В работе представлен подход к определению факта нарушения правил дорожного движения на основании анализа траектории транспортного средства на видеоизображении. В качестве примера в статье исследовался факт запрещенного левого поворота. Данный подход реализован в соответствующем программном комплексе поддержки принятия решений. В качестве детектора объектов в предложенном подходе применена архитектура нейронной сети YOLO, для распознавания номерных знаков применена нейронная сеть LPRNet, для ускорения вычислений путем прореживания точек траекторий использован алгоритм Рамера-Дугласа-Пекера. На примере запрещенного левого поворота исследован ряд классификаторов: SVM, GaussianNB, алгоритм k-средних, деревья решений, Random Forest. Указанные классификаторы могут быть применены для определения принадлежности траекторий к классу траекторий, нарушающих правила дорожного движения. По результатам вычислительных экспериментов установлено, что метод опорных векторов имеет наибольшую точность среди исследуемых классификаторов (около 95 %). Отмечено снижение вычислительных затрат за счет использования алгоритма прореживания траектории и легковесных моделей нейронных сетей. На примере детекции факта левого поворота представлены возможности интеграции разработанной системы поддержки принятия решений в работу Центров автоматизированной фиксации административных правонарушений.
1. 1Минниханов Р.Н., Махмутова А.З., Сабиров А.И. ИТС среда Республики Татарстан для обеспечения безопасности дорожного движения. Современная наука. 2021;3:92–96.
2. Габдурахманов Л.Р., Минниханов Р.Н., Тинчурин Р.Ф. Интеллектуальные транспортные системы – современная концепция обеспечения безопасности дорожного движения. Научный портал МВД России. 2022;1:41–50.
3. Аникин И.В., Минниханов Р.Н., Дагаева М.В., Махмутова А.З., Марданова А.Р. Анализ траекторий движения автотранспортных средств на потоковом видео. Вестник НЦБЖД. 2021;4:24–33.
4. Аникин И.В., Марданова А.Р. Выявление аномальных траекторий движения транспортных средств на видеоизображениях. Математические методы в технологиях и технике. 2021;1:83–87.
5. Minnikhanov R.N., Anikin I.V., Mardanova A.R., Dagaeva M.V., Makhmutova A.Z., Kadyrov A.R. Evaluation of the Approach for the Identification of Trajectory Anomalies on CCTV Video from Road Intersections. Mathematics. 2022;10(388):1–20.
6. Koetsier C., Busch S., Sester M. Trajectory Extraction for Analysis of Unsafe Driving Behaviour. ISPRS-Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci. 2019;42:1573–1578.
7. Ahmed S.A., Dogra D.P., Kar S., Roy P.P. Trajectory-Based Surveillance Analysis: A Survey. IEEE Trans. Circuits Syst. Video Technol. 2019;29:1985–1997.
8. Chandola V., Banerjee A., Kumar V., Anomaly Detection: A Survey. ACM Comput. Surv. 2009;41:1–58.
9. Santhosh K.K., Dogra D.P., Roy P.P. Anomaly Detection in Road Traffic Using Visual Surveillance: A Survey. ACM Comput. Surv. 2021;54:1–26.
10. Redmon J., Divvala S., Girshick R., Farhadi A. You Only Look Once: Unified, Real-Time Object Detection. 2016. Доступно по: https://export.arxiv.org/abs/1506.02640v5 (дата обращения: 10.09.2022).
11. Lowe D.G. Object recognition from local scale-invariant features. Proceedings of the International Conference on Computer Vision. 1999;2:1150–1157.
12. Ester M., Kriegel H.P., Sander J., XiaoweiXu A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining. 1996:226–231.
13. Zherzdev S., Gruzdev A. LPRNet: License Plate Recognition via Deep Neural Networks; 2018. Доступно по: https://export.arxiv.org/abs/1806.10447 (дата обращения: 10.09.2022).
14. Douglas D.H., Peucker T.K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. Cartogr. Int. J. Geogr. Inf. Geovisualization. 1973;10:112–122.
15. Liu S.W.T.T., Ngan H.Y.T., Ng M.K., Simske S.J. Accumulated Relative Density Outlier Detection for Large Scale Traffic Data. Electron. Imaging. 2018;9:1–10.
16. D’Acierno A., Saggese A., Vento M. Designing Huge Repositories of Moving Vehicles Trajectories for Efficient Extraction of Semantic Data. IEEE Trans. Intell. Transp. Syst. 2015;16:2038–2049.
17. 17. Lam P., Wang L., Ngan H.Y.T., Yung N.H.C., Yeh A.G.O. Outlier Detection in Large-scale Traffic Data by Naïve Bayes Method and Gaussian Mixture Model Method. IS&T Int’l Sym. Electronic Imaging. 2017;6:73–78.
18. 18. Khasanova A., Makhmutova A., Anikin I. Image denoising for video surveillance cameras based on deep learning techniques. Proceedings – 2021 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2021. 2021:713–718.
Минниханов Рифкат Нургалиевич
доктор технических наук, Профессор
ORCID |
ГБУ «Безопасность дорожного движения»
Казань, Российская Федерация
Аникин Игорь Вячеславович
доктор технических наук, профессор
ORCID |
Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ
Казань, Российская Федерация
Дагаева Мария Витальевна
ORCID |
ГБУ «Безопасность дорожного движения»
Казань, Российская Федерация
Чернышевский Павел Андреевич
ORCID |
ГБУ «Безопасность дорожного движения»
Казань, Российская Федерация
Кадыров Азат Русланович
ORCID |
ГБУ «Безопасность дорожного движения»
Казань, Российская Федерация
