vrgupВестник Ростовского государственного университета путей сообщенияVestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya0201-727XРостовский государственный университет путей сообщения10.46973/0201-727X_2024_4_134vrgup-304Research ArticleИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, АВТОМАТИКА И ТЕЛЕКОММУНИКАЦИИINFORMATION TECHNOLOGIES, AUTOMATION AND TELECOMMUNICATIONSРазработка и анализ системы мониторинга дорожного движения, основанной на технологиях машинного зрения и методах кластерного анализаDevelopment and analysis of a road traffic monitoring system based on machine vision technologies and cluster analysis methodsПугачевИ. Н.PugachevI. N.

Пугачев Игорь Николаевич, заместитель директора по научной работе;

кафедра «Изыскания и проектирования железных и автомобильных дорог», доктор технических наук, профессор

Pugachev Igor Nikolaevich, Deputy Director for Research;

Chair «Surveying and Design of Railways and Highways», Doctor of Engineering Sciences, Professor

ipugachev64@mail.ruТормозовВ. С.TormozovV. S.

Тормозов Владимир Сергеевич, кандидат технических наук, доцент высшей школы кибернетики и цифровых технологий

Tormozov Vladimir Sergeevich, Candidate of Engineering Sciences, Associate Professor of the Higher School of Cybernetics and Digital Technologies

007465@pnu.edu.ruХабаровский Федеральный исследовательский центр Дальневосточного отделения Российской академии наук (ХФИЦ ДВО РАН); Дальневосточный государственный университет путей сообщения (ДВГУПС)Khabarovsk Federal Research Center Far Eastern Branch of the Russian Academy of Sciences (KhRC FEB RAS); Far Eastern State Transport University (FESTU)Тихоокеанский государственный университетPacific National University20243012202404134145Copyright © Пугачев И.Н., Тормозов В.С., 20242024Пугачев И.Н., Тормозов В.С.Pugachev I.N., Tormozov V.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.rgups.ru/jour/article/view/304

В данной статье представлена система мониторинга дорожного движения, основанная на принципах машинного зрения. В основе системы лежат простые веб-камеры, установленные над дорожным полотном, которые фиксируют изображения транспортных средств. Далее, с применением алгоритмов обработки изображений и методов машинного обучения, система осуществляет определение количества и классификацию транспортных средств на дороге. Система включает в себя несколько ключевых модулей: модуль вычитания фона, модуль сегментации переднего плана, модуль получения контуров, модуль обучения и классификации контуров, модуль выделения свойств и модуль кластеризации. Каждый из этих модулей выполняет специфические функции, направленные на обеспечение точного и надежного обнаружения транспортных средств.Система была протестирована на изображениях дорожного движения. Результаты тестирования подтверждают способность системы адаптироваться к различным условиям и сценариям, что является критически важным для систем видеонаблюдения и управления дорожным движением.В статье также обсуждаются перспективы дальнейшего развития системы, включая возможность использования более сложных архитектур нейронных сетей и интеграции с другими системами.

This article presents a traffic monitoring system based on the principles of machine vision. The system is based on simple webcams mounted above the roadbed that capture images of vehicles. Further, using image processing algorithms and machine learning methods, the system determines the number and classification of vehicles on the road. The system includes several key modules: a background subtraction module, a foreground segmentation module, a contour acquisition module, a contour training and classification module, a property allocation module and a clustering module. Each of these modules performs specific functions aimed at ensuring accurate and reliable vehicle detection. The system has been tested on traffic images. The test results confirm the system's ability to adapt to various conditions and scenarios, which is critically important for video surveillance and traffic management systems. The article also discusses the prospects for further development of the system, including the possibility of using more complex neural network architectures and integration with other systems.

