Мини проект классификация автомобили: Мини-проект Классификация. Найдите в дополнительных источниках информацию и выполните

Обсуждение: Таблица 3 демонстрирует влияние глубины сети на производительность с точки зрения точности самостоятельно созданного набора данных о транспортных средствах.Видно, что производительность ResNet увеличивается с увеличением глубины сети. Следовательно, ResNet со 152 уровнями обеспечивает лучшую точность в общих классах набора данных по сравнению с ResNet с более низкими уровнями глубины. Подробные матрицы производительности ResNet со 152 уровнями показаны в Таблице 4.

5.4. Оценка модифицированной CNN на наборе данных VeRi

Основываясь на характеристиках настроенных сетей, показанных в таблице 4, предлагаемая классификационная сеть была точно настроена на общедоступном наборе данных VeRi [42, 43] для обеспечения обобщения. Набор данных, включающий 50000 изображений, был разделен на шесть классов, то есть автобус, MPV, пикап, седан, грузовик и фургон, распределенный между тестами и поездами с соотношением сторон 80: 20.Важно отметить, что эти классы выбираются на основе разброса данных. Матрицы показателей, представленные в таблице 5, раскрывают эффективность представленной системы классификации.

5.5. Сравнение с существующими современными методами классификации транспортных средств

Эффективность представленного метода классификации сравнивается с традиционными методами классификации транспортных средств, чтобы доказать применимость предлагаемой системы с точки зрения классовой и средней точности, как показано в таблице 6. Существующие системы классификации [11, 44–46] были реализованы в MATLAB 2019a, который был обучен и оценен на самостоятельно созданном наборе данных о транспортных средствах.

. Предложенная система классификации была сравнена с существующими системами классификации транспортных средств [11, 44–46], чтобы подтвердить эффективность предложенной сети. Существующие сети были воспроизведены в предлагаемом наборе данных. Zhuo et al. [44] представили метод классификации транспортных средств на основе архитектуры GoogleNet с 22-уровневой глубинной сетью.С другой стороны, Gao et al. [45] представили основанную на AlexNet систему классификации транспортных средств, содержащую 5 сверточных и 3 полносвязных уровня в сети. Shivai et al. [46] представили самопредложенную систему классификации транспортных средств на основе CNN, имеющую 13 сверточных слоев и один полностью связанный слой, за которым следуют уровни максимального объединения и отбрасывания, тогда как Zakria et al. [11] представили систему классификации на основе начальной архитектуры. Хотя эти системы продемонстрировали хорошую производительность на своих наборах данных, одна из основных причин разницы в точности заключается в том, что эти существующие системы [11, 44–46] состоят из сетей небольшой глубины, которые не сходятся на крупномасштабных наборах данных. .Кроме того, существующие системы [11, 44–46] обучаются на ограниченных классах, не охватывающих обычные дорожные транспортные средства. В результате эти системы плохо работают в приложениях классификации в реальном времени. Более того, здесь важно упомянуть, что эти методы были обучены на несбалансированных наборах данных, что также является важным фактором в работе систем классификации транспортных средств в реальном времени. Следовательно, производительность этих существующих систем подвергается сомнению при оценке предлагаемого нами самостоятельно созданного сбалансированного набора данных, тогда как, с другой стороны, предлагаемая система классификации транспортных средств обучается на самостоятельно созданном наборе данных транспортных средств, состоящем из 10000 изображений, которые охватывают общие классов дорожного движения, а также доработаны в общедоступном наборе данных VeRi, который содержит 50 000 изображений, чтобы обеспечить обобщение предлагаемой системы классификации.Следовательно, предложенная нами система классификации достигла более высокой точности, чем существующие системы классификации транспортных средств.

6. Заключение

В этой статье предлагается основанная на CNN система классификации транспортных средств для повышения эффективности интеллектуальных транспортных систем. Новый набор данных, содержащий 10 000 изображений шести классов, создан для обучения системе классификации. Первоначально пять современных CNN, то есть AlexNet, Inception-v3, GoogleNet, VGG и ResNet, обучаются на собранном наборе данных для проверки производительности.Основываясь на эффективности, ResNet со 152 уровнями улучшена путем добавления нового блока классификации в исходную сеть посредством передачи обучения. Для обеспечения обобщения предлагаемая система классификации доработана для общедоступного набора данных VeRi. Результаты показывают, что предложенная система классификации достигла более высокой точности, т. Е. 99,68% и 97,66%, на самостоятельно созданном наборе данных и наборе данных VeRi, соответственно, что значительно выше, чем у существующих современных систем классификации.В будущем мы стремимся расширить нашу работу по разработке детальной системы классификации для повышения эффективности предлагаемого метода в интеллектуальных транспортных системах.

