Новая методика дает возможность генерировать полные данные управления трафиком в реальном времени
В Южно-Уральском государственном университете решили проблему измерения скорости автотранспорта при использовании интеллектуальных транспортных систем (ИТС). Они представляют собой развернутые уличные сенсорные сети, использующие обзорные камеры для получения цифровых данных из визуального потока.
Точность подсчета и определения транспортных средств требует корректировки. В случае с измерением скорости транспорта процесс осложняется большим количеством возможных траекторий движения, а также направлением центра обзора камеры, которое не перпендикулярно траекториям движения транспортных средств.
Целью исследования ученых ЮУрГУ была разработка системы качественного и полного сбора данных в режиме реального времени, таких как интенсивность транспортного потока, направления движения и средняя скорость движения транспортного средства.
«Данные собираются в пределах всей функциональной зоны перекрестков и прилегающих участков дорог, которые попадают в зону действия камер уличного видеонаблюдения. Наше решение основано на использовании архитектуры нейронной сети YOLOv3 и трекера с открытым исходным кодом sort. Основные характеристики YOLO были улучшены с помощью дополнительной ветви маски и оптимизации формы якорей», — рассказал кандидат технических наук, доцент кафедры «Автомобильный транспорт» Автотранспортного факультета Политехнического института ЮУрГУ Владимир Шепелёв.
Скорость транспортного средства рассчитывалась из соотношения между пикселями изображения и шириной дороги, а координаты исходного автомобиля преобразовывались в географические. Метод протестировали ночью и днем на шести перекрестках Челябинска. Абсолютная процентная точность подсчета транспортных средств составила не менее 92%, а погрешность определения скорости автомобиля не превышала 1,5 километра.
В результате ученые получили методику, которая дает возможность генерировать полные и качественные данные управления трафиком в реальном времени, снижая требования к периферийному оборудованию. Технологию смогут применять в городах, где существуют проблемы с регулированием трафика, для их быстрого и эффективного решения.
