俄罗斯科学家研发基于AI的交通监控系统 无需特定设备即时处理数据

据外媒报道，来自俄罗斯南乌拉尔州立大学的科学家开发出一种独特的智能系统，通过使用人工智能来监控交通流量，并且可以在几乎任何类型的摄像头上工作，而无需特殊的记录设备。与现有的处理实时接收数据的程序不同，处理过程会延迟10到15分钟，而这个系统可以立即处理这样的数据。

交通拥堵解决方案南乌拉尔国立大学理工学院汽车运输系副教授兼项目经理弗拉基米尔·谢佩利夫(Vladimir Shepelev)表示:“我们提出并实现了一种基于最新车辆检测和跟踪技术的现代交通流评价系统。与现有同类系统不同的是，该系统可以实时识别和分析车辆的运动方向，最大相对误差小于10%，而最相似的系统只能确定一个方向车辆的速度和类型，在摄像头的帮助下，准确率可以达到80%到90%。通过使用神经网络，该系统可以在十字路口生成多达400个交通参数。”这种独特的AIMS监控系统可以收集、解释和传输有关道路交通密度的数据，对10种类型的车辆进行分类，测量速度，判断十字路口各个方向的当前负载水平，并确定车辆的下一个行驶方向。同时，只需要一个全高清闭路电视摄像头，就可以实时识别路口的目标。谢佩利夫说:“这项研究的结果可以被城市当局用来提高十字路口的整体通行能力。而且，我们已经在车里雅宾斯克的几个路口验证了该系统足够准确，可以作为其他先进模型的基础。”这种创新技术可以提供关于交通流结构、车辆方向和速度的实时数据，使用数据挖掘技术可以帮助实现高效的交通模式、减少交通拥堵和改善资源管理。

目前，用于分析城市交通的神经网络往往依赖于使用昂贵的传感器来连续收集数据，或者对交通进行可视化研究，通常在几天内的某个时间段内连续测量交通。然而，交通服务仍然不能接收关于交通流结构、密度、速度和移动方向的正确和准确的信息。谢佩利夫说:“我们管理的神经网络将处理大量视频数据，不仅可以检测和跟踪车辆，还可以分析事件的顺序。在开发这项技术的过程中，我们采用了开源的Mask R-CNN(卷积神经网络)和YOLOv3神经网络架构来实时检测目标，还采用了SORT目标跟踪算法。该团队修改了算法的代码，以提高目标跟踪的质量。”基于人工智能的嵌入式分析模块可以确定交叉口交通组织的水平，并为每个交叉口分配性能指标(KPI )(用于测量)。提高效率并降低监控成本。通过优化YOLOv3神经网络算法，南乌拉尔国立大学的科学家可以在跟踪时将丢失的目标考虑在内，目标跟踪精度达到95%，大大降低了实时监控设备的成本。谢佩利夫说:“具有机器视觉的人工智能技术可以将道路交通数据的收集和分析提高到一个新的水平，并大大提高识别车辆的可靠性。此外，我们的深度学习网络易于配置，几乎可以在任何类型的相机上工作，无需特殊的记录设备。”南乌拉尔国立大学科学家开发的这项技术将提高城市道路基础设施的效率。在不久的将来，人工智能监控道路交通的技术将成为车里雅宾斯克可持续公共交通项目的一部分。(文中图片均来自南乌拉尔国立大学)据外媒报道，俄罗斯南乌拉尔国立大学的科学家开发出一种独特的智能系统，通过使用人工智能来监控交通流量，几乎可以在任何类型的摄像头上工作，而无需特殊的记录设备。与处理实时接收数据的现有程序不同，处理过程会延迟10到15分钟，而该系统可以处理这样的数据……ata立即。

交通拥堵解决方案南乌拉尔国立大学理工学院汽车运输系副教授兼项目经理弗拉基米尔·谢佩利夫(Vladimir Shepelev)表示:“我们提出并实现了一种基于最新车辆检测和跟踪技术的现代交通流评价系统。与现有同类系统不同的是，该系统可以实时识别和分析车辆的运动方向，最大相对误差小于10%，而最相似的系统只能确定一个方向车辆的速度和类型，在摄像头的帮助下，准确率可以达到80%到90%。通过使用神经网络，该系统可以在十字路口生成多达400个交通参数。”这种独特的AIMS监控系统可以收集、解释和传输有关道路交通密度的数据，对10种类型的车辆进行分类，测量速度，判断十字路口各个方向的当前负载水平，并确定车辆的下一个行驶方向。同时，只需要一个全高清闭路电视摄像头，就可以实时识别路口的目标。谢佩利夫说:“这项研究的结果可以被城市当局用来提高十字路口的整体通行能力。而且，我们已经在车里雅宾斯克的几个路口验证了该系统足够准确，可以作为其他先进模型的基础。”这种创新技术可以提供关于交通流结构、车辆方向和速度的实时数据，使用数据挖掘技术可以帮助实现高效的交通模式、减少交通拥堵和改善资源管理。

目前，用于分析城市交通的神经网络往往依赖于使用昂贵的传感器来连续收集数据，或者对交通进行可视化研究，通常在几天内的某个时间段内连续测量交通。然而，交通服务仍然不能接收关于交通流结构、密度、速度和移动方向的正确和准确的信息。谢佩利夫说:“我们管理的神经网络将处理大量视频数据，不仅可以检测和跟踪车辆，还可以分析事件的顺序。在开发这项技术的过程中，我们采用了开源的Mask R-CNN(卷积神经网络)和YOLOv3神经网络架构来实时检测目标，还采用了SORT目标跟踪算法。该团队修改了算法的代码，以提高目标跟踪的质量。”基于人工智能的嵌入式分析模块可以确定交叉口交通组织的水平，并为每个交叉口分配性能指标(KPI )(用于测量)。提高效率并降低监控成本。通过优化YOLOv3神经网络算法，南乌拉尔国立大学的科学家可以在跟踪时将丢失的目标考虑在内，目标跟踪精度达到95%，大大降低了实时监控设备的成本。谢佩利夫说:“具有机器视觉的人工智能技术可以将道路交通数据的收集和分析提高到一个新的水平，并大大提高识别车辆的可靠性。此外，我们的深度学习网络易于配置，几乎可以在任何类型的相机上工作，无需特殊的记录设备。”南乌拉尔国立大学科学家开发的这项技术将提高城市道路基础设施的效率。在不久的将来，人工智能监控道路交通的技术将成为车里雅宾斯克可持续公共交通项目的一部分。(文中图片均来自南乌拉尔国立大学)

标签：现代

汽车资讯热门资讯