Pētījuma nosaukums: Efektīvs modulis automātiskai cilvēku un transporta detektēšanai ar Video novērošanas kamerām

Pētījuma īstenotājs: Mondot SIA

Pētījuma mērķis: 

Pētījuma mērķis ir izveidot efektīvas, uz datorredzi balstītas video plūsmas analītikas metodes un modeļus, kas detektēs vieglās un smagās automašīnas, riteņbraucējus un kājāmgājējus, un ļaut tos realizēt uz lētām iegultām sistēmām. Efektivitāte tiks panākta, samazinot apstrādājamo video pikseļu skaitu, kā arī optimizējot esošās metodes un modeļus konkrētiem uzdevumiem.

Galvenās veicamās aktivitātes:

• video datu ieguve no reāliem ceļiem un citiem atvērtiem un slēgtiem objektiem – teritorijām – dažādos laika un apgaismojuma apstākļos pie dažādiem kameru novietojumiem;
• treniņu kopas veidošana, kas sastāv no manuālas iegūto datu marķēšanas, kā arī marķēšanu paātrinošu palīgprogrammu veidošanas;
• pret skaitļošanas jaudām efektīvu objektu atklāšanas metožu izveide;
• eksperimentālā prototipa izveide.

Izveidotās metodes testēšana laboratorijas un reālos apstākļos.

Pētījuma rezultāti: 

Pilsētvidē jau ilgāku laiku notiek Viedās Pilsētas ideju attīstība. Ārējā pilsētvidē viens no uzdevumiem ir transporta un gājēju plūsmu automatizēta ietekmēšana atkarībā no esošās un prognozējamās situācijas. Lēmumu pieņemšanai ļoti būtiski ir precīzi un uzticami dati par esošo un prognozējamo situāciju.

Pētījuma rezultātā tika izveidotas efektīvas uz datorredzi balstītas video analītikas metodes ceļu satiksmes dalībnieku detektēšanai un uzskaitei.

Rūpnieciskā pētījuma un eksperimentālās izstrādnes rezultātā tika attīstīta un eksperimentālā prototipā iestrādāta, oriģināla, uz mašīnmācīšanos balstīta objektu detektēšanas metode ar rekurento neironu tīklu LSTM (Recurrent Neural Network-based virtual detection line). Izstrādātā objektu detektēšanas metode tika testēta, izmantojot Raspberry Pi 4 minidatora skaitļošanas platformu. Šāds prototips reālos darbības apstākļos spēja apstrādāt videonovērošanas kameras videoplūsmu ar ātrumu līdz 50 kadriem sekundē ar 854×528 pikseļu izšķirtspēju.

Veicot izstrādātā prototipa testēšanu reālos darbības apstākļos un veicot dažādus metodes uzlabojumus, tika panākta objektu detekcijas un skaitīšanas precizitāte 75%.

Turpinot uzlabot objektu detekcijas precizitāti, par detektēšanas algoritma pamatu tika izmantots konvolūcijas neironu tīklu (CNN) bāzēts modelis, pielāgojot to skaitīšanas uzdevumam un panākot šāda modeļa darbības paātrināšanu. Veikto uzlabojumu rezultātā tika iegūts modelis, kurš sasniedza 95% objektu detekcijas precizitāti.

Izstrādātā produkta mērķa tirgus ir uzņēmumi un organizācijas, kuriem nepieciešama informācija par dažādu kustīgu objektu dinamisko informāciju – skaits, pārvietošanās virzieni un ātrumi, pulcēšanās un drūzmēšanās faktu noteikšana.