Тип работы:
Предмет:
Язык работы:


Распознавание объектов методами наземного мониторинга для определения нагрузки на дорожное полотно

Работа №22651

Тип работы

Магистерская диссертация

Предмет

информационные системы

Объем работы78
Год сдачи2016
Стоимость5700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
493
Не подходит работа?

Узнай цену на написание


Введение 3
Глава 1. Системы мониторинга. Распознавание изображений 6
1.1. Мониторинг состояния дорог 6
1.2. Методы мониторинга, распознавания изображений и
прогнозирования 16
1.3. Постановка задачи 30
1.4. Обоснования среды программирования. 32
1.5. Выводы к главе 36
Глава 2. Методы контроля трафика транспортных средств 37
2.1. Специфика решаемой задачи фото/видеонаблюдения 37
2.2. Распознавание изображений 39
2.3. Математическое моделирование состояния транспортной системы 44
2.4. Выводы к главе 47
Глава 3. Программное приложение 48
3.1. Проектирование системы 48
3.2. Программные продукты 50
Заключение 61
Список использованных источников 62
Приложение

В настоящее время отмечается бурный рост использования систем фото/видеонаблюдения, что объясняется широким кругом решаемых такими системами задач и постоянно увеличивающейся доступностью средств наблюдения и связи. Системы фото/видеонаблюдения находят применение в сферах мониторинга дорожно-транспортных систем, обеспечения безопасности и правопорядка, беспилотной авиации, контроля процессов на производстве, а также во
многих других сферах нашей жизни. Их использование позволяет анализировать состояние наблюдаемых объектов, повышать эффективность их управления, надежность и качество получаемых результатов, оказывать поддержку при
принятии решений. С развитием компьютерных методов обработки визуальных
данных все более привлекательными становятся интеллектуальные системы
фото/видеонаблюдения, способные в автоматическом режиме анализировать
поступающую информацию и проходить машинное обучение. Информатизация
процесса позволяет кардинально увеличить масштабы мониторинга и сократить
использование человеческих ресурсов, увеличив при этом надежность и непредвзятость наблюдения за объектом. Существенную долю интеллектуальных
систем видеонаблюдения составляет дорожное наблюдение, занимающееся,
среди прочего, контролем ПДД, мониторингом загруженности дорог, обнаружением дорожно-транспортных происшествий. В крупных городах, таких как
Москва, количество камер дорожного видеонаблюдения ежегодно увеличивается в 1,5–2 раза. В течении года 95 % штрафов выписывается с помощью автоматических систем фото/видеонаблюдения.
Данная работа посвящена системе мониторинга транспортной сети, для
контроля дорожного трафика, классификации объектов и определения нагрузки
на дорожное полотно, что существенно увеличит контроль за состоянием дороги.
Объектом исследования является процесс контроля транспортного поток
и нагрузки на дорожное полотно с использованием компьютерных методов об-4
работки информации. Предметом исследования являются методы и алгоритмы
компьютерного зрения и машинного обучения.
Целью данной работы является повышение эффективности контроля над
состоянием дорожного полотна в транспортных системах.
Основными задачами для достижения поставленной цели являются:
 Системная идентификация объекта мониторинга и его веса;
 Создание информационной базы данных по показателям текущего состояния загруженности дорог;
 Подготовка материалов аналитической направленности с использованием
математических методов анализа данных;
 Накопление информации, необходимой для анализа ситуации, описания
прогнозного фона и прогнозирования ситуации на дороге в определенный
день недели или месяц.
Представленная магистерская диссертация состоит из введения, трёх
глав, заключения, списка использованных источников, и приложения. Первая
глава носит обзорный характер. В ней дается характеристика существующих
средств мониторинга транспортных систем, факторов влияющих на него, обзор
существующих методов фото/видео-фиксации, распознавания, классификации
объектов и прогнозирования интенсивности транспортного потока, а также постановка задачи. Во второй главе обсуждаются вопросы математического моделирования и прогнозирования транспортного потока, проводится анализ собранных статистических данных по результатам фото/видео-фиксации и строится регрессионная модель изменения интенсивности транспортного потока со
временем. На основе полученной модели разработан алгоритм прогнозирования
изменения интенсивности транспортного потока. Также построен алгоритм
распознавания объектов фото/видео фиксации на базе комбинации метода отделения фона и технологии Blob Detection. В третьей главе описана реализация
программного приложения для мониторинга и прогнозирования состояния
транспортной системы.5
Потенциальными потребителями разработанного приложения, являются
проектные организации, строительные компании, организации эксплуатирующие дороги, службы оперативного реагирования, водители и службы ГАИ.
В ходе выполнение магистерской диссертации была написана статья на
тему: " Распознавание объектов методами наземного мониторинга для определения нагрузки на дорожное полотно" в электронный сборник международной
научно-технической конференции студентов, аспирантов и молодых ученых
Проспект Свободный  2016.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


