procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.34822/1999-7604-2020-2-58-67procyber-298Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringРАЗРАБОТКА И ОПТИМИЗАЦИЯ АЛГОРИТМА СЛЕЖЕНИЯ ЗА ТРАНСПОРТНЫМ СРЕДСТВОМ В ВИДЕОПОТОКЕ НА ОСНОВЕ ПИРАМИДАЛЬНОГО МЕТОДА ЛУКАСА – КАНАДЕDEVELOPMENT AND OPTIMIZATION OF ALGORITHM FOR VEHICLE TRACKING ОN VIDEO USING LUCAS–KANADE METHOD WITH PYRAMIDSСмирновС. А.SmirnovS. A.

E-mail: smirnov.s.a@rsreu.ru

E-mail: smirnov.s.a@rsreu.ru

БабаянП. В.BabayanP. V.ЕршовМ. Д.ErshovM. D.МуравьевВ. С.MuravievV. S.Рязанский государственный радиотехнический университет им. В. Ф. Уткина, Рязань,РоссияRyazan State Radio Engineering University, RyazanRussian FederationРязанский государственный радиотехнический университет им. В. Ф. Уткина, РязаньРоссияRyazan State Radio Engineering University, RyazanRussian Federation20200208202002 (38)5867Copyright © Смирнов С.А., Бабаян П.В., Ершов М.Д., Муравьев В.С., 20202020Смирнов С.А., Бабаян П.В., Ершов М.Д., Муравьев В.С.Smirnov S.A., Babayan P.V., Ershov M.D., Muraviev V.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/298

В статье рассматривается задача анализа транспортных потоков при наблюдении неподвижным видеодатчиком за участком дороги. Представлен алгоритм слежения за движущимися по полосам транспортными средствами. Алгоритм включает этап выделения особых точек части объекта, находящихся в ограниченной области изображения. Извлечение области производится на основе результатов предварительной сегментации и информации о геометрии сцены. Второй этап алгоритма использует пирамидальный метод Лукаса – Канаде с целью слежения за транспортным средством. Рассмотрены положительные особенности данного метода вычисления оптического потока, предложены подходы к оптимизации вычислительных затрат с учетом информации о направлении и скорости движения объекта. Разработанный алгоритм слежения апробирован в ходе экспериментальных исследований на натурных видеосюжетах, на которых наблюдается движение транспортных средств по нескольким полосам. Результаты экспериментальных исследований показали эффективность предложенного алгоритма в сравнении с базовым алгоритмом обнаружения движущегося объекта без дальнейшего прослеживания. В результате уменьшилось число ложных обнаружений и пропусков автомобилей, доля ошибок классификации объектов, что говорит о повышении точности оценки длины и скорости транспортных средств.

The paper considers the task of traffic flow analysis when a stationary video sensor observes a road section. An algorithm for tracking vehicles moving along road lanes is presented. This algorithm includes the stage of extracting feature points of the object part located in a bounded area of the image. Object area extraction is based on preliminary segmentation results and information about scene geometry. The second stage of the algorithm uses the Lucas–Kanade method with pyramids to track the vehicle. The positive features of this method for optical flow calculation are considered. Approaches to optimizing computational costs in optical flow calculations are proposed. Information about movement direction and speed of the vehicle is used for this purpose. The developed tracking algorithm has been tested during experimental studies. The studies were carried out using real videos оn which vehicle movement on several road lanes is observed. The results of experimental studies have shown the high performance of the proposed algorithm in comparison with the basic algorithm for moving object detection without further tracking. As a result, the number of false detections and omissions of vehicles decreased. The percentage of classification errors also decreased which indicates an increase in the accuracy of estimating the length and speed of detected vehicles.

транспортная аналитикаобнаружение объектаслежениеоценка параметровоптический потокоптимизация вычислений.transport analyticsobject detectiontrackingparameter estimationoptical flowcomputation optimization.ReferencesAlonso Raposo M., Ciuffo B., Alves Dias P. et al. The future of road transport. Luxembourg: Publications Office of the European Union, 2019. 148 p. DOI; 10.2760/668964.Alonso Raposo M., Ciuffo B., Alves Dias P. et al. The future of road transport. Luxembourg: Publications Office of the European Union, 2019. 148 p. DOI; 10.2760/668964.Об Основных направлениях и этапах реализации скоординированной (согласованной) транспортной политики государств-членов ЕАЭС : решение ЕАЭС от 26.12.2016 № 19. URL: https://www.garant.ru/products/ipo/prime/doc/71552308 (дата обращения: 29.01.2020).Об Основных направлениях и этапах реализации скоординированной (согласованной) транспортной политики государств-членов ЕАЭС : решение ЕАЭС от 26.12.2016 № 19. URL: https://www.garant.ru/products/ipo/prime/doc/71552308 (дата обращения: 29.01.2020).Alpatov B. A., Babayan P. V., Ershov M. D. Vehicle Detection and Counting System for Real-Time Traffic Surveillance // Proceedings of 7th Mediterranean conference on embedded computing (MECO). 2018. P. 120–123.Alpatov B. A., Babayan P. V., Ershov M. D. Vehicle Detection and Counting System for Real-Time Traffic Surveillance // Proceedings of 7th Mediterranean conference on embedded computing (MECO). 2018. P. 120–123.Hassaballah M., Abdelmgeid A. A., Alshazly H. A. Image features detection, description and matching. Springer, 2016. P. 11–45.Hassaballah M., Abdelmgeid A. A., Alshazly H. A. Image features detection, description and matching. Springer, 2016. P. 11–45.Яне Б. Цифровая обработка изображений. M. : Техносфера, 2007. 584 с.Яне Б. Цифровая обработка изображений. M. : Техносфера, 2007. 584 с.Shi J., Tomasi C. Good Features to Track // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 1994. 8 p.Shi J., Tomasi C. Good Features to Track // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 1994. 8 p.Bouguet J.-Y. Pyramidal implementation of the Lucas Kanade feature tracker. Intel Corporation, Microprocessor Research Labs, 2000. 9 p.Bouguet J.-Y. Pyramidal implementation of the Lucas Kanade feature tracker. Intel Corporation, Microprocessor Research Labs, 2000. 9 p.Babayan P. V., Buiko S. A., Vdovkin L. A., Ershov M. D., Muraviev V. S., Sirenko A. V., Smirnov S. A. Real-Time Pyramidal Lukas-Kanade Tracker Performance Estimation // Proceedings of SPIE Real-Time Image Processing and Deep Learning. 2019. Vol. 10996. 6 p.Babayan P. V., Buiko S. A., Vdovkin L. A., Ershov M. D., Muraviev V. S., Sirenko A. V., Smirnov S. A. Real-Time Pyramidal Lukas-Kanade Tracker Performance Estimation // Proceedings of SPIE Real-Time Image Processing and Deep Learning. 2019. Vol. 10996. 6 p.

The authors declare that there are no conflicts of interest present.