📄Работа №215332
Тема: Анализ пешеходного трафика с помощью нейронных сетей в режиме реального времени
Тип работы
Дипломные работы, ВКР
Предмет
информатика
Объем:
45 листов
Год:
2022
Просмотров:
11
4360
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
ВВЕДЕНИЕ 7
1 МЕТОДЫ ДЕТЕКТИРОВАНИЯ ПЕШЕХОДОВ В РЕЖИМЕ РЕАЛЬНОГО
ВРЕМЕНИ 9
1.1 Этапы детектирования пешеходов 9
1.2 Методы, использующие деформируемые модели 11
1.3 Деревья решений 16
1.4 Глубокие нейронные сети 18
1.5 Вывод по разделу 1 28
2 ДЕТЕКЦИЯ ПЕШЕХОДОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ YOLOV4 30
2.1 Архитектура нейронной сети и подготовка данных 30
2.2 Постановка задачи детекции пешеходов и метрики качества 33
2.3 Обучение сверточной нейронной сети 36
2.3.1 Функции активации и функция потерь 36
2.3.2 Операция свертки и субдискретизации. Кодировщик.
Декодировщик 40
2.3.3 Метод оптимизации функции потерь и метод обучения
нейронной сети 43
2.4 Выводы по разделу 2 47
3 РЕЗУЛЬТАТЫ ДЕТЕКТИРОВАНИЯ ПЕШЕХОДОВ В РЕЖИМЕ
РЕАЛЬНОГО ВРЕМЕНИ СЕТЬЮ YOLOV4 И ИХ АНАЛИЗ 49
3.1 Алгоритмы обучения и тестирования нейронной сети YOLOv4 49
ЗАКЛЮЧЕНИЕ 63
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 65
Приложения должны быть в работе, но в данный момент отсутствуют
1 МЕТОДЫ ДЕТЕКТИРОВАНИЯ ПЕШЕХОДОВ В РЕЖИМЕ РЕАЛЬНОГО
ВРЕМЕНИ 9
1.1 Этапы детектирования пешеходов 9
1.2 Методы, использующие деформируемые модели 11
1.3 Деревья решений 16
1.4 Глубокие нейронные сети 18
1.5 Вывод по разделу 1 28
2 ДЕТЕКЦИЯ ПЕШЕХОДОВ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ YOLOV4 30
2.1 Архитектура нейронной сети и подготовка данных 30
2.2 Постановка задачи детекции пешеходов и метрики качества 33
2.3 Обучение сверточной нейронной сети 36
2.3.1 Функции активации и функция потерь 36
2.3.2 Операция свертки и субдискретизации. Кодировщик.
Декодировщик 40
2.3.3 Метод оптимизации функции потерь и метод обучения
нейронной сети 43
2.4 Выводы по разделу 2 47
3 РЕЗУЛЬТАТЫ ДЕТЕКТИРОВАНИЯ ПЕШЕХОДОВ В РЕЖИМЕ
РЕАЛЬНОГО ВРЕМЕНИ СЕТЬЮ YOLOV4 И ИХ АНАЛИЗ 49
3.1 Алгоритмы обучения и тестирования нейронной сети YOLOv4 49
ЗАКЛЮЧЕНИЕ 63
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 65
Приложения должны быть в работе, но в данный момент отсутствуют
📖 Введение
В настоящее время отклонение движения пешеходов от пешеходных переходов является одной из причин ДТП [1, 8]. Как никогда актуальным является решение проблемы возникновения ДТП с участием пешеходов в режиме реального времени.
Государство заинтересовано в улучшении городской среды и предотвращении числа аварий с участием пешеходов, обеспечении качественной мобильности пешеходного движения.
Существует множество решений по обнаружению пешеходных потоков [10]. Каждое из них необходимо для проектирования транспортных сетей, планирования бизнес-решений, улучшения навигации для пешеходов и водителей, а также улучшения состояния городской среды в целом. Но, к сожалению, большая часть этих решений не обладает необходимой нам мобильностью. Также множество существующих систем довольно дороги в использовании, что опять же не выгодно потребителям.
Основные проблемы определения пешеходных потоков заключаются в непредсказуемом поведении пешеходов, невыгодном положении камеры относительно пешеходных переходов (направлены только на один пешеходный переход, сильно отдалены от пешеходного перехода), а также в погодных условиях (засвеченные объекты и пр.).
Предлагаемый программный модуль будет детектировать пешеходов с помощью нейронной сети YOLOv4, что является довольно новым решением в этой области. Данная нейронная сеть обладает высокой скоростью и способна обнаруживать пешеходные потоки в режиме реального времени, так же данная сеть обладает высокой точностью по сравнению с существующими аналогами. Использование программного модуля не требует дополнительных финансовых трат по установке камер в городе, а использует уже имеющиеся камеры, вне зависимости от их положения относительно пешеходных переходов.
Таким образом, целью данного проекта является обучение нейронной сети, позволяющей отследить пешеходов и анализ полученных данных в режиме реального времени.
Для достижения данной цели необходимо выполнить следующие задачи:
1) исследование существующих аналогов для последующего выявления достоинств и недостатков;
2) подготовка набора данных для обучения и тестирования нейронной сети;
3) обучение нейронной сети;
4) проверка работы в режиме реального времени;
5) создание компьютерной программы для обнаружения и отслеживания пешеходов;
6) создание алгоритмов для определения местоположения на дорожном узле и направления движения пешеходов;
7) разработка и реализация алгоритма для построения тепловой карты пешеходов.
Государство заинтересовано в улучшении городской среды и предотвращении числа аварий с участием пешеходов, обеспечении качественной мобильности пешеходного движения.
