俄羅斯科學家研發基于AI的交通監控系統 無需特定設備即時處理數據

據外媒報道，來自俄羅斯南烏拉爾州立大學的科學家開發出一種獨特的智能系統，通過使用人工智能來監控交通流量，并且可以在幾乎任何類型的攝像頭上工作，而無需特殊的記錄設備。與現有的處理實時接收數據的程序不同，處理過程會延遲10到15分鐘，而這個系統可以立即處理這樣的數據。

交通擁堵解決方案南烏拉爾國立大學理工學院汽車運輸系副教授兼項目經理弗拉基米爾·謝佩利夫(Vladimir Shepelev)表示:“我們提出并實現了一種基于最新車輛檢測和跟蹤技術的現代交通流評價系統。與現有同類系統不同的是，該系統可以實時識別和分析車輛的運動方向，最大相對誤差小于10%，而最相似的系統只能確定一個方向車輛的速度和類型，在攝像頭的幫助下，準確率可以達到80%到90%。通過使用神經網絡，該系統可以在十字路口生成多達400個交通參數。”這種獨特的AIMS監控系統可以收集、解釋和傳輸有關道路交通密度的數據，對10種類型的車輛進行分類，測量速度，判斷十字路口各個方向的當前負載水平，并確定車輛的下一個行駛方向。同時，只需要一個全高清閉路電視攝像頭，就可以實時識別路口的目標。謝佩利夫說:“這項研究的結果可以被城市當局用來提高十字路口的整體通行能力。而且，我們已經在車里雅賓斯克的幾個路口驗證了該系統足夠準確，可以作為其他先進模型的基礎。”這種創新技術可以提供關于交通流結構、車輛方向和速度的實時數據，使用數據挖掘技術可以幫助實現高效的交通模式、減少交通擁堵和改善資源管理。

目前，用于分析城市交通的神經網絡往往依賴于使用昂貴的傳感器來連續收集數據，或者對交通進行可視化研究，通常在幾天內的某個時間段內連續測量交通。然而，交通服務仍然不能接收關于交通流結構、密度、速度和移動方向的正確和準確的信息。謝佩利夫說:“我們管理的神經網絡將處理大量視頻數據，不僅可以檢測和跟蹤車輛，還可以分析事件的順序。在開發這項技術的過程中，我們采用了開源的Mask R-CNN(卷積神經網絡)和YOLOv3神經網絡架構來實時檢測目標，還采用了SORT目標跟蹤算法。該團隊修改了算法的代碼，以提高目標跟蹤的質量。”基于人工智能的嵌入式分析模塊可以確定交叉口交通組織的水平，并為每個交叉口分配性能指標(KPI )(用于測量)。提高效率并降低監控成本。通過優化YOLOv3神經網絡算法，南烏拉爾國立大學的科學家可以在跟蹤時將丟失的目標考慮在內，目標跟蹤精度達到95%，大大降低了實時監控設備的成本。謝佩利夫說:“具有機器視覺的人工智能技術可以將道路交通數據的收集和分析提高到一個新的水平，并大大提高識別車輛的可靠性。此外，我們的深度學習網絡易于配置，幾乎可以在任何類型的相機上工作，無需特殊的記錄設備。”南烏拉爾國立大學科學家開發的這項技術將提高城市道路基礎設施的效率。在不久的將來，人工智能監控道路交通的技術將成為車里雅賓斯克可持續公共交通項目的一部分。(文中圖片均來自南烏拉爾國立大學)據外媒報道，俄羅斯南烏拉爾國立大學的科學家開發出一種獨特的智能系統，通過使用人工智能來監控交通流量，幾乎可以在任何類型的攝像頭上工作，而無需特殊的記錄設備。與處理實時接收數據的現有程序不同，處理過程會延遲10到15分鐘，而該系統可以處理這樣的數據……ata立即。

交通擁堵解決方案南烏拉爾國立大學理工學院汽車運輸系副教授兼項目經理弗拉基米爾·謝佩利夫(Vladimir Shepelev)表示:“我們提出并實現了一種基于最新車輛檢測和跟蹤技術的現代交通流評價系統。與現有同類系統不同的是，該系統可以實時識別和分析車輛的運動方向，最大相對誤差小于10%，而最相似的系統只能確定一個方向車輛的速度和類型，在攝像頭的幫助下，準確率可以達到80%到90%。通過使用神經網絡，該系統可以在十字路口生成多達400個交通參數。”這種獨特的AIMS監控系統可以收集、解釋和傳輸有關道路交通密度的數據，對10種類型的車輛進行分類，測量速度，判斷十字路口各個方向的當前負載水平，并確定車輛的下一個行駛方向。同時，只需要一個全高清閉路電視攝像頭，就可以實時識別路口的目標。謝佩利夫說:“這項研究的結果可以被城市當局用來提高十字路口的整體通行能力。而且，我們已經在車里雅賓斯克的幾個路口驗證了該系統足夠準確，可以作為其他先進模型的基礎。”這種創新技術可以提供關于交通流結構、車輛方向和速度的實時數據，使用數據挖掘技術可以幫助實現高效的交通模式、減少交通擁堵和改善資源管理。

目前，用于分析城市交通的神經網絡往往依賴于使用昂貴的傳感器來連續收集數據，或者對交通進行可視化研究，通常在幾天內的某個時間段內連續測量交通。然而，交通服務仍然不能接收關于交通流結構、密度、速度和移動方向的正確和準確的信息。謝佩利夫說:“我們管理的神經網絡將處理大量視頻數據，不僅可以檢測和跟蹤車輛，還可以分析事件的順序。在開發這項技術的過程中，我們采用了開源的Mask R-CNN(卷積神經網絡)和YOLOv3神經網絡架構來實時檢測目標，還采用了SORT目標跟蹤算法。該團隊修改了算法的代碼，以提高目標跟蹤的質量。”基于人工智能的嵌入式分析模塊可以確定交叉口交通組織的水平，并為每個交叉口分配性能指標(KPI )(用于測量)。提高效率并降低監控成本。通過優化YOLOv3神經網絡算法，南烏拉爾國立大學的科學家可以在跟蹤時將丟失的目標考慮在內，目標跟蹤精度達到95%，大大降低了實時監控設備的成本。謝佩利夫說:“具有機器視覺的人工智能技術可以將道路交通數據的收集和分析提高到一個新的水平，并大大提高識別車輛的可靠性。此外，我們的深度學習網絡易于配置，幾乎可以在任何類型的相機上工作，無需特殊的記錄設備。”南烏拉爾國立大學科學家開發的這項技術將提高城市道路基礎設施的效率。在不久的將來，人工智能監控道路交通的技術將成為車里雅賓斯克可持續公共交通項目的一部分。(文中圖片均來自南烏拉爾國立大學)

標簽：現代

汽車資訊熱門資訊