идентификации с повторной идентификацией и моделей связи с камерами на основе траектории. В материалах семинаров конференции IEEE/CVF по компьютерному зрению и распознаванию образов (CVPR), Лонг-Бич, Калифорния, США, 16-20 июня 2019 г.
10. Бредерек, М.; Цзян, X .; Кернер, М .; Дензлер, Дж. Ассоциация данных для многообъектного отслеживания путем обнаружения в сетях с несколькими камерами. В материалах Шестой международной конференции по распределенным смарт-камерам (ICDSC) 2012 г., Гонконг, Китай, 30 октября - 2 ноября 2012 г.; стр. 1-6.
11. Ву, М.; Цянь, Ю .; Ван, К.; Ян, М. Многокамерная система слежения за транспортными средствами на основе повторной идентификации транспортных средств городского масштаба и пространственно-временной информации. В материалах семинаров конференции IEEE/CVF по компьютерному зрению и распознаванию образов (CVPR), Нэшвилл, Теннесси, США, 19-25 июня 2021 г.; стр. 4077-4086.
