Аннотация
ВВЕДЕНИЕ 4
1. ОБЗОР СУЩЕСТВУЮЩИХ ТЕХНОЛОГИЙ И МЕТОДОВ КОНТРОЛЯ
ПЕШЕХОДНЫХ ПОТОКОВ НА ПЕРЕКРЕСТКАХ 6
1.1. Методы, основанные на анализе видеоизображений 6
1.2. Основные определения нейронных сетей 7
1.3. Архитектура YOLO 8
1.4. Выводы по первой главе 11
2. ДЕТЕКЦИЯ ПЕШЕХОДОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ YOLOV7 13
2.1. Архитектура нейронной сети YOLOv7 13
2.2. Что отличает YOLOv7 16
2.3. Постановка задачи детекции людей 20
2.4. Метрики качества 21
2.5. Обучение нейронных сетей 24
2.5.1. Функции активации 24
2.5.2. Функция потерь 25
2.5.3. Прямое и обратно распространение 27
2.6. Свертка и объединение 27
2.7. Выводы по второй главе 29
3. РЕЗУЛЬТАТЫ ДЕТЕКТИРОВАНИЯ И ТРЕКИНГА, ФИКСАЦИЯ НАРУШЕНИЙ И ПОДСЧЕТ ПЕШЕХОДОВ 31
3.1. Конфигурация нейронной сети YOLO 31
3.2. Алгоритмы фиксации нарушений и подсчета людей 32
3.3. Результаты программы 35
3.4. Выводы по третьей главе 39
ЗАКЛЮЧЕНИЕ 40
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 43
ПРИЛОЖЕНИЕ А
Современный город не может обойтись без удобной и безопасной системы дорожного движения, в которой особую роль играет контроль на пешеходных переходах. В условиях повышенной плотности населения и увеличения автотранспортных средств на дорогах, вопрос безопасности пешеходов становится особенно актуальным. ГИБДД представила отчет о смертности в автомобильных авариях по итогам за первые шесть месяцев 2022 года. За этот период в РФ произошло 53,5 тысячи ДТП с пострадавшими и погибшими, при этом количество погибших составило 5,6 тысячи человек (снижение на 3,9% по сравнению с январем-июнем 2021 года), а число раненых составило 67,7 тысяч человек (снижение на 7,5%) [1].
В связи с этим, разработка нейросетевых систем для контроля пешеходных переходах на перекрестках имеет большое значение для повышения безопасности дорожного движения. Одним из наиболее эффективных методов для обнаружения пешеходов на изображениях видеонаблюдения является использование нейронных сетей.
Объектом данной работы является городской перекресток с пешеходными переходами. Это включает в себя анализ особенностей перехода по правила дорожного движения и вычисление потока с разных сторон.
Предметом исследования является разработка системы контроля пешеходных потоков с использованием нейронных сетей, которая способна обнаруживать, прикреплять детектированным объектам трекер, фиксировать нарушения и вести подсчет.
Целью данной работы является разработка эффективной системы, которая в режиме реального времени обнаруживает нарушения и ведет подсчет пешеходов на перекрестке.
Для достижения поставленной цели необходимо выполнить ряд задач:
1) изучение уже существующих методов решения задач по распознаванию пешеходов;
2) ознакомление и изучение модельных экспериментов;
3) собрать и подготовить данные;
4) провести работу нейронной сети контроля пешеходного потока в режиме реального времени;
5) провести анализ полученных данных.
Цель данной работы заключалась в использовании модели искусственной нейронной сети, которая в режиме реального времени обнаруживает и ведет подсчет пешеходов в каждом направлении дорожного узла и фиксирует нарушение правил перехода.
В процессе работы над задачей обнаружения пешеходов была определена ее формулировка как задачи детекции объектов, где основными подходами являются методы компьютерного зрения и глубокие нейронные сети. Для решения поставленной задачи была выбрана нейронная сеть YOLOv7.
Кроме того, была создана математическая модель и разработана архитектура для решения задачи обнаружения пешеходов. В работе также были рассмотрены метрики качества и функция потерь, которые позволяют оценить точность работы нейронной сети YOLOv7.
Нейронная сеть YOLOv7 обучается на больших наборах данных, содержащих различные изображения с разметкой объектов. Официальная реализация, предоставленная автором проекта, предлагает использовать для обучения такие наборы данных, как COCO, Pascal VOC. Общий объем данных COCO составляет около 200 000 размеченных изображений для обучения и около 20 000 изображений для валидации. Однако может быть обучен и на пользовательских наборах данных, содержащих изображения объектов, с соответствующей разметкой. Обучение нейросети производится с использованием метода обратного распространения ошибки и оптимизации параметров сети с помощью градиентных методов, таких как стохастический градиентный спуск SGD или адаптивные алгоритмы оптимизации, например, Adam или RMSprop.
В качестве среды разработки использовался PyCharm c применением языка программирования Python 3.8.
Цель данной работы успешно достигнута, и все поставленные задачи были полностью решены. Разработанная архитектура нейронной сети будет
применяться для решения соответствующих задач на кафедре автомобильного транспорта ЮУрГУ.
Учитывая быстрый прогресс в области нейронных сетей и появление новых современных решений, дальнейшая работа может быть направлена на исследование новых архитектур и подходов для решения задачи обнаружения пешеходов.