Существует множество решений по обнаружению пешеходных потоков [10]. Каждое из них необходимо для проектирования транспортных сетей, планирования бизнес-решений, улучшения навигации для пешеходов и водителей, а также улучшения состояния городской среды в целом. Но, к сожалению, большая часть этих решений не обладает необходимой нам мобильностью. Также множество существующих систем довольно дороги в использовании, что опять же не выгодно потребителям.
Основные проблемы определения пешеходных потоков заключаются в непредсказуемом поведении пешеходов, невыгодном положении камеры относительно пешеходных переходов (направлены только на один пешеходный переход, сильно отдалены от пешеходного перехода), а также в погодных условиях (засвеченные объекты и пр.).
Предлагаемый программный модуль будет детектировать пешеходов с помощью нейронной сети YOLOv4, что является довольно новым решением в этой области. Данная нейронная сеть обладает высокой скоростью и способна обнаруживать пешеходные потоки в режиме реального времени, так же данная сеть обладает высокой точностью по сравнению с существующими аналогами. Использование программного модуля не требует дополнительных финансовых трат по установке камер в городе, а использует уже имеющиеся камеры, вне зависимости от их положения относительно пешеходных переходов.
Таким образом, целью данного проекта является обучение нейронной сети, позволяющей отследить пешеходов и анализ полученных данных в режиме реального времени.
Для достижения данной цели необходимо выполнить следующие задачи:
1) исследование существующих аналогов для последующего выявления достоинств и недостатков;
2) подготовка набора данных для обучения и тестирования нейронной сети;
3) обучение нейронной сети;
4) проверка работы в режиме реального времени;
5) создание компьютерной программы для обнаружения и отслеживания пешеходов;
6) создание алгоритмов для определения местоположения на дорожном узле и направления движения пешеходов;
7) разработка и реализация алгоритма для построения тепловой карты пешеходов.
✅ Заключение
Цель данной работы заключалась в разработке модели искусственной нейронной сети, которая в режиме реального времени обнаруживает пешеходов в каждом направлении дорожного узла и анализа полученных данных.
В ходе работы задача обнаружения пешеходов была сформулирована, как задача детекции объектов (пешеходов) на изображении, рассмотрены различные подходы к ее решению, которые подразделяются на две основные группы – методы из области компьютерного зрения и глубокие нейронные сети. Была выбрана нейронная сеть YOLOv4 для решения поставленной задачи.
Также была составлена математическая модель и разработана архитектура для решения задачи детекции пешеходов. Были приведены метрики качества и функция потерь, которые позволяют определить точность работы YOLOv4. В качестве алгоритма обучения выбран метод обратного распространения ошибки с применением оптимизации функции потерь методом ускоренного градиента Нестерова.
Для сбора данных для обучения за внимание были взяты 7 камер различных дорожных узлов. С них было собрано около 33000 изображений, на которых размечен каждый из пешеходов. После дальнейших преобразований, путем аугментации, число изображений выросло до 66 000. Среди них 16 800 изображения представляют собой валидационную выборку, оставшиеся – тренировочную. Подготовка данных осуществлялась с помощью платформы Sypervisely и YOLO BBox Annotation Tool.
В качестве фреймворка для обучения использовался DarkNet. Это фреймворк с открытым исходным кодом, написанный на языке Си. В качестве среды разработки использовался PyCharm c применением языка программирования Python 3.6.
Для проведения анализа точности работы нейронной сети были использованы метрики качества, такие как - локализация объекта (IoU), точность (accuracy),точность (precision),полнота (recall),также визуализируется матрица ошибок.
Были разработаны и реализованы алгоритмы определения положения, направления и тепловая карта движения пешехода на дорожном узле для анализа полученных из нейронной сети данных.
На основе разработанной модели нейронной сети и её сравнении с другими моделями детекции была написана статья, которая была включена в сборник [5].
В ходе работы задача обнаружения пешеходов была сформулирована, как задача детекции объектов (пешеходов) на изображении, рассмотрены различные подходы к ее решению, которые подразделяются на две основные группы – методы из области компьютерного зрения и глубокие нейронные сети. Была выбрана нейронная сеть YOLOv4 для решения поставленной задачи.
Также была составлена математическая модель и разработана архитектура для решения задачи детекции пешеходов. Были приведены метрики качества и функция потерь, которые позволяют определить точность работы YOLOv4. В качестве алгоритма обучения выбран метод обратного распространения ошибки с применением оптимизации функции потерь методом ускоренного градиента Нестерова.
Для сбора данных для обучения за внимание были взяты 7 камер различных дорожных узлов. С них было собрано около 33000 изображений, на которых размечен каждый из пешеходов. После дальнейших преобразований, путем аугментации, число изображений выросло до 66 000. Среди них 16 800 изображения представляют собой валидационную выборку, оставшиеся – тренировочную. Подготовка данных осуществлялась с помощью платформы Sypervisely и YOLO BBox Annotation Tool.
В качестве фреймворка для обучения использовался DarkNet. Это фреймворк с открытым исходным кодом, написанный на языке Си. В качестве среды разработки использовался PyCharm c применением языка программирования Python 3.6.
Для проведения анализа точности работы нейронной сети были использованы метрики качества, такие как - локализация объекта (IoU), точность (accuracy),точность (precision),полнота (recall),также визуализируется матрица ошибок.
Были разработаны и реализованы алгоритмы определения положения, направления и тепловая карта движения пешехода на дорожном узле для анализа полученных из нейронной сети данных.
На основе разработанной модели нейронной сети и её сравнении с другими моделями детекции была написана статья, которая была включена в сборник [5].
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.