Система видеонаблюдения: точное обнаружение дальних машин

Аварии на дорогах часто происходят из-за того, что водители своевременно не замечают другие транспортные средства. Новое исследование, опубликованное в журнале IEEE Open Journal of Intelligent Transportation Systems, представляет метод обнаружения удаленных автомобилей с точностью более чем в два раза превосходящей существующие системы.

Вместо анализа дорожной разметки, система анализирует движение близлежащих транспортных средств для оценки траектории дороги и точки схода, охватывая удаленные участки дороги. Увеличивая удаленные области, система может более точно обнаруживать дальние машины, тем самым повышая безопасность, предоставляя информацию об удаленных автомобилях водителям и пешеходам.

Опасности перекрестков и потребность в инновациях

Перекрестки являются одними из самых непредсказуемых мест на городских дорогах. Водителям может быть сложно заметить приближающиеся автомобили, а пешеходы часто неправильно оценивают, когда безопасно переходить дорогу. В Японии почти половина всех дорожно-транспортных происшествий происходит на перекрестках, что подчеркивает острую необходимость в более интеллектуальных системах, которые могут повысить видимость и безопасность.

Команда исследователей из Технологического института Сибаура (SIT) в Токио, Япония, во главе с профессором Чинтакой Премачандрой, разработала новую технику для точного распознавания удаленных автомобилей. Большинство современных методов обнаружения транспортных средств полагаются на алгоритмы глубокого обучения, которые требуют мощных вычислительных систем. Однако эти методы часто испытывают трудности, когда автомобили кажутся маленькими или нечеткими на расстоянии. Новый метод предлагает более простой и практичный подход: он анализирует движение близлежащих автомобилей, чтобы предсказать, где дорога уходит вдаль.

«Большинство систем обнаружения хорошо работают для автомобилей, находящихся близко к камере, но их точность резко падает для более удаленных объектов», — поясняет профессор Премачандра. «Мы хотели преодолеть это ограничение с помощью простого подхода, который не требует больших наборов данных или сложных нейронных сетей».

Система анализирует непрерывную видеозапись дороги и отслеживает движение близлежащих автомобилей от кадра к кадру. Картируя эти движения — называемые траекториями — она оценивает точку схода дороги, или область, где дорога сужается к горизонту. После идентификации этой области система цифровым образом увеличивает ее, делая удаленные автомобили более заметными. Затем система использует математическую модель, известную как Гауссовская смесь, для обнаружения движущихся автомобилей на увеличенном изображении. Этот процесс помогает выявить даже крошечные, далекие машины, которые в противном случае могли бы остаться незамеченными, — и все это с использованием стандартной камеры и скромных вычислительных мощностей.

Тестирование, производительность и будущие применения

В тестах, проведенных как днем, так и ночью, метод продемонстрировал более чем в два раза большую точность обнаружения по сравнению с традиционными системами. Он даже превзошел некоторые методы на основе глубокого обучения, работая плавно со скоростью 30 кадров в секунду на небольших, недорогих устройствах, таких как Raspberry Pi и Jetson Nano.

«Более раннее обнаружение удаленных автомобилей может значительно сократить количество аварий, связанных с перекрестками», — говорит профессор Премачандра. «Представьте себе систему, которая предупреждает пешеходов, прежде чем они ступят на пешеходный переход, или оповещает водителей о транспортных средствах, находящихся еще в сотнях метров, — это могло бы сделать ежедневные поездки намного безопаснее».

Профессор Премачандра считает, что эта инновация может стать основой систем навигации следующего поколения, которые передают информацию о дорожном движении в реальном времени как водителям, так и пешеходам. Например, камеры, установленные на перекрестках, могли бы обнаруживать приближающиеся издалека автомобили со всех направлений и выдавать предупреждения водителям и пешеходам, находящимся рядом с перекрестком, через подключенные устройства или светофоры.

Помимо безопасности, технология может способствовать развитию интеллектуальных транспортных систем (ИТС) — сетей, которые объединяют транспортные средства, датчики и инфраструктуру для создания более безопасных и эффективных дорог. Поскольку система работает без тяжелых вычислительных ресурсов, ее можно легко развернуть как в городских, так и в сельских районах.

Хотя первоначальные результаты многообещающие, профессор Премачандра отмечает, что планируются дальнейшие усовершенствования. Команда намерена протестировать систему в различных погодных условиях, таких как туман, дождь и снег, поскольку эти условия часто затрудняют видимость. Они также планируют расширить возможности системы для классификации различных типов транспортных средств и интегрировать ее в более широкие структуры ИТС.

«Наша цель — сделать дороги безопаснее для всех», — говорит профессор Премачандра. «Даже несколько дополнительных секунд раннего предупреждения могут иметь решающее значение между безопасным путешествием и серьезной аварией». Сочетая интеллектуальное наблюдение с простыми вычислениями, это исследование демонстрирует, что инновации в области безопасности дорожного движения не всегда требуют сложного искусственного интеллекта — иногда достаточно просто более пристально взглянуть на дорогу впереди.