Доступность данных

Все данные, использованные для подтверждения результатов исследования, доступны в рукописи.

Раскрытие информации

Мухаммад Атиф Батт и Асад Масуд Хаттак — первые совместные авторы этой работы.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Вклад авторов

Концептуализация и методология исследования были выполнены Мухаммадом Атифом Баттом, Асадом Масудом Хаттаком и Сармадом Шафиком. Техническая и теоретическая основа была подготовлена ​​Сармадом Шафиком и Саймой Абид. Технический обзор и улучшения были выполнены Ахташамом Саджидом, Мухаммадом Вакасом Аюбом, Баширом Хаятом и Авайсом Аднаном. Общую техническую поддержку, руководство и администрирование проекта осуществляли Мухаммад Атиф Батт, Асад Масуд Хаттак, Сайма Абид и Ки-Иль Ким.

Благодарности

Эта исследовательская работа была поддержана Фондом поощрения исследований Университета Зайда № R19096.

Проект Python по распознаванию дорожных знаков с точностью 95% с использованием CNN и Keras

Бесплатный курс Python с 25 проектами в реальном времени. Начни сейчас!

Проект Python — Распознавание дорожных знаков

Вы, должно быть, слышали о беспилотных автомобилях, в которых пассажир может полностью полагаться на автомобиль во время путешествия.Но для достижения 5-го уровня автономности транспортным средствам необходимо понимать и соблюдать все правила дорожного движения.

В мире искусственного интеллекта и развития технологий многие исследователи и крупные компании, такие как Tesla, Uber, Google, Mercedes-Benz, Toyota, Ford, Audi и т. Д., Работают над автономными транспортными средствами и беспилотными автомобилями. Таким образом, для достижения точности в этой технологии транспортные средства должны уметь интерпретировать дорожные знаки и принимать соответствующие решения.

Это восьмой проект DataFlair из 20 проектов Python.Рекомендую добавить в закладки предыдущие проекты:

1. Обнаружение фейковых новостей Python Project
2. Проект Python по обнаружению болезни Паркинсона
3. Проект Python для определения цвета
4. Проект Python для распознавания эмоций речи
5. Проект Python по классификации рака молочной железы
6. Проект Python для определения возраста и пола
7. Проект Python для распознавания рукописных цифр
8. Проект чат-бота на Python
9. Драйвер обнаружения сонливости Python Project
10. Проект Python для распознавания дорожных знаков
11. Генератор подписей к изображениям Python Project

Что такое распознавание дорожных знаков?

Существует несколько различных типов дорожных знаков, таких как ограничение скорости, запрет на въезд, светофоры, поворот налево или направо, переход детей, запрещение проезда тяжелых транспортных средств и т. Д.Классификация дорожных знаков — это процесс определения того, к какому классу принадлежит дорожный знак.

Распознавание дорожных знаков — о проекте Python

В этом примере проекта Python мы построим модель глубокой нейронной сети, которая может классифицировать дорожные знаки, присутствующие на изображении, по различным категориям. С помощью этой модели мы можем читать и понимать дорожные знаки, что является очень важной задачей для всех автономных транспортных средств.

Набор данных проекта Python

Для этого проекта мы используем общедоступный набор данных, доступный на Kaggle:

Набор данных дорожных знаков

Набор данных содержит более 50 000 изображений различных дорожных знаков.Далее он подразделяется на 43 различных класса. Набор данных весьма разнообразен: некоторые классы содержат много изображений, а некоторые классы — несколько изображений. Размер набора данных составляет около 300 МБ. В наборе данных есть папка поезда, которая содержит изображения внутри каждого класса, и тестовая папка, которую мы будем использовать для тестирования нашей модели.

Предварительные требования

Этот проект требует предварительного знания Keras, Matplotlib, Scikit-learn, Pandas, PIL и классификации изображений.

Чтобы установить необходимые пакеты, используемые для этого проекта Python по науке о данных, введите в терминале следующую команду:

 pip install tenorflow keras sklearn matplotlib pandas pil 

Хотите стать профессионалом в Python?

