Анализ актуальности области разработки систем автоматизированного контроля дорожного движения
Работа соответствует указанному году, с НАТУРАЛЬНОЙ ( НЕ накрученной техническими способами) оригинальностью ( по антиплагиат ру), стандартное оформление
ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ.. 4
1 Анализ актуальности области разработки систем автоматизированного контроля дорожного движения. 8
1.1 Анализ существующих аппаратных средств. 8
1.2 Сравнительный анализ систем автоматизированного контроля дорожного движения 11
1.2.1 Коммерческие решения. 11
1.2.2 Проекты с открытым исходным кодом. 14
2 Исследование подходов к распознаванию автомобилей в транспортном потоке. 18
2.1 Применение алгоритма вычитания фона для обнаружения объектов. 18
2.2 Применение нейронных сетей класса YOLO для обнаружения и классификации объектов. 21
2.3 Применение нейронных сетей класса R-CNN для обнаружения и классификации объектов. 23
2.3.1 Нейронная сеть R-CNN.. 24
2.3.2 Нейронная сеть Fast R-CNN.. 27
2.3.3 Нейронная сеть Faster R-CNN.. 28
2.3.4 Нейронная сеть Mask R-CNN.. 31
3.1 Алгоритм функционирования разрабатываемой системы.. 36
3.2 Выбор языка программирования и дополнительных библиотек. 39
3.3 Описание основных программных модулей. 42
3.3.2 Обнаружение автомобилей. 45
3.3.3 Графический интерфейс пользователя (GUI) 50
4 Тестирование системы детектирования и классификации ситуаций на уличной дорожной сети. 54
4.1 Руководство пользователя системой. 54
4.2 Оценка скорости и загруженности дорожного трафика. 56
4.2.1 Вычисление скорости автомобиля. 57
4.2.2 Вычисление загруженности трафика. 60
4.2.3 Оценка точности работы системы.. 64
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ. 70
1. «РОСДОРНИИ». ФГУП. ОДМ 218.2.032-2013. РОСАВТОДОР, М. 2013. Методические рекомендации по учету движения транспортных средств на автомобильных дорогах.
2. Амосов О. С. и др. Вычислительный метод распознавания образов по видеоизображениям с использованием глубинных нейронных сетей со сверточными и рекуррентными слоями с приложениями для транспортных систем //Информатика и системы управления. – 2019. – №. 1. – С. 18-35.
3. Барский, А. Б. Введение в нейронные сети : учебное пособие / А. Б. Барский. — 3-е изд. — Москва, Саратов : Интернет-Университет Информационных Технологий (ИНТУИТ), Ай Пи Ар Медиа, 2020. — 357 c.
4. Бессмертный, И. А. Системы искусственного интеллекта : учебное пособие для вузов / И. А. Бессмертный. — 2-е изд., испр. и доп. — Москва : Издательство Юрайт, 2020. — 157 с.
5. Гонсалес Р Вудс Р Цифровая обработка изображений. М: Техносфера, 2006. 1067 с.
6. Данилин А. Н., Никонов В. В. О нейросетевом подходе к распознаванию дорожных ситуаций //Актуальные проблемы гуманитарных и естественных наук. – 2017. – №. 12-1.
7. Елизаров Д. А. Разработка системы распознавания дорожных объектов //Омский научный вестник. – 2017. – №. 4 (154).
8. Кирпичников А. П. и др. Автоматическое распознавание автомобильных номеров //Вестник Казанского технологического университета. – 2015. – Т. 18. – №. 4.
9. Лаптева М. А., Фаворская М. Н., Болдырев К. М. Система распознавания регистрационных номеров автомобиля с применением нейронной сети //Актуальные проблемы авиации и космонавтики. – 2014. – Т. 1. – №. 10.
10. Макконнелл Стив. Совершенный код. Мастер-класс / Пер. с англ. М: Издательство «Русская редакция», 2010. 896 с.
11. Марковнина А. И., Макаров В. С. Определение критерия охвата дорожных ситуаций интеллектуальными системами активной безопасности //Техника и технология наземного транспорта. – 2020. – С. 339-343.
12. Михеева Т. И., Сидоров А. В., Головнин О. К. Информационная технология автоматической дислокации геообъектов транспортной инфраструктуры на улично-дорожной сети/Перспективные информационные технологии (ПИТ-2013) //Труды межд. научно-техн. конф.–Самара: Изд-во Самарск. науч. центра РАН. – 2013. – С. 236-241.
13. Намм Р. В., Симоненко Е. В. Информационные технологии искусственного интеллекта на примере распознавания автомобильных номеров //Ученые заметки ТОГУ. – 2018. – Т. 9. – №. 4. – С. 335-340.
