Городские интеллектуальные транспортные системы (ИТС) в обозримом будущем помогут уменьшить городские транспортные пробки, что не только повысит комфорт и безопасность вождения, но и сократит выбросы СО2. Сегодня оценку скоростных характеристик и плотности потока проводит искусственный интеллект на основе анализа огромного массива данных различных систем наблюдения. Повысить точность анализа с помощью метода виртуальных детекторов удалось ученым МАДИ и МФТИ. Результаты работы опубликованы в научном журнале Advancing Technology for Humanity.
Использование новейших технологий, таких как беспроводные и лазерные датчики, а также датчики дорожного давления, дает возможность получать большие объемы данных для обработки, однако эти методы предъявляют высокие требования к пропускной способности интернета. Ученые предложили методику оценки машинопотока с помощью анализа данных с дорожных камер.
«Рост количества транспорта создает существенные проблемы для общества, а значит, и способы улучшения управления трафиком вызывают большой интерес у исследователей всего мира. Существуют различные формы оценки транспортной сети, каждая из которых имеет свои преимущества и недостатки. Выбрав правильный механизм оценки трафика и применяя его систематически в сочетании с другими решениями, можно снизить проблему перегруженности. Наше исследование показало реальные способы повышения точности анализа с помощью метода виртуального детектора», — рассказывает Александр Бугаев, академик РАН, заведующий кафедрой вакуумной электроники МФТИ.
Несмотря на то, что видеонаблюдение с использованием методов компьютерного зрения все больше входит в нашу жизнь, эта область исследований сталкивается со многими проблемами, такими как большое сходство характеристик автомобиля, сильная окклюзия (occlusion), то есть ситуация, когда два автомобиля на многополосной дороге расположены приблизительно на одной линии, так что тот, который находится ближе к виртуальному датчику, закрывает второй. Это приводит к частичному или полному ограничению видимости другого объекта. Также свой вклад вносят широкий выбор углов обзора и низкое разрешение исходного видео. Единого стандарта установки камер нет, что приводит к огромному количеству различных ракурсов записи. Метод виртуального детектора, разработанный учеными, позволяет собирать данные практически с любого угла съемки благодаря гибкости в настройке размера, формы и расположения детекторов.
«Для обработки мы взяли данные с двух камер: открытой на выезде со МКАД и камеры, которую мы установили в нашей учебной лаборатории в МАДИ, — из окна с выходом на Ленинградское шоссе. В результате разработанное программное обеспечение предоставляет файл, генерирующий таблицу наличия автомобиля на всех виртуальных детекторах в каждый момент времени обработки. Кадр, содержащий автомобиль, фиксировался в ячейке цифрой 1, в противном случае ставился 0. Проверка с помощью ручного подсчета показала ошибку 9% на первой камере и 13% на второй», — рассказала об исследовании Марина Яшина, завкафедрой высшей математики Московского автомобильно-дорожного государственного технического университета (МАДИ).
Ученые пришли к выводу, что основные причины ложного срабатывания были связаны с наличием на видео тени от другого автомобиля, разных оттенков цвета (в основном на первой камере), пересечением грузового и пассажирского транспорта, срабатыванием сразу нескольких детекторов (в основном на второй камере), бликами от солнца и тенями от облаков (обе камеры). Отрицательные результаты получены в основном по двум причинам: автомобиль в оттенках серого по цвету близок к цвету дороги (обе камеры), грузовой и пассажирский транспорт может прикрывать легковая машина (в основном на второй камере).
Метод компьютерного зрения для подсчета транспортных средств на основе видео — действительно многообещающий. Ошибки обработки могут быть решены при более точном расположении камер и применении фильтров для различных временных и погодных условий. Технологические возможности камер постоянно совершенствуются, и метод виртуального детектора дает возможность оптимизировать обработку данных транспортного трафика в режиме реального времени.