Ознакомьтесь с 270+ бесплатными учебными пособиями по Python

Шаги по созданию проекта Python

Чтобы начать работу с проектом, загрузите и распакуйте файл по этой ссылке — Zip-файл распознавания дорожных знаков

И файлы распаковать в папку так, чтобы у вас были шлейф, тест и метапапка.

Создайте файл сценария Python и назовите его traffic_signs.py в папке проекта.

Наш подход к построению этой модели классификации дорожных знаков состоит из четырех этапов:

• Изучить набор данных
• Постройте модель CNN
• Обучить и проверить модель
• Протестируйте модель с тестовым набором данных

Шаг 1. Изучите набор данных

Наша папка «train» содержит 43 папки, каждая из которых представляет отдельный класс.Диапазон значений папки от 0 до 42. С помощью модуля ОС мы перебираем все классы и добавляем изображения и их соответствующие метки в список данных и меток.

Библиотека PIL используется для открытия содержимого изображения в массиве.

Наконец, мы сохранили все изображения и их метки в списки (данные и метки).

Нам нужно преобразовать список в массивы numpy для подачи в модель.

Форма данных — (39209, 30, 30, 3), что означает, что имеется 39 209 изображений размером 30 × 30 пикселей, а последние 3 означают, что данные содержат цветные изображения (значение RGB).

В пакете sklearn мы используем метод train_test_split () для разделения данных обучения и тестирования.

Из пакета keras.utils мы используем метод to_categorical для преобразования меток, присутствующих в y_train и t_test, в горячую кодировку.

Шаг 2: Постройте модель CNN

Чтобы классифицировать изображения по соответствующим категориям, мы построим модель CNN ( Сверточная нейронная сеть ). CNN лучше всего подходит для целей классификации изображений.

Архитектура нашей модели:

• 2 Слой Conv2D (фильтр = 32, размер_ядра = (5,5), активация = «relu»)
• Слой MaxPool2D (pool_size = (2,2))
• Выпадающий слой (коэффициент = 0,25)
• 2 Уровень Conv2D (фильтр = 64, размер_ядра = (3,3), активация = «relu»)
• Слой MaxPool2D (pool_size = (2,2))
• Выпадающий слой (коэффициент = 0,25)
• Выровнять слой, чтобы сжать слои до одного измерения
• Плотный Полностью связанный слой (256 узлов, активация = «relu»)
• Выпадающий слой (коэффициент = 0.5)
• Плотный слой (43 узла, активация = «softmax»)

Мы компилируем модель с помощью оптимизатора Adam, который работает хорошо, и потери составляют «category_crossentropy», потому что у нас есть несколько классов для категоризации.

Этапы 3. Обучить и проверить модель

После построения архитектуры модели мы обучаем модель с помощью model.fit (). Я пробовал использовать размер партии 32 и 64. Наша модель показала лучшие результаты при размере партии 64. И через 15 эпох точность была стабильной.

Наша модель получила точность 95% на обучающем наборе данных. С помощью matplotlib мы строим график точности и потерь.

Точность нанесения

Графики точности и потерь

Шаг 4. Протестируйте нашу модель с помощью тестового набора данных

Наш набор данных содержит тестовую папку, а в файле test.csv у нас есть детали, относящиеся к пути к изображению и их соответствующим меткам классов. Мы извлекаем путь к изображению и метки с помощью панд. Затем, чтобы предсказать модель, мы должны изменить размер наших изображений до 30 × 30 пикселей и создать массив, содержащий все данные изображения.Из sklearn.metrics мы импортировали precision_score и наблюдали, как наша модель предсказывает фактические метки. В этой модели мы достигли точности 95%.

В конце мы собираемся сохранить модель, которую мы обучили с помощью функции Keras model.save ().

 model.save (‘traffic_classifier.h5’) 

Полный исходный код:

 импортировать numpy как np
импортировать панд как pd
импортировать matplotlib.pyplot как plt
импорт cv2
импортировать тензорный поток как tf
из PIL импорта изображения
импорт ОС
из склеарна.model_selection импорт train_test_split
from keras.utils import to_categorical
из keras.models import Sequential, load_model
from keras.layers импортировать Conv2D, MaxPool2D, Dense, Flatten, Dropout

данные = []
label = []
классы = 43
cur_path = os.getcwd ()