мониторинг дорожного движениямашинное зрениеобработка изображениймашинное обучениеклассификация транспортных средствtraffic monitoringmachine visionimage processingmachine learningvehicle classificationReferencesBouwmans, T. Background Modeling using Mixture of Gaussians for Foreground Detection / T. Bouwmans, F. El Baf, B. Vachon. – A Survey. – Recent Patents on Computer Science. – November 2008. – DOI 10.2174/1874479610801030219.Bouwmans, T. Background Modeling using Mixture of Gaussians for Foreground Detection / T. Bouwmans, F. El Baf, B. Vachon. – A Survey. – Recent Patents on Computer Science. – November 2008. – DOI 10.2174/1874479610801030219.Smids, M. Background Subtraction for Urban Traffic Monitoring using Webcams / M. Smids. – P. 1–43. – Universiteit van Amsterdam, FNWI, 2006.Smids, M. Background Subtraction for Urban Traffic Monitoring using Webcams / M. Smids. – P. 1–43. – Universiteit van Amsterdam, FNWI, 2006.Синергия подходов к совершенствованию интеллектуальных транспортных систем городов в России и Белоруссии / И. Н. Пугачев, Д. В. Капский, Д. В. Навой [и др.]. – Хабаровск : Тихоокеанский государственный университет, 2020. – 230 с. – ISBN 978-5-7389-3154-3.Synergy of approaches to improving intelligent transport systems of cities in Russia and Belarus / I. N. Pugachev, D. V. Kapsky, D. V. Navoy [et al.]. – Khabarovsk : Pacific State University, 2020. – 230 p. – ISBN 978-5-7389-3154-3.Пугачев, И. Н. Совершенствование методов оценки качества и безопасности дорожного движения / И. Н. Пугачев, Н. Г. Шешера, А. В. Каменчуков. – Хабаровск : Изд-во Тихоокеанского государственного университета, 2018. – 160 с.Pugachev, I. N. Improving methods for assessing the quality and safety of road traffic / I. N. Pugachev, N. G. Sheshera, A. V. Kamenchukov. – Khabarovsk : Publishing house of the Pacific State University, 2018. – 160 p.Бурков, С. М. Задачи системного анализа и методология формирования интеллектуальной системы управления транспортным комплексом города / С. М. Бурков, Г. Я. Маркелов, И. Н. Пугачёв // Вестник Тихоокеанского государственного университета. – 2013. – № 4. – С. 83–90. – ISSN 1996-3440.Burkov, S. M. Tasks of system analysis and methodology for the formation of an intelligent control system for the city transport complex / S. M. Burkov, G. Ya. Markelov, I. N. Pugachev // Bulletin of the Pacific State University. – 2013. – No. 4. – P. 83–90. – ISSN 1996-3440.Pham, D. L. Current methods in medical image segmentation / D. L. Pham, C. Xu, J. L. Prince // Annu Rev Biomed Eng. 2000;2 : 315-37. – DOI 10.1146/annurev.bioeng.2.1.315.Pham, D. L. Current methods in medical image segmentation / D. L. Pham, C. Xu, J. L. Prince // Annu Rev Biomed Eng. 2000;2:315-37. – DOI 10.1146/annurev.bioeng.2.1.315.Koenderink, J. J. The structure of images / J. J. Koenderink // Biol Cybern. 1984 ; 50(5) : 363-70. – DOI 10.1007/BF00336961.Koenderink, J. J. The structure of images / J. J. Koenderink // Biol Cybern. 1984 ; 50(5) : 363-70. – DOI 10.1007/BF00336961.Тормозов, В. С. Подсчет и распознание автомобилей на спутниковых снимках / В. С. Тормозов // Ученые заметки ТОГУ. – 2017. – Т. 8. – № 3. – С. 126–134. – ISSN 2079-8490.Tormozov, V. S. Counting and recognition of cars on satellite images / V. S. Tormozov // Scientific notes of PSU. – 2017. – Vol. 8. – No. 3. – P. 126–134. – ISSN 2079-8490.Barrow, H. G. Interpreting line drawings as threedimensional surfaces / H. G. Barrow, J. M. Tenenbaum // Artificial Intelligence, 17(1–3), 75–116. – DOI 10.1016/0004-3702(81)90021-7.Barrow, H. G. Interpreting line drawings as threedimensional surfaces / H. G. Barrow, J. M. Tenenbaum // Artificial Intelligence, 17(1–3), 75–116. – DOI 10.1016/0004-3702(81)90021-7.