Итогом работы представленной магистерской диссертации является программное приложение использующее фото/видео-фиксацию для решения задач
мониторинга транспортных средств и определения нагрузки на дорожное полотно. Данная работа нацелена на распознавание объектов методами наземного
мониторинга для определения нагрузки на дорожное полотно, которые найдут
себе применение в стремительно развивающейся в настоящее время области
автоматизированного дорожного видеонаблюдения. Данное приложение способствует активной информатизации процесса мониторинга этих участков дорожно-транспортной системы, что позволяет повысить безопасность их использования.
Основные результаты работы состоят в следующем:
1) Выполнен анализ существующих методов обработки информации, необходимых для функционирования разрабатываемой системы, сделавший возможным сопоставление их характеристик с особенностями решаемой задачи
видеонаблюдения и подбор наиболее подходящих алгоритмов, что улучшило
показатели функционирования системы.
2) Выполнена формализация задачи «Распознавание объектов методами
наземного мониторинга для определения нагрузки на дорожное полотно» и
предложена модель анализа и пакет программ, способные помогать в решении
поставленной задачи, что расширило возможности использования систем автоматической фото/видео-фиксации в транспортных системах.
Сфера применений представленной системы не ограничивается фото/видео-фиксацией для распознавания образов и вычитывания их. Другим
применением при изменении алгоритма работы является, например, наблюдение за автотранспортом на выявление нарушений ПДД.