# Получение изображений и их этикеток
для i в диапазоне (классы):
    путь = os.path.join (cur_path, 'поезд', str (i))
    images = os.listdir (путь)

    для изображений в:
        пытаться:
            image = Изображение.открытый (путь + '\\' + a)
            image = image.resize ((30,30))
            изображение = np.array (изображение)
            #sim = Image.fromarray (изображение)
            data.append (изображение)
            label.append (i)
        Кроме:
            print ("Ошибка загрузки изображения")

# Преобразование списков в массивы numpy
data = np.array (данные)
метки = np.array (метки)

печать (data.shape, labels.shape)
# Разделение набора данных для обучения и тестирования
X_train, X_test, y_train, y_test = train_test_split (данные, метки, test_size = 0.2, random_state = 42)

печать (X_train.shape, X_test.shape, y_train.shape, y_test.shape)

# Преобразование этикеток в одну горячую кодировку
y_train = to_categorical (y_train, 43)
y_test = to_categorical (y_test, 43)

# Построение модели
model = Последовательный ()
model.add (Conv2D (фильтры = 32, размер ядра = (5,5), активация = 'relu', input_shape = X_train.shape [1:]))
model.add (Conv2D (фильтры = 32, размер ядра = (5,5), активация = 'relu'))
model.add (MaxPool2D (размер_пул = (2, 2)))
модель.добавить (выпадение (коэффициент = 0,25))
model.add (Conv2D (фильтры = 64, размер_ядра = (3, 3), активация = 'relu'))
model.add (Conv2D (фильтры = 64, размер_ядра = (3, 3), активация = 'relu'))
model.add (MaxPool2D (размер_пул = (2, 2)))
model.add (Отсев (коэффициент = 0,25))
model.add (Сглаживание ())
model.add (Плотный (256, активация = 'relu'))
model.add (Отсев (коэффициент = 0,5))
model.add (Плотный (43, активация = 'softmax'))

# Составление модели
model.compile (loss = 'category_crossentropy', optimizer = 'adam', metrics = ['precision'])

эпох = 15
история = модель.fit (X_train, y_train, batch_size = 32, эпохи = эпохи, validation_data = (X_test, y_test))
model.save ("my_model.h5")

# построение графиков для точности
plt.figure (0)
plt.plot (history.history ['точность'], label = 'точность обучения')
plt.plot (history.history ['val_accuracy'], label = 'val precision')
plt.title ('Точность')
plt.xlabel ('эпохи')
plt.ylabel ('точность')
plt.legend ()
plt.show ()

plt.figure (1)
plt.plot (history.history ['потеря'], label = 'потеря обучения')
plt.сюжет (history.history ['val_loss'], label = 'val loss')
plt.title ('Потеря')
plt.xlabel ('эпохи')
plt.ylabel ('потеря')
plt.legend ()
plt.show ()

# проверка точности на тестовом наборе данных
из sklearn.metrics импортировать precision_score

y_test = pd.read_csv ('Test.csv')

label = y_test ["ClassId"]. значения
imgs = y_test ["Путь"]. значения

данные = []

для img в imgs:
    image = Image.open (img)
    image = image.resize ((30,30))
    данные.добавить (np.array (изображение))

X_test = np.array (данные)

pred = model.predict_classes (X_test)

# Точность с тестовыми данными
из sklearn.metrics импортировать precision_score
печать (оценка_точности (метки, пред))

model.save (‘traffic_classifier.h5’) 

ПОДОЖДИТЕ! Вы проверили наш последний учебник по OpenCV и компьютерному зрению

Графический интерфейс классификатора дорожных знаков

Теперь мы собираемся создать графический пользовательский интерфейс для нашего классификатора дорожных знаков с помощью Tkinter.Tkinter — это набор инструментов с графическим интерфейсом в стандартной библиотеке Python. Создайте новый файл в папке проекта и скопируйте приведенный ниже код. Сохраните его как gui.py, и вы можете запустить код, набрав python gui.py в командной строке.

В этом файле мы сначала загрузили обученную модель «traffic_classifier.h5» с помощью Keras. Затем мы создаем графический интерфейс для загрузки изображения, и для классификации используется кнопка, вызывающая функцию classify (). Функция classify () преобразует изображение в размер формы (1, 30, 30, 3).Это связано с тем, что для прогнозирования дорожного знака мы должны предоставить тот же размер, который мы использовали при построении модели. Затем мы прогнозируем класс, model.predict_classes (image) возвращает нам число между (0-42), которое представляет класс, к которому он принадлежит. Мы используем словарь, чтобы получить информацию о классе. Вот код файла gui.py.