14. Обухов А. В., Ляшева С. А., Шлеймович М. П. Методы автоматического распознавания автомобильных номеров //Вестник Чувашского университета. – 2016. – №. 3.
15. Петров С. П. Сверточная нейронная сеть для распознавания символов номерного знака автомобиля //Системный анализ в науке и образовании. – 2013. – №. 3. – С. 66-73.
16. Смирнов И. П., Гай В. Е. Программная система распознавания дорожной разметки //Информационные системы и технологии-2019. – 2019. – С. 853-857.
17. Станкевич, Л. А. Интеллектуальные системы и технологии : учебник и практикум для вузов / Л. А. Станкевич. — Москва : Издательство Юрайт, 2020. — 397 с.
18. Хасанова С. Л., Сидорова Е. В. Разработка приложения распознавания номеров автомобилей на основе методов искусственного интеллекта //Междисциплинарные исследования в области математического моделирования и информатики. – 2014. – С. 221-225.
19. Ahmed M. J. et al. License plate recognition system //10th IEEE International Conference on Electronics, Circuits and Systems, 2003. ICECS 2003. Proceedings of the 2003. – IEEE, 2003. – Т. 2. – pp. 898-901.
20. Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE international conference on computer vision, стр. 1440-1448.
21. Girshick, R., Donahue, J., Darrell, T., & Malik, J. (June 2014 г.). Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
22. He, K., Gkioxari, G., Doll'ar, P., & Girshick, R. (2017). Mask R-CNN. Proceedings of the IEEE international conference on computer vision, стр. 2961-2969.
23. Hirz M., Walzel B. Sensor and object recognition technologies for self-driving cars //Computer-aided design and applications. – 2018. – Т. 15. – №. 4. –
С. 501-508.
24. Khan M. A. et al. License number plate recognition system using entropy-based features selection approach with SVM //IET Image Processing. – 2017. – Т. 12. – №. 2. – pp. 200-209.
25. Lin C. H., Lin Y. S., Liu W. C. An efficient license plate recognition system using convolution neural networks //2018 IEEE International Conference on Applied System Invention (ICASI). – IEEE, 2018. – pp. 224-227.
26. Masood S. Z. et al. License plate detection and recognition using deeply learned convolutional neural networks //arXiv preprint arXiv:1703.07330. – 2017.
27. Redmon Joseph, Farhadi Ali. YOLO9000: Better, Faster, Stronger: Tech. Rep.:: University of Washington, 2016.
28. Ren, S., He, K., Girshick, R., & Sun, J. (2016). Faster R-CNN: towards real-time object detection with region proposal networks. IEEE transactions on pattern analysis and machine intelligence, 39, стр. 1137-1149.
29. Single-camera and Inter-camera Vehicle Tracking and 3D Speed Estimation Based on Fusion of Visual and Semantic Features / Zheng Tang, Gaoang Wang, Hao Xiao [и др.] // CVPR Workshop (CVPRW) on the AI City Challenge. 2018. С. 108-115.
30. Snegireva D., Perkova A. Traffic Sign Recognition Application Using Yolov5 Architecture //2021 International Russian Automation Conference (RusAutoCon). – IEEE, 2021. – С. 1002-1007.
31. Solem J. E. Programming Computer Vision with Python. Creative Commons, 2012. 300 p.
32. Türkyılmaz İ., Kaçan K. License plate recognition system using artificial neural networks //Etri Journal. – 2017. – Т. 39. – №. 2. – pp. 163-172.
33. Tutorial: Making Road Traffic Counting App based on Computer Vision and OpenCV. URL: https://medium.com/machine-learning-world/tutorial-making-road-traffic-counting-app-based-on-computer-vision-and-opencv-166937911660 (дата обращения 25.11.2021).
34. Tutorial: Counting Road Traffic Capacity with OpenCV. URL: https://medium. com/machine-learning-world/tutorial-counting-road-traffic-capacity-with-opencv-998580f1fbde (дата обращения 25.11.2021).
35. VOCORD Tahion. URL: https://vocord.ru/products/video-surveillance-and-analytics/obzomoe-videonablyudenie/vocord-tahion/ (дата обращения 25.11.2021)
36. You Only Look Once: Unified, Real-Time Object Detection: Tech. Rep.: / Joseph Redmon, Santosh Divvala, Ross Girshick [и др.]: University of Washington, 2015.
37. Yuan Y., Xiong Z., Wang Q. An incremental framework for video-based traffic sign detection, tracking, and recognition //IEEE Transactions on Intelligent Transportation Systems. – 2016. – Т. 18. – №. 7. – С. 1918-1929.
38. Wikipedia: OpenCV. URL: https://en.wikipedia.org/wiki/OpenCV (дата обращения 25.11.2021).