Тормозов, В. С. Метод детектирования и классификации транспортных средств на спутниковых снимках сверхвысокого разрешения / В. С. Тормозов // Промышленные АСУ и контроллеры. – 2019. – № 6. – С. 18–24. – DOI 10.25791/asu.06.2019.678.Tormozov, V. S. Method of detection and classification of vehicles on ultra-high-resolution satellite images / V. S. Tormozov // Industrial ACS and controllers. – 2019. – No. 6. – P. 18–24. – DOI 10.25791/asu.06.2019.678.Пугачев, И. Н. Методика подсчета транспортных средств с использованием космических снимков высокого пространственного разрешения / И. Н. Пугачев, Г. Я. Маркелов, В. С. Тормозов // Вестник Тихоокеанского государственного университета. – 2017. – № 2 (45). – С. 13–20. – EDN ZEGASL. – ISSN 1996-3440.Pugachev, I. N. Methodology for counting vehicles using high spatial resolution satellite images / I. N. Pugachev, G. Ya. Markelov, V. S. Tormozov // Bulletin of the Pacific State University. – 2017. – No. 2 (45). – P. 13–20. – EDN ZEGASL. – ISSN 1996-3440.Пугачев, И. Н. Ускорение алгоритма детектирования транспортных средств на спутниковых снимках с помощью процедуры фильтрации гипотез / И. Н. Пугачев, Г. Я. Маркелов, В. С. Тормозов // Вестник Российского нового университета. Серия : Сложные системы : модели, анализ и управление. – 2019. – № 1. – С. 130–139. – DOI 10.25586/RNU.V9187.19.01.P.130.Pugachev, I. N. Acceleration of the algorithm for detecting vehicles on satellite images using the hypothesis filtering procedure / I. N. Pugachev, G. Ya. Markelov, V. S. Tormozov // Bulletin of the Russian New University. Series : Complex Systems : Models, Analysis and Control. – 2019. – No. 1. – P. 130–139. – DOI 10.25586/RNU.V9187.19.01.P.130.Vezhnevets, A. Avoiding boosting overfitting by removing confusing samples / A. Vezhnevets, O. Barinova // Lecture Notes in Computer Science. – 2007. – Vol. 4701 LNAI. – P. 430–441. – DOI 10.1007/978-3-540-74958-5_40.Vezhnevets, A. Avoiding boosting overfitting by removing confusing samples / A. Vezhnevets, O. Barinova // Lecture Notes in Computer Science. – 2007. – Vol. 4701 LNAI. – P. 430–441. – DOI 10.1007/978-3-540-74958-5_40.Suzuki, S. Topological Structural Analysis of Digitized Binary Images by Border Following / S. Suzuki, K. Abe // Computer Vision, Graphics, and Image Processing. Volume 30, Issue 1, April 1985. – P. 32–46. – URL: https://doi.org/10.1016/0734-189X(85)90016-7.Suzuki, S. Topological Structural Analysis of Digitized Binary Images by Border Following / S. Suzuki, K. Abe // Computer Vision, Graphics, and Image Processing. Volume 30, Issue 1, April 1985. – P. 32–46. – URL: https://doi.org/10.1016/0734-189X(85)90016-7.Золкин, А. Л. Интеллектуальная программноинформационная система для диагностирования и прогнозирования технического состояния тяговых электродвигателей / А. Л. Золкин, В. С. Тормозов, Д. В. Гридина // Известия Самарского научного центра Российской академии наук. – 2020. – Т. 22. – № 4. – С. 92–97. – DOI 10.37313/1990-5378-2020-22-4-92-97.Zolkin, A. L. Intelligent software and information system for diagnostics and forecasting the technical condition of traction electric motors / A. L. Zolkin, V. S. Tormozov, D. V. Gridina // Proceedings of the Samara Scientific Center of the Russian Academy of Sciences. – 2020. – Vol. 22. – No. 4. – P. 92–97. – DOI 10.37313/1990-5378-2020-22-4-92-97.Shadow detection algorithms for traffic flow analysis : a comparative study / A. Prati, I. Mikic, C. Grana, M. M. Trivedi. – ITSC 2001. 