Код:

 import tkinter as tk
из диалогового окна файла импорта tkinter
из tkinter import *
из PIL импортировать ImageTk, Image

import numpy
# загрузить обученную модель для классификации знака
из кераса.модели импортировать load_model
модель = load_model ('traffic_classifier.h5')

#dictionary для обозначения всех классов дорожных знаков.
classes = {1: 'Ограничение скорости (20 км / ч)',
            2: «Ограничение скорости (30 км / ч)»,
            3: «Ограничение скорости (50 км / ч)»,
            4: «Ограничение скорости (60 км / ч)»,
            5: «Ограничение скорости (70 км / ч)»,
            6: «Ограничение скорости (80 км / ч)»,
            7: «Конец ограничения скорости (80 км / ч)»,
            8: «Ограничение скорости (100 км / ч)»,
            9: «Ограничение скорости (120 км / ч)»,
            10: «Нет прохождения»,
            11: «Нет прохождения более 3.5 тонн »,
            12: "Полоса отвода на перекрестке",
            13: "Приоритетная дорога",
            14: 'Урожайность',
            15: "Стоп",
            16: «Нет транспортных средств»,
            17: «Veh> 3,5 тонны запрещены»,
            18: «Вход запрещен»,
            19: 'Общее предостережение',
            20: 'Опасный поворот налево',
            21: 'Опасный поворот вправо',
            22: 'Двойная кривая',
            23: 'Неровная дорога',
            24: 'Скользкая дорога',
            25: "Дорога сужается справа",
            26: «Дорожные работы»,
            27: "Светофоры",
            28: "Пешеходы",
            29: 'Детский переход',
            30: «Велосипедный переход»,
            31: 'Остерегайтесь льда / снега',
            32: 'Переход диких животных',
            33: «Конечная скорость + ограничения прохождения»,
            34: "Поверните направо",
            35: "Поверните налево",
            36: 'Только вперед',
            37: "Иди прямо или направо",
            38: "Идите прямо или налево",
            39: "Держись правее",
            40: "Держись левее",
            41: "Обязательное движение с круговым движением",
            42: 'Конец непроходимости',
            43: 'End no pass veh> 3.5 тонн »}

#initialise GUI
top = tk.Tk ()
top.geometry ('800x600')
top.title ('Классификация дорожных знаков')
top.configure (background = '# CDCDCD')

label = Label (вверху, background = '# CDCDCD', font = ('arial', 15, 'bold'))
sign_image = Этикетка (вверху)

def classify (путь к файлу):
    global label_packed
    image = Image.open (путь к файлу)
    image = image.resize ((30,30))
    image = numpy.expand_dims (изображение, ось = 0)
    image = numpy.array (изображение)
    пред = модель.pred_classes ([изображение]) [0]
    знак = классы [пред + 1]
    печать (подпись)
    label.configure (передний план = '# 011638', текст = знак)

def show_classify_button (путь к файлу):
    classify_b = Кнопка (вверху, text = "Классифицировать изображение", command = lambda: classify (file_path), padx = 10, pady = 5)
    classify_b.configure (background = '# 364156', foreground = 'white', font = ('arial', 10, 'bold'))
    classify_b.place (relx = 0,79, rely = 0,46)

def upload_image ():
    пытаться:
        file_path = filedialog.askopenfilename ()
        uploaded = Image.open (путь к файлу)
        uploaded.thumbnail (((top.winfo_width () / 2.25), (top.winfo_height () / 2.25)))
        im = ImageTk.PhotoImage (загружено)

        sign_image.configure (изображение = им)
        sign_image.image = im
        label.configure (текст = '')
        show_classify_button (путь к файлу)
    Кроме:
        проходить

upload = Button (вверху, text = "Загрузить изображение", command = upload_image, padx = 10, pady = 5)
upload.configure (background = '# 364156', foreground = 'white', font = ('arial', 10, 'bold'))

загрузить.пачка (сторона = НИЖНЯЯ, подушка = 50)
sign_image.pack (side = BOTTOM, expand = True)
label.pack (side = BOTTOM, expand = True)
heading = Label (вверху, text = "Знай свой дорожный знак", pady = 20, font = ('arial', 20, 'bold'))
heading.configure (background = '# CDCDCD', foreground = '# 364156')
heading.pack ()
top.mainloop () 

Выход:

Сводка

В этом проекте Python с исходным кодом мы успешно классифицировали классификатор дорожных знаков с точностью 95%, а также визуализировали, как наша точность и потери меняются со временем, что довольно хорошо для простой модели CNN.

