Определение характеристик движущихся объектов с использованием "контролируемого" размытия изображения

Предложен подход к обнаружению, захвату и распознаванию транспортных средств на изображении для определения их геометрических, кинематических и динамических характеристик. Контроль своевременно определенных характеристик позволит выявлять нарушения транспортных средств, анализировать и предотвращать возможные аварийные ситуации, а также реализовать цифровую модель окружающего пространства, в том числе для ее представления в виртуальной реальности. При детектировании объекта применяется алгоритм YOLOv3 с обучением сверточных нейронных сетей. Для определения границ объекта и колесных осей используются детекторы Кенни и Хафа. Предложен метод определения размытия границ объекта на основе численного определения производных первого, второго и третьего порядков по каждой координатной оси и последующего уточнения на разных уровнях разрешающей способности. После детектирования и определения числа колесных осей автотранспортного средства пассивным методом анализа изображений выбирается модель вертикальных колебаний экипажа и на основе полученных геометрических и кинематических параметров определяются динамические характеристики автотранспорта. Подробно описана используемая модель транспортного средства с двумя осями. В качестве начальных условий колебательной системы приняты параметры искусственного препятствия типа "лежачий полицейский"

Работа выполнена в соответствии с государственным заданием Минобрнауки России (проект № 2.5048.2017/8.9)

Литература

[1] Бойков В.Н., Скворцов А.В., Сарычев Д.С. Цифровая автомобильная дорога как отраслевой сегмент цифровой экономики. Транспорт Российской Федерации, 2018, № 2, с. 56--60.

[2] Onyesolu M., Udoka Eze F. Understanding virtual reality technology: advances and applications. IntechOpen, 2011, pp. 53--70. DOI: https://doi.org/10.5772/15529

[3] Усанов Д.А., Скрипаль А.В., Авдеев К.С. Определение расстояния до объекта с помощью частотно-модулированного полупроводникового лазерного автодина. Письма в ЖТФ, 2007, т. 33, № 21, с. 72--77.

[4] Mansour M., Ismail Y., Swillam M. Subwavelength focusing in the infrared range using a meta surface. ACES, 2017. DOI: https://doi.org/10.23919/ROPACES.2017.7916019

[5] Beder Chr., Bartczak B., Koch R. A comparison of PMD-cameras and stereo-vision for the task of surface reconstruction using patchlets. IEEE Conf. Comput. Vision Pattern Recogn., 2007. DOI: https://doi.org/10.1109/CVPR.2007.383348

[6] Wiedemann M., Sauer M., Driewer F., et al. Analysis and characterization of the PMD camera for application in mobile robotics. Proc. 17th World Cong. Int. Federation of Automatic Control. Seoul, 2008, pp. 46--51.

[7] Девятериков Е.А., Михайлов Б.Б. Система технического зрения для измерения пути мобильного робота. Механика, управление и информатика, 2012, № 2, c. 219--224.

[8] Loktev D.A., Loktev A.A. Determination of object location by analyzing the image blur. Contemp. Eng. Sci., 2015, vol. 8, no. 11, pp. 467--475. DOI: http://dx.doi.org/10.12988/ces.2015.52198

[9] Локтев А.А., Сычев В.П., Локтев Д.А. К задаче проектирования модуля визуального распознавания элементов верхнего строения пути на высокоскоростных магистралях. Транспорт Российской Федерации, 2017, № 1, с. 22--26.

[10] Локтев А.А., Алфимцев А.Н., Локтев Д.А. Алгоритм размещения видеокамер и его программная реализация. Вестник МГСУ, 2012, № 5, c. 167--175.

[11] Redmon J., Farhadi A. YOLOv3: an incremental improvement. arxiv.org: веб-сайт. URL: https://arxiv.org/abs/1804.02767v1 (дата обращения: 15.12.2019).

[12] Ross G. Fast R-CNN. arxiv.org: веб-сайт. URL: https://arxiv.org/abs/1504.08083 (дата обращения: 15.12.2019).

[13] Canny J.F. Finding edges and lines in images. Masterʼs thesis. MIT, 1983.

[14] Zhou Q., Aggarwal J. Tracking and classifying moving objects from video. Performance Evaluation of Tracking Systems Workshop, 2001.

[15] Ramer U. An iterative procedure for the polygonal approximation of plane curves. Comput. Graph. Image Process., 1972, vol. 1, no. 3, pp. 244--256.

[16] Douglas D., Peucker T. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. The Canadian Cartographer, 1973, vol. 19, no. 2, pp. 112--122.

[17] Goldenshluger A., Zeevi A. The Hough transform estimator. Ann. Stat., 2004, vol. 32, no. 5, pp. 1908--1932.

[18] Кудрина М.А. Использование преобразования Хафа для обнаружения прямых линий и окружностей на изображении. Известия Самарского научного центра Российской академии наук, 2014, т. 16, № 4-2, с. 476--478.

[19] Сычёв В.П., Локтев А.А., Локтев Д.А. и др. Повышение информативности оценки содержания железнодорожного пути. Мир транспорта, 2017, т. 15, № 2, с. 20--31.

[20] Loktev D.A., Loktev A.A. Diagnostics of external defects of railway infrastructure by analysis of its images. Proc. GloSIC, 2018. DOI: https://doi.org/10.1109/GloSIC.2018.8570083

[21] Bouguet J.-Y. Pyramidal implementation of the Lucas --- Kanade feature tracker: description of the algorithm. Intel Corporation Microprocessor Research Labs, 2000.

[22] Локтев А.А., Бахтин В.Ф., Черников И.Ю. и др. Методика определения внешних дефектов сооружения путем анализа серии его изображений в системе мониторинга. Вестник МГСУ, 2015, № 3, с. 7--16.

[23] Елисеев В.В., Оборин Е.А., Миткин В.Г. Колебания автомобиля на неровной дороге: влияние динамических свойств подвески. Теория механизмов и машин, 2017, т. 15, № 1, с. 6--16.

[24] Лопаницын Е.А. Моделирование вертикальных колебаний автомобиля. В: Избранные проблемы прикладной механики и математики. М., МГТУ МАМИ, 2003, с. 208--234.

[25] Локтев Д.А., Кочнев В.А., Локтев А.А. Определение габаритов транспортных средств и их положения на проезжей части в системе видеомониторинга. Наука и техника транспорта, 2018, № 4, с. 62--69.

[26] Loktev A.A., Loktev D.A. Transverse impact of a ball on a sphere with allowance for waves in the target. Tech. Phys. Lett., 2008, vol. 34, no. 11, pp. 960--963. DOI: https://doi.org/10.1134/S1063785008110187