Вы находитесь на странице: 1из 3

ОТЧЕТ

О ВЫПОЛНЕНИИ ИНДИВИДУАЛЬНОГО ПЛАНА РАБОТЫ


МАГИСТРАНТА Волковского Е.С.

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
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________
______________________________________________________________________

Научный руководитель
(подпись)

Решение кафедры по результатам


отчета_________________________________________________________________
______________________________________________________________________
______________________________________________________________________

Утвержден на заседании кафедры системного программирования и


компьютерной безопасности

протокол заседания

№_________от__________20__г.