TRAFFIC FLOW EVALUATION USING LOW-QUALITY VIDEO SURVEILLANCE DATA
Abstract and keywords
Abstract (English):
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

Keywords:
traffic flow, intensity estimation, low quality data, video surveillance, algorithm
Text
Publication text (PDF): Read Download

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:

D0=zn0,1,2,…,255Mn=1,…,N                             (1)

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:

x=1Mi=1MIzik* ,                                       (2)

где k*  – порог бинаризации, I  – индикаторная функция, которая дает 1, когда аргумент верен, и 0 – в противном случае.

Оптимальный порог k*  определяется путем решения следующей оптимизационной задачи:

k*=argmaxkl1k-l 2P1k+l2k-l 2P2k ,                         (3)

где l  – значение яркости;  l  – средние значения яркости.

Рассмотрим второй этап: схему вероятностного подсчета. Учитывая оптимизированный порог k* , данные  D0 преобразуются в:

DxnRn=1,…,N                                             (4)

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:

px/D=d=0DπdxNxmϕd,σd2  ,                          (5)

где d – количество транспортных средств; – транспонирование; ϕd1d ; N  – Гауссово распределение.

Функция πdx , и коэффициенты m определяются по данным. Количество D  рассматривается как заданная константа и в дальнейшем фиксируется как D=N , для достижения достаточно большого значения. Дисперсия σd2 задается как функция других параметров модели.

Во-вторых, для нового наблюдения x=x'  соответствующее количество транспортных средств d'  определяется выражением:

d'=argmaxdπdx'Nx'mϕd,σd2                            (6)

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.

References

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.

Login or Create
* Forgot password?