РАЗРАБОТКА И ОПТИМИЗАЦИЯ АЛГОРИТМА СЛЕЖЕНИЯ ЗА ТРАНСПОРТНЫМ СРЕДСТВОМ В ВИДЕОПОТОКЕ НА ОСНОВЕ ПИРАМИДАЛЬНОГО МЕТОДА ЛУКАСА – КАНАДЕ

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.

1. 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.

2. 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).

3. 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.

4. Hassaballah M., Abdelmgeid A. A., Alshazly H. A. Image features detection, description and matching. Springer, 2016. P. 11–45.

5. Яне Б. Цифровая обработка изображений. M. : Техносфера, 2007. 584 с.

6. Shi J., Tomasi C. Good Features to Track // Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. 1994. 8 p.

7. Bouguet J.-Y. Pyramidal implementation of the Lucas Kanade feature tracker. Intel Corporation, Microprocessor Research Labs, 2000. 9 p.

8. 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.