TrafficData

Анализ транспортного потока по видео с помощью компьютерного зрения

Публикации

Анализ транспортного потока по видео с помощью компьютерного зрения

Журнал «Дорожная держава»

Впервые в России транспортно-экономические изыскания были выполнены с применением компьютерного зрения в рамках проектирования объекта «Северный обход г. Перми», выполняемого ОАО «Институт Гипростроймост». Учет интенсивности движения осуществлялся посредством видеосъемки с беспилотного летального аппарата и последующего анализа видеоматериалов с помощью программного комплекса TrafficData.

С приходом в нашу жизнь квадрокоптеров появилась возможность фиксировать на видео целые развязки, что позволяет отслеживать движение автомобилей по всем направлениям. Однако обработка таких видеоматериалов вручную представляет определенную сложность. Развитие технологий компьютерного зрения и машинного обучения позволило автоматизировать данную задачу.

С помощью TrafficData существенно снижаются трудозатраты на сбор данных о транспортных потоках для перекрестка, участка дороги. В результате этого в рамках обычных транспортно-экономических изысканий удается вывести реальное распределение интенсивности в течение всего дня. Теперь нет необходимости пользоваться коэффициентами неравномерности для определения среднесуточной интенсивности, приведенными в [1]. Известно, что данные коэффициенты определены на основе замеров, выполненных на МКАД с помощью датчиков [2]. По существу, эти данные являются частным случаем и не могут использоваться повсеместно. Таким образом, автоматизируется сбор данных на перекрестке или участке дороги, например, с целью микромоделирования транспортных потоков.

Анализ зависимости результатов видеоаналитики от качества исходных данных

Очевидно, что качество результата зависит от качества видео материалов, загружаемых в ПО TrafficData. Определим пределы возможностей TrafficData. Согласно [7], анализ транспортного потока считается валидным, если его точность не ниже 85%. Точность анализа определим как соотношение количества детектированных и верно типизированных транспортных средств к общему количеству. То есть, во-первых, автомобиль нужно детектировать, во-вторых, отнести в соответствующую группу. А в-третьих, для того чтобы определить интенсивность по направлениям, необходимо построить траекторию движения автомобиля, то есть определить, куда этот автомобиль переместился на следующем кадре. Рассмотрим, какие требования должны соблюдаться для реализации этих функций.