Пора стать следующим разработчиком Python

Запишитесь на онлайн-курс Python в DataFlair прямо сейчас!

Если вам понравился проект Python по классификации дорожных знаков, поделитесь им в социальных сетях с друзьями и коллегами. Чтобы увидеть больше подобных проектов, продолжайте посещать DataFlair.

Ваши 15 секунд побудят нас работать еще усерднее
Поделитесь своим счастливым опытом на Google | Facebook

Система обнаружения и подсчета транспортных средств на основе Vision с использованием глубокого обучения на дорогах | European Transport Research Review

Обнаружение транспортных средств и статистика в видеосценах наблюдения за шоссе имеют большое значение для интеллектуального управления движением и контроля на шоссе.Благодаря популярной установке камер наблюдения за дорожным движением для анализа была получена обширная база данных видеозаписей дорожного движения. Как правило, при большом угле обзора можно рассмотреть более удаленную поверхность дороги. Размер объекта транспортного средства сильно меняется при таком угле обзора, а точность обнаружения небольшого объекта вдали от дороги невысока. Перед лицом сложных сцен с камерой важно эффективно решать вышеуказанные проблемы и применять их в дальнейшем. В этой статье мы сосредотачиваемся на вышеуказанных проблемах, чтобы предложить жизнеспособное решение, и применяем результаты обнаружения транспортных средств для отслеживания нескольких объектов и подсчета транспортных средств.

Связанные работы по обнаружению транспортных средств

В настоящее время обнаружение транспортных средств на основе технического зрения разделено на традиционные методы машинного зрения и сложные методы глубокого обучения. Традиционные методы машинного зрения используют движение транспортного средства, чтобы отделить его от фиксированного фонового изображения. Этот метод можно разделить на три категории [1]: метод использования вычитания фона [2], метод использования непрерывной разности видеокадров [3] и метод использования оптического потока [4].Используя метод разности видеокадров, дисперсия вычисляется в соответствии со значениями пикселей двух или трех последовательных видеокадров. Кроме того, движущаяся область переднего плана отделяется порогом [3]. Используя этот метод и подавляя шум, можно также обнаружить остановку транспортного средства [5]. Когда фоновое изображение в видео фиксировано, фоновая информация используется для создания модели фона [5]. Затем изображение каждого кадра сравнивается с моделью фона, и движущийся объект также может быть сегментирован.Метод использования оптического потока позволяет обнаруживать область движения в видео. Созданное поле оптического потока представляет направление движения и скорость каждого пикселя [4]. Широко использовались методы обнаружения транспортных средств с использованием функций транспортных средств, такие как методы масштабно-инвариантного преобразования элементов (SIFT) и ускоренных устойчивых элементов (SURF). Например, 3D-модели использовались для выполнения задач по обнаружению и классификации транспортных средств [6]. Используя корреляционные кривые трехмерных выступов на внешней поверхности транспортного средства [7], транспортные средства разделены на три категории: легковые автомобили, внедорожники и микроавтобусы.

