Разработка и анализ системы мониторинга дорожного движения, основанной на технологиях машинного зрения и методах кластерного анализа
https://doi.org/10.46973/0201-727X_2024_4_134
Аннотация
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.
Об авторах
И. Н. Пугачев
Хабаровский Федеральный исследовательский центр Дальневосточного отделения Российской академии наук (ХФИЦ ДВО РАН);
Дальневосточный государственный университет путей сообщения (ДВГУПС)
Россия
Россия
Пугачев Игорь Николаевич, заместитель директора по научной работе;
кафедра «Изыскания и проектирования железных и автомобильных дорог», доктор технических наук, профессор
В. С. Тормозов
Тихоокеанский государственный университет
Россия
Россия
Тормозов Владимир Сергеевич, кандидат технических наук, доцент высшей школы кибернетики и цифровых технологий
Список литературы
1. 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.
2. Smids, M. Background Subtraction for Urban Traffic Monitoring using Webcams / M. Smids. – P. 1–43. – Universiteit van Amsterdam, FNWI, 2006.
3. 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.
4. 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.
5. 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.
6. 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.
7. Koenderink, J. J. The structure of images / J. J. Koenderink // Biol Cybern. 1984 ; 50(5) : 363-70. – DOI 10.1007/BF00336961.
8. 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.
9. 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.
10. 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.
11. 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.
12. 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.
13. 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.
14. 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.
15. 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.
16. 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.
17. 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.
18. 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.
19. 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.
20. 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.
21. 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.
Рецензия
Для цитирования:
Пугачев И.Н., Тормозов В.С. Разработка и анализ системы мониторинга дорожного движения, основанной на технологиях машинного зрения и методах кластерного анализа. Вестник Ростовского государственного университета путей сообщения. 2024;(4):134-145. https://doi.org/10.46973/0201-727X_2024_4_134
For citation:
Pugachev I.N., Tormozov V.S. Development and analysis of a road traffic monitoring system based on machine vision technologies and cluster analysis methods. Vestnik Rostovskogo Gosudarstvennogo Universiteta Putej Soobshcheniya. 2024;(4):134-145. (In Russ.) https://doi.org/10.46973/0201-727X_2024_4_134
Просмотров:
12
JATS XML
Послать статью по эл. почте 