  1. Размер автомобиля в кадре
    Автомобиль различим для нейронной сети, если он различим для человека. Как правило, это достигается условием, что минимальный размер автомобиля не должен быть менее 10 пикселов. Размер автомобиля в пикселах зависит отрасстояния до объекта и разрешения камеры. Мы вывели для себя следующую зависимость требуе-мого разрешения от расстояния до детектируемого объекта:
  2. Количество кадров в секунду
    За время смены кадров автомобиль не должен проезжать расстояние более своей длины. Обычно это можно гарантировать при частоте в 25 кадров в секунду. Если при смене кадров автомобиль проезжает больше своей длины, то возможны разрывы траектории, что может ухудшить качество подсчета интенсивности движения по направлениям. Но поскольку ПО TrafficData имеет встроенные функции интерполяции движения объектов, о которых будет сказано ниже, то с помощью тестирования было определено, что приемлемое качество построения треков достигается уже при 15 кадрах в секунду.
  3. Перекрытие объектов
    Транспортные средства и пешеходы могут перекрываться друг другом и сторонними объектами (мостами, дорожными знаками, деревьями и пр.), что также может вызывать разрывы. При анализе развязок потеря траектории автомобиля при проезде под путепроводом – это серьезная проблема, так как в этом случае мы теряем возможность определить матрицу корреспонденции транспортного потока для данной развязки (см. рис. 1b). Именно эта проблема и решена в ПО TrafficData с помощью прогнозирования зоны появления автомобиля при перекрытии на основе информации о его скорости движения и интерполяции его траектории. Так же легко ПО справляется и с другими локальными препятствиями (деревья, знаки, столбы, рекламные щиты).
    Однако при работе с видео, на которых записано движение на перекрестке с высоты менее 5 м, могут возникнуть перекрытия автомобилей друг другом. И если эти автомобили похожи, то трек может перескакивать с одного автомобиля на другой. Разработчики TrafficData обещали решить эту проблему в ближайшем релизе.
  4. Условия съемки
    Съемка в темное время суток. Оказалось, это не является проблемой. Нейронные сети TrafficData обучены работать и ночью при свете фар, и с камерами ночного видения с качеством порядка 95% (см. рис. 2).
    Неподвижность камеры. В случае значительных подвижек камеры, что возможно при съемке «с рук» или в ветреную погоду с квадрокоптера, траектории движения автомобилей будут искажаться. В этом случае расставить створы для вычленения направлений будет проблематично. Если подвижки плавные и не более 50°, то вопрос решается встроенной функцией стабилизации видео. В противном случае некачественный кусок видео лучше вырезать. Качество картинки. Есть ряд помех, которые не позволяют сделать качественную обработку видео. Это могут быть засветы, блики, капли, грязь, неверно настроенный фокус изображения, неправильно выставленная выдержка, которая приводит к смазыванию изображения. Также к этой группе можно отнести артефакты передачи видеосигнала при работе видео в потоковом режиме. В общем, если автомобиль нельзя рассмотреть на видео человеческим глазом, то его не распознает и нейросеть, поскольку размечается она с помощью того же человеческого глаза. При соблюдении указанных выше условий качество видеоаналитики ПО TrafficData варьировалось от 83% до 96%. Нижняя граница достигалась при обработке видео с камер наблюдения вследствие периодически возникающих перекрытий объектов, тогда как видео с БПЛА почти всегда обеспечивало качество свыше 90%.

Перспективы рассмотренного подхода с точки зрения развития ИТС

«Институт Гипростроймост» рассматривает три способа повышения мобильности населения:

  • строительство новых развязок;
  • улучшение организации дорожного движения;
  • адаптивное регулирование.

Самым затратным является, естественно, первый, но всегда ли он оказывается самым эффективным? Понятно, что без него не обойтись, когда транспортная система исчерпала свои возможности по пропускной способности. Однако в большинстве случаев имеющаяся транспортная сеть не используется на максимум своей эффективности, так как она не сбалансирована, не отрегулирована.
Поэтому оптимизация дорожного движения путем создания ИТС уже давно привлекает инженеров как экономичный и эффективный способ решения транспортных проблем. К сожалению, ранее не хватало технологий, позволяющих реализовать оптимальное использование УДС в полной мере. Сегодня ситуация изменилась. С появлением в нашей жизни компьютерного зрения мы можем с помощью обычных камер видеонаблюдения более взвешенно принимать решение о новом строительстве и прибегать к нему уже после того, как добьемся максимума эффективности УДС посредством оптимизации транспортных потоков.


Литература
1. ОДМ 218.2.020-2012 «Методические рекомендации по оценке пропускной способности автомобильных дорог». ФДА Росавтодор,
Москва, 2012.
2. Менделеев Г. А. Закономерности изменения во времени интенсивности городского автомобильного движения. Дисс. на соискание
звания канд. техн. наук. 2001.
3. Приказ Минтранса РФ от 18 апреля 2019 г. № 114 «Об утверждении порядка мониторинга дорожного движения».
4. Приказ Минтранса РФ от 26 декабря 2018 г. № 479 «Об утверждении методических рекомендаций по разработке и реализации меро-
приятий по организации дорожного движения в части расчета значений основных параметров дорожного движения».
5. СП 34.13330.2012 «Автомобильные дороги».
6. СП 396.1325800.2018 «Улицы и дороги населенных пунктов. Правила градостроительного проектирования».
7. Сильянов В. В. Теория транспортных потоков в проектировании дорог и организации движения. М.: Транспорт, 1977.