The paper presents an approach to intelligent transport systems based on advanced machine learning algorithms, the purpose of which is to estimate the traffic flow throughout the entire road network
traffic flow, intensity estimation, low quality data, video surveillance, algorithm
Рассмотрим вариант интеллектуальной транспортной системы на основе веб-камер, который прост, имеет минимальные затраты и предлагает достаточные функциональные возможности [1]. Подход к безкалибровочному анализу изображений низкого качества для подсчета транспортных средств состоит из двух этапов: извлечение данных и их подсчет. Так как веб-камеры анализируются независимо, алгоритм разберём для изображений с одной веб-камеры.
Первый этап – извлечение данных. Пусть N – количество изображений камеры (все изображения имеют одинаковые M пикселей, и каждый из пикселей принимает целое число из 256 уровней яркости). Набор данных представлен как:
Целью этапа является извлечение данных x ∈ R из необработанного изображения z ∈ {0, …, 255}M такого, что x соответствует грубой оценке количества транспортных средств. Исходное изображение переводят в бинарное. После этого функция x вычисляется как отношение белых пикселей к общему количеству пикселей:
где
Оптимальный порог
где
Рассмотрим второй этап: схему вероятностного подсчета. Учитывая оптимизированный порог
На практике рекомендуется дополнительно стандартизировать функцию до подгонки модели. Часть подсчета транспортных средств состоит из двух этапов. Во-первых, находим прогностическое распределение для признака x в форме смешанной модели Гаусса:
где d – количество транспортных средств; ⊤ – транспонирование;
Функция
Во-вторых, для нового наблюдения
В результате байесовского подхода компоненты, не относящиеся к данным, автоматически удаляются из модели [2]. Функция максимизации одномерно оценивает результаты всего около десяти раз, что незначительно с точки зрения вычислительных затрат. Алгоритм может работать в режиме реального времени при обновлении изображений, которое обычно происходит каждые несколько секунд. Уравнения для нахождения параметров модели включают только простые операции с матрицей и вектором, и их чрезвычайно легко реализовать.
1. Lebedeva, O. A. Povyshenie effektivnosti raboty transportnoy seti posredstvom primeneniya intellektual'nyh sistem / O. A. Lebedeva // Vestnik Angarskogo gosudarstvennogo tehnicheskogo universiteta. 2018. № 12. S. 189-191.
2. Lebedeva, O. A. Bayesovskiy metod ocenki matricy korrespondenciy / O. A. Lebedeva, A. Yu. Mihaylov // Sbornik nauchnyh trudov № 6 «Tehnologiya, organizaciya i upravlenie avtomobil'nymi perevozkami. Teoriya i praktika». FGBOU VPO «SibADI». 2013. S. 56-58.