К. Фукунага. Введение в статистическую теорию распознавания образов [Текст]: науч. изд. / К. Фукунага. – М.: Наука, 1979. – 368 с.
2. Вощинин А. П. , Сотиров Г. Р. Оптимизация в условиях неопределенности. Изд-во МЭИ (СССР), «Техника» (НРБ), 1989.
3. Макаров И. М., Виноградская Т. М., Рубчинский А. А., Соколов В. Б.
Теория выбора и принятия решений. - М.: Наука, 1982.
4. Афанасьев Ю. А., Фомин С. А. и др. Мониторинг и методы контроля
окружающей среды: Учеб. пособие. – М.: Изд-во МНЭПУ, 2001. – 208 с.
5. Мкртчан Ф. А. Оптимальное различение сигналов и проблемы мониторинга- 1982. -186 с. Букинист.
6. Лебедев В. В., Гансвинд И. Н. Проектирование систем космического
мониторинга 2010. 388 с. Букинист.
7. Тетельмин В. В., Язев В. А. Основы экологического мониторинга 2013.
Твердый переплет. 256 с.
8. Бакланов А. И. Системы наблюдения и мониторинга. Учебное пособие.2014. Мягкая обложка. 234 с.
9. Кондратьев А. И. Теоретико-игровые модели в задачах распознавания.1986. Твердый переплет. 286 с. Букинист.
10. Фомин Я. А. Распознавание образов: теория и применения. Изд.3,
доп.2014. Твердый переплет. 460 с.
11. Фор А. Восприятие и распознавание образов. Пер. с франц.1989.
Твердый переплет. 272 с. Букинист.
12. Фу К. Последовательные методы в распознавании образов и обучении
машин: Пер. с англ.1971. Твердый переплет. 256 с.
13. Ковалевский В. А. Методы оптимальных решений в распознавании
изображений.1976. Твердый переплет. 328 с.
14. Закревский А. Д. Логика распознавания. Изд.2.2003. Мягкая обложка.
144 с.63
15. Коренной А. В. (Ред.). Обнаружение, распознавание и определение
параметров образов объектов 2012. Мягкая обложка. 116 с.
16. Мерков А. Б. Распознавание образов: Построение и обучение вероятностных моделей 2014. Твердый переплет. 240 с.
17. Тимохин В. И. Применение ЭВМ для решения задач распознавания
образов. 1983. Мягкая обложка. 216 с. Букинист.
18. Музыкин С. Н., Родионова Ю. М. Моделирование динамических систем. 2003. Твердый переплет. 304 с. Букинист.
19. Емельянов С. В. (Ред.).Труды ИСА РАН: Системы управления и моделирование. Динамические системы. Управление рисками и безопасностью.
Методы и модели в экономике. Прикладные аспекты информатики. Т.64.
Вып.2. 2014. Мягкая обложка. 124 с.
20. Колосовский М. А. Влияние шумов камеры на качество работы системы видеонаблюдения // Всероссийская студенческая научно-практическая
конференция «Молодая Наука — 2014» / Моск. финанс.-юридич. ун-т. Москва:
2014. С. 154.
21. Колосовский М. А. Отделение объектов от фона в задаче видеонаблюдения за пешеходными переходами // XVIII Всероссийская научная конференция студентов, аспирантов и молодых ученых «Наука и молодежь: проблемы,
поиски, решения» / Сиб. гос. индустр. ун-т. Т. II. Технические науки. Новокузнецк: Изд. центр СибГИУ, 2014. С. 197–199.
22. Кочубиевский И. Д., Стражмейстер В. А., Калиновская Л. В., Матвеев
П. А. Динамическое моделирование и испытания технических систем.1978.
Твердый переплет. 304 с. Букинист.
23. Тропченко А. Ю., Тропченко А. А. Методы сжатия изображений, аудиосигналов и видео: Учебное пособие. СПб: СПбГУ ИТМО, 2009. 108 с.
24. Баранов Г. Л., Макаров А. В.Структурное моделирование сложных
динамических систем 1986. Твердый переплет. 272 с. Букинист.
25. Снапелев Ю. М., Старосельский В. А. Моделирование и управление в
сложных системах 1974. Твердый переплет. 264 с. Букинист.64
26. Радченко В. П. и др. (Ред.). Математическое моделирование и краевые
задачи: Труды IV Всерос. науч. конф. Ч.2: Моделирование и оптимизация динамических систем и систем с распределенными параметрами. Ч.2. 2007. Мягкая обложка. 160 с. Букинист.
27. Valera M., Velastin S. Intelligent distributed surveillance systems: a review
// IEE Proceedings – Vision, Image and Signal Processing. Vol. 152. 2005. P. 192–
204.
28. Intelligent distributed video surveillance systems / Ed. by S. Velasin, P.
Remagnino; The Institution of Engineering and Technology. United Kingdom: IET,
2006. Vol. 5 of Professional Applications of Computing. 282 p.
29. Nam Y., Rho S., Park J. H. Intelligent video surveillance system: 3-tier
contextaware surveillance system with metadata // Multimedia Tools and Applications. 2012. Vol. 57, no. 2. P. 315–334.
30. Background modeling and foreground detection for video surveillance / Ed.
by T. Bouwmans, F. Porikli, B. Hoferlin et al. United Kingdom: Chapman and ¨
Hall/CRC, 2014. 616 p.
31. Sabzmeydani P., Mori G. Detecting pedestrians by learning shapelet features // IEEE Conference on Computer Vision and Pattern Recognition (CVPR) /
IEEE. 2007. P. 1–8.
32. Multiple component learning for object detection / P. Dollar, B. Babenko,
S. Be- ´ longie et al. // European Conference on Computer Vision (ECCV). Springer,
2008. P. 211–224.
33. Viola P., Jones M. J. Robust real-time face detection // International journal
of computer vision. 2004. Vol. 57, no. 2. P. 137–154.
34. Chiu C.-C., Ku M.-Y., Wang C.-Y. Automatic traffic surveillance system
for vision-based vehicle recognition and tracking // Journal of Information Science
and Engineering. 2010. Vol. 26, no. 2. P. 611–629.
35. Jeong S., Kang S., Kim J. Vehicle detection based on the use of shadow region and edge // Proceedings of Society of Photo-Optical Instrumentation Engineers65
(SPIE) 8878, Fifth International Conference on Digital Image Processing (ICDIP) /
SPIE. Vol. 8878. 2013. 4 p.
36. Hough forests for object detection, tracking, and action recognition / J.
Gall, A. Yao, N. Razavi et al. // IEEE Transactions on Pattern Analysis and Machine
Intelligence (TPAMI). 2011. Vol. 33, no. 11. P. 2188–2202.
37. Roller D., Daniilidis K., Nagel H.-H. Model-based object tracking in monocular image sequences of road traffic scenes // International Journal of Computer
Vision (IJCV). 1993. Vol. 10, no. 3. P. 257–281.
38. Background and foreground modeling using nonparametric kernel density
estimation for visual surveillance / A. Elgammal, R. Duraiswami, D. Harwood et al. //
Proceedings of the IEEE. 2002. Vol. 90, no. 7. P. 1151–1163

Работу высылаем на протяжении 30 минут после оплаты.




©2024 Cервис помощи студентам в выполнении работ