Использование глубоких сверточных сетей (CNN) привело к поразительным успехам в области обнаружения транспортных средств. CNN обладают сильной способностью изучать особенности изображения и могут выполнять множество связанных задач, таких как классификация и регрессия ограничивающего прямоугольника [8]. Методы обнаружения в целом можно разделить на две категории. Двухэтапный метод генерирует блок-кандидат объекта с помощью различных алгоритмов, а затем классифицирует объект сверточной нейронной сетью. Одноэтапный метод не генерирует блок-кандидат, а напрямую преобразует проблему позиционирования ограничивающего прямоугольника объекта в проблему регрессии для обработки.В двухэтапном методе Region-CNN (R-CNN) [9] использует выборочный поиск области [10] в изображении. Изображение, вводимое в сверточную сеть, должно быть фиксированного размера, а более глубокая структура сети требует длительного времени обучения и потребляет большой объем запоминающей памяти. Основываясь на идее сопоставления пространственных пирамид, SPP NET [11] позволяет сети вводить изображения различных размеров и иметь фиксированные выходные данные. R-FCN, FPN и Mask RCNN по-разному улучшили методы извлечения признаков, выбора признаков и возможности классификации сверточных сетей.Среди одноэтапных методов наиболее важными являются фреймворки Single Shot Multibox Detector (SSD) [12] и You Only Look Once (YOLO) [13]. MutiBox [14], сеть предложений регионов (RPN) и методы многомасштабного представления используются в SSD, который использует набор якорных ящиков по умолчанию с различными соотношениями сторон для более точного позиционирования объекта. В отличие от SSD, сеть YOLO [13] делит изображение на фиксированное количество сеток. Каждая сетка отвечает за прогнозирование объектов, центральные точки которых находятся внутри сетки.YOLOv2 [15] добавил слой BN (Batch Normalization), который заставляет сеть нормализовать входные данные каждого уровня и ускорять скорость сходимости сети. YOLOv2 использует многомасштабный метод обучения для случайного выбора нового размера изображения для каждых десяти пакетов. Наше средство обнаружения транспортных средств использует сеть YOLOv3 [16]. На основе YOLOv2, YOLOv3 использует логистическую регрессию для категории объектов. Метод потери категории — это кросс-энтропийная потеря двух классов, который может обрабатывать несколько проблем с метками для одного и того же объекта.Более того, логистическая регрессия используется для регрессии достоверности ящика, чтобы определить, превышает ли долговая расписка априорного ящика и фактического ящика 0,5. Если условию удовлетворяет более одного приоритетного блока, берется только самый большой предшествующий блок долгового обязательства. В окончательном предсказании объекта YOLOv3 использует три разных шкалы для предсказания объекта на изображении.

Традиционный метод машинного зрения имеет более высокую скорость при обнаружении транспортного средства, но не дает хорошего результата, когда изображение изменяется по яркости, есть периодическое движение на заднем плане, а также там, где есть медленно движущиеся транспортные средства или сложные сцены.Advanced CNN добилась хороших результатов в обнаружении объектов; однако CNN чувствительна к изменениям масштаба при обнаружении объектов [17, 18]. В одноэтапном методе сетки используются для прогнозирования объектов, а пространственные ограничения сетки не позволяют добиться более высокой точности при двухэтапном подходе, особенно для небольших объектов. Двухэтапный метод использует объединение областей интересов для сегментации областей-кандидатов на блоки в соответствии с заданными параметрами, и если область-кандидат меньше, чем размер данных параметров, область-кандидат дополняется до размера данных параметров.Таким образом, характерная структура небольшого объекта разрушается и точность его обнаружения невысока. Существующие методы не различают, принадлежат ли большие и маленькие объекты к одной и той же категории. Тот же метод используется для работы с одним и тем же типом объекта, что также приведет к неточному обнаружению. Использование пирамид изображений или многомасштабных входных изображений может решить вышеупомянутые проблемы, хотя требования к вычислениям велики.

Исследования по обнаружению транспортных средств в Европе

Методы обнаружения транспортных средств на основе технического зрения в Европе дали огромные результаты.В [19] между участками «Hofolding» и «Weyern» автомагистрали A8 в Мюнхене, Германия, метод многомерного обнаружения изменений (MAD) [20] использовался для обнаружения смены двух изображений с коротким временным лагом. Движущиеся автомобили выделяются на изображении изменений, которое используется для оценки плотности транспортных средств на дороге. В [21] при использовании автомагистралей A95 и A96 возле Мюнхена, A4 возле Дрездена и «Миттлере Ринг» в Мюнхене в качестве тестовых сред алгоритм Canny edge [22] применяется к изображению дороги и гистограмме рассчитывается крутизна кромки.Затем, используя алгоритм k-средних, статистика крутизны кромки разделяется на три части, и на основе крутизны определяется замкнутая модель транспортного средства. Подход, основанный на контрасте, был использован для создания цветовой модели для выявления и удаления теневых областей транспортного средства [23], что устраняет помехи, вызванные движением в сцене. После устранения теневой области эффективность обнаружения транспортных средств может быть значительно улучшена. Эксперимент [23] проводился на автомагистралях Италии и Франции. Характеристики HOG и Хаара сравнивались в [24], и эти две функции были объединены для создания детектора для обнаружения транспортных средств, который был протестирован на французских изображениях транспортных средств.Однако, когда вышеупомянутый метод используