Detekce a sledování vozidel z video záznamu pro analytické účely

Abstract

Aplikaci detekce a sledováni vozidel se v poslednich letech stále vice využivá ke sledováni dopravnich situaci v zabydlených oblastech i dálnicich, plánováni provozu po komunikacich i k různorodému civilnimu využiti. Spojenim záznamů z kamer a modernich algoritmů pro detekci a sledováni objektů můžeme agre-govat statistiky o počtu vozidel v určitém úseku, průměrné rychlosti, typu, barvě, značce, trajektorii pohybu a spoustu dalšiho. Tato práce se zabývá problematikou detekce a sledováni vozidel v běžném provozu z video záznamů. V prvni části se zaměřuje předevšim na analýzu algoritmů, struktur, modelů a existujicich řešeni této problematiky a popi-suje jednotlivé druhy neuronových siti využitých v pokročilých modelech. Na základě analýzy implementuje v druhé části práce řešeni detekce a sledováni vozidel pomoci modelu DETR, který je absolutni novinka mezi modely pro de-tekci a klasifikaci objektů, která využivá model hlubokého učeni Transformer. K trénováni a evaluaci použivám v implementaci dataset VisDrone.

In recent years, the applications of vehicle detection and tracking have been increasingly used for monitoring traffic situations in populated areas and motorways, planning traffic on the roads and for various civil uses. Combining recordings from surveillance cameras and modern algorithms for detection and tracking objects, we can aggregate statistics on the number of vehicles in each area, average speed, type, colour, brand, trajectories and more. This work deals with the issue of detection and monitoring of vehicles in normal operation from the video recordings. The first part focuses mainly on the analysis of algorithms, structures, models and existing solutions to the given topic; describes different types of neural networks used in advanced models. Based on the analysis, in the second part of the work it implements a solution for vehicle detection and tracking using the DETR model, which is an absolute novelty among models for object detection and classification, which uses the Transformer deep learning model. In the implementation for training and evaluation, the VisDrone dataset was used.