Разработчики: | НИТУ МИСиС (Национальный исследовательский технологический университет), Ситилабс |
Дата последнего релиза: | 2023/09/08 |
Отрасли: | Транспорт |
Технологии: | Системы безопасности и контроля автотранспорта, Системы видеоаналитики |
Основная статья: Видеоаналитика (термины, сферы применения, технологии)
2023: Оптимизация алгоритмов камер видеонаблюдения
Ученые Университета науки и технологий МИСИС совместно со специалистами компании «Ситилабс» усовершенствовали алгоритмы камер видеонаблюдения, определяющие смазанные и засвеченные номера автомобилей. Предварительная классификация качества изображения существенно экономит вычислительные ресурсы и повышает точность работы всей системы видеонаблюдения. Модули кроссплатформенные, их можно установить на различные устройства. Эта разработка может быть с успехом использована, как на дорогах общего назначения, так и на некоторых горнопромышленных объектах. Об этом 7 сентября 2023 года сообщил университет.
Одной из важных задач, возникающих при анализе дорожно-транспортных ситуаций, в том числе и в условиях технологических дорог, является идентификация конкретного автомобиля по государственному регистрационному знаку. Зачастую из-за высокой скорости машины, яркого света фар, запылённости, а также недостаточных возможностей камеры машины распознаются некорректно. Своевременное отсеивание заведомо некорректных изображений номеров позволяет не задействовать впустую вычислительные ресурсы для распознавания, а также снижает вероятность ошибочного распознавания.
Для определения степени засвеченности автомобильного номера специалисты предлагают использовать анализ гистограммы яркостей. Для детектирования как транспортных средств, так и автомобильных номеров используется хорошо известная нейронная сеть yolo-v5.
![]() | Для идентификации автомобилей и номеров при обучении нейронных сетей формировались датасеты с учетом времени суток, сезонности и погоды. После определения области гос.знаков на изображении, выбранный участок из трехмерного цветового пространства RGB сводится к одномерному «серому». После подсчета гистограммы выделяется та ее часть, которая будет отвечать за «пересвеченность», таким образом, 95,7% номеров верно классифицировались как засвеченные. Для определения степени смазанности была построена нейронная сеть с архитектурой, которая обеспечивает точность классификации 96,4% при минимальном времени обработки 0,073 мc на ПК, - сказал д.т.н. Игорь Тёмкин, заведующий кафедрой автоматизированных систем управления (АСУ) НИТУ МИСИС. | ![]() |
Отдельной задачей в ходе работы над нейронной сетью для определения смазанности было создание датасета для обучения. Условия, при которых изображения получаются смазанными, являются специфичными, и чтобы отобрать из огромного количества данных те, которые были пригодны для класса смазанных номеров, уходит большое количество времени.Сергей Петренко, МТС RED: ИБ-игроки строят экосистемы, чтобы обеспечить заказчика интегрированными средствами защиты
Разработанный алгоритм, помимо классификации на читаемые и нечитаемые изображения, дает также количественную оценку степени смазанности и засвеченности. Эти данные в свою очередь могут быть использованы для корректировки параметров камеры, таких, как значение выдержки и диафрагмы, что позволит повысить качество последующих кадров.
![]() | На промышленных предприятиях системы стационарного видеонаблюдения находят достаточно широкое применение. Идентификация самосвалов на основе анализа видеокадров актуальна для контроля за въездом, выездом и перемещением транспорта по карьерам, в которых добываются нерудные строительные материалы: щебень, песок, гравий. При этом к точности распознавания номеров предъявляются достаточно жесткие требования, - отметил соавтор разработки Владислав Епифанов, аспирант кафедры АСУ Университета МИСИС. | ![]() |
В ходе экспериментов предложенные подходы показали свою эффективность на различных устройствах, таких как ПК и микрокомпьютер Nvidia Jetson Nano. Предложенные методы применимы к использованию как в серверных решениях, так и в мобильных «коробочных» решениях, где камера и вычислительное устройство представляют собой единое устройство.
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Подрядчики-лидеры по количеству проектов
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение вендоров по количеству проектов внедрений (систем, проектов) с учётом партнёров
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
Распределение систем по количеству проектов, не включая партнерские решения
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)
![](/skins/ta/img/0.gif)