2001 IEEE Intelligent Transportation Systems. Proceedings (Cat. No.01TH8585), Oakland, CA, USA, 2001. – P. 340–345. – DOI 10.1109/ITSC.2001.948680.Shadow detection algorithms for traffic flow analysis : a comparative study / A. Prati, I. Mikic, C. Grana, M. M. Trivedi. – ITSC 2001. 2001 IEEE Intelligent Transportation Systems. Proceedings (Cat. No.01TH8585), Oakland, CA, USA, 2001. – P. 340–345. – DOI 10.1109/ITSC.2001.948680.Тормозов, В. С. Улучшение работы алгоритма детектирования и классификации транспортных средств на спутниковых снимках путем сокращения области поиска с использованием геоинформации о дорогах / В. С. Тормозов // Вестник Российского нового университета. Серия : Сложные системы : модели, анализ и управление. – 2019. – № 2. – С. 56–63. – DOI 10.25586/RNU.V9187.19.02.P.056.Tormozov, V. S. Improving the performance of the algorithm for detecting and classifying vehicles in satellite images by reducing the search area using geoinformation about roads / V. S. Tormozov // Bulletin of the Russian New University. Series : Complex systems : Models, Analysis and Control. – 2019. – No. 2. – P. 56–63. – DOI 10.25586/RNU.V9187.19.02.P.056.Лукьяница, А. А. Цифровая обработка видоизображений / А. А. Лукьяница, А. Г. Шишкин. – Москва : Ай-Эс-Эс-Пресс, 2009. – 518 с. – ISBN 978-5-9901899-1-1.Lukyanitsa, A. A. Digital processing of video images / A. A. Lukyanitsa, A. G. Shishkin. – Мoscow : ISS-Press, 2009. – 518 p. – ISBN 978-5-9901899-1-1.Ng, J. Y. Image-based Vehicle Classification System / J. Y. Ng, Y. H. Tay // The 11th Asia-Pacific ITS Forum and Exhibition (ITS-AP 2011), Kaoshiung, Taiwan. June 8–11, 2011. – URL: https://doi.org/10.48550/arXiv.1204.2114.Ng, J. Y. Image-based Vehicle Classification System / J. Y. Ng, Y. H. Tay // The 11th Asia-Pacific ITS Forum and Exhibition (ITS-AP 2011), Kaoshiung, Taiwan. June 8–11, 2011. – URL: https://doi.org/10.48550/arXiv.1204.2114.Numerical evaluation of the traffic flow indicators using super-resolution satellite imagery / N. Pugachev, G. Ya. Markelov, V. S. Tormozov, A. O. Nosenko // In the collection : 2019 International Multi-Conference on Industrial Engineering and Modern Technologies, FarEastCon 2019. – 2019. – DOI 10.1109/FarEastCon.2019.8934802.Numerical evaluation of the traffic flow indicators using super-resolution satellite imagery / N. Pugachev, G. Ya. Markelov, V. S. Tormozov, A. O. Nosenko // In the collection : 2019 International Multi-Conference on Industrial Engineering and Modern Technologies, FarEastCon 2019. – 2019. – DOI 10.1109/FarEastCon.2019.8934802.Пугачев, И. Н. Обучение и использование сверточной нейронной сети для детектирования и классификации транспортных средств на спутниковых снимках высокого разрешения / И. Н. Пугачев, Г. Я. Маркелов, В. С. Тормозов // Промышленные АСУ и контроллеры. – 2019. – № 10. – С. 20–25. – DOI 10.25791/asu.10.2019.933.Pugachev, I. N. Training and using a convolutional neural network for detecting and classifying vehicles in high-resolution satellite images / I. N. Pugachev, G. Ya. Markelov, V. S. Tormozov // Industrial ACS and Controllers. – 2019. – No. 10. – P. 20–25. – DOI 10.25791/asu.10.2019.933.

The authors declare that there are no conflicts of interest present.