Systém pro automatizaci dopravních průzkumů

Abstract

V posledných rokoch sme svedkami masívneho rozvoja cestnej dopravy, ktorá spôsobuje niekoľko problémov, najmä v mestských oblastiach. Miestne samosprávy a vlády preto investujú nemalé prostriedky do dopravných prieskumov, ktoré umožňujú získať predstavu o úzkych hrdlách súčasnej infraštruktúry. Súbežne dosahujú vedci významný posun v oblasti hlbokého strojového učenia, ktorý prináša automatizované, presné a výkonné riešenia v oblasti strojového videnia. V našej práci sa venujeme vývoju otvoreného softvéru, ktorý umožní automatizáciu dopravných prieskumov. Na začiatku diskutujeme a objavujeme rôzne prístupy k sledovaniu viacerých objektov vo videu súčasne. Následne navrhneme modul, ktorý analyzuje nahrávku zo stacionárnej kamery a spočíta dopravné prostriedky prechádzajúce cez oblasti záujmu definované používateľom. Kvalitu nášho modulu ohodnotíme na niekoľkých videách, popíšeme metriky a využitie hardvéru. Nakoniec zhrnieme presnosť, naše požiadavky na zdrojové videá a navrhneme niekoľko vylepšení. Zistíme, že modul funguje dobre a vrámci prípustnej chyby, pokiaľ vo výhľade neprekáža dopravné značenie alebo iné automobily.In recent years, we have witnessed an expansion of road traffic that causes several problems, especially in urban areas. Local authorities and governments invest lot into traffic surveys to keep track of infrastructure bottlenecks. At the same time, researchers have made significant progress in deep learning, allowing for automated, accurate and performant solutions for computer vision tasks. In our work, we aim to create an open-source software tool that enables the automation of traffic surveys. We investigate approaches to multi-object tracking and suggest a framework that analyses a stationary camera recording of road traffic and counts the vehicles that move through the user-defined regions of interest. We evaluate the performance of our framework on a couple of datasets, comment on metrics and hardware usage, and report accuracies. We conclude with findings and requirements placed on the source videos; we suggest a few improvements to the framework. We identify that the framework works well and within the boundaries of allowed error if there are no or just a few traffic signs or automobiles blocking the view.