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.
The paper proposes the approach for detecting the traffic violations based on illegal vehicle’s trajectory on video streams. As an example of such violations, illegal left turn is considered. This approach was implemented in a decision support system. YOLO neural network was employed as an object detector as part of the approach, LPRNet network for license plate recognition, and Ramer-Douglas-Pecker algorithm for the trajectory thinning. Using the example of the illegal left turn, a number of classifiers was studied: SVM, GaussianNB, KNeighbors, Decision Tree, Random Forest сlassifiers. These classifiers can be utilized to identify trajectories that violate road traffic regulations. Numerical experiments demonstrate that the SVM has about 95 % of classification accuracy among other algorithms. The computational cost also decreased due to the use of the trajectory thinning algorithm and lightweight neural network models. The capabilities of decision support system integration into the Centre for Automated Recording of Traffic Offences were illustrated by the example of left turn detection.
The authors declare that there are no conflicts of interest present.