Специальность 1-53 80 01 «Автоматизация» с профилизацией
«Анализ и управление в системах цифровой экономики» Форма получения Дневная образования Научный Кадан Александр Михайлович, руководитель доцент кафедры системного программирования и компьютерной безопасности, кандидат технических наук, доцент
В соответствии с планом подготовки магистерской диссертации, в сентябре-
октябре 2020 года было выполнено: углубленное изучение и анализ предметной области, обзор источников литературы, подготовка материала для главы 1 магистерской диссертации. Тема магистерской диссертации – детектирование движущихся объектов в видеопотоке на примере контроля уличного движения Актуальность темы. Информация, получаемая в результате обработки видеоданных математическими алгоритмами, позволяет по-новому строить логику работы всего охранного видеонаблюдения, меняя отношение к системам безопасности в целом и превращая их из простого подспорья охранной службы в решения, сосредоточившие в себе новейшие достижения науки. Научная новизна: реализовано приложение для детектирования объектов в видеопотоке, ориентированное обнаружение объектов дорожного движения. Приложение обеспечивает детектирование, трекинг, подсчёт объектов, а также вывод результатов, полученных в результате обработки кадров исходного видеофайла. Практическая значимость. Информация, получаемая в результате обработки видеоданных математическими алгоритмами, позволяет по-новому строить логику работы всего охранного видеонаблюдения, меняя отношение к системам безопасности в целом и превращая их из простого подспорья охранной службы в решения, сосредоточившие в себе новейшие достижения науки. Очевидно, что ручной подсчёт в задаче детектирования движущихся объектов в видеопотоке является весьма трудоёмким. Однако, несмотря на это уже теперь доступны системы, которые будут автоматически анализировать видеоизображения, обнаруживая машины с точностью, схожей с точностью людей, смотрящих видео. Подобный метод подсчёта транспортных средств имеет несколько преимуществ по сравнению с другими автоматическими системами. Это экономически более выгодно, так как, детектировать объекты можно для нескольких полос или выходов, а на перекрёстках нужна только одна камера. Одним из главных направлений использования системы подсчёта и анализа дорожного трафика в современных условиях является помощь в конструировании дорожной сети. Например, это нужно для корректировки расписания дорожного транспорта (автобусов и троллейбусов) в различных условиях. Например, зная статистику проезжающих машин, можно составить граф, где рёбра будут представлять собой степень загруженности в определённый момент времени [1]. При более близком анализе подобного графа может стать возможным построение расписания с наименьшими временными задержками. Так же подобная статистика, например, может помочь в составлении маршрутов такси, уменьшив тем самым время продвижения к заданной точке, которой может являться как заказчик, так и пункт его назначения. Пожалуй, самым перспективным развитием данной темы будет постановка камер для распознавания и определения степени загруженности некого участка дороги в режиме реального времени. Получая эти данные в режиме реального времени можно строить то же самое расписание уже динамически. Данная система будет стабильно работать лишь при условии, что трафик машин слабо изменяется на одном и том же участке. Что, разумеется, может быть не так: например, в случае праздников или ремонтных работах, которые могут повлиять на количество проезжающих на данном участке машин как прямо (закрыт конкретно данный участок дороги), так и косвенно (закрыт более короткий путь). На сегодняшний день уже известно несколько программ со схожими целями. Например, можно рассмотреть «Яндекс.Пробки» в качестве одной из них. Данная система весьма похожа на описанную выше, однако, способ получения информации в «Яндекс.Пробки» основан на совершенно другом принципе – на получении данных от навигаторов водителей. Данный метод не является универсальным, т.к. не учитывает транспорт без навигаторов. Однако это возможно в случае визуального наблюдения. «Яндекс.Пробки — это алгоритм, позволяющий нам анализировать дорожную ситуацию и визуализировать ее на наших картах. Алгоритм основан на пользовательских данных. Наши пользователи с установленными у них мобильными приложениями Яндекс.Карты или Яндекс.Навигатор передвигаются по городу — и приложение автоматически отправляет текущее расположение пользователя и его уникальный идентификатор на наши серверы» [2].
Литература
1. Как устроен краткосрочный прогноз на Яндекс.Пробках [Электронный ресурс] / Хабр. —
Режим доступа: https://habr.com/ru/company/yandex/blog/153631. — Дата доступа: 08.04.2020. 2. Яндекс.Карты [Электронный ресурс] / Яндекс.Карты – поиск мест и адресов, городской транспорт. — Режим доступа: https://clck.ru/NuPKW. — Дата доступа: 11.04.2020. Магистрант (подпись) Аттестация магистранта научным руководителем ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________ ______________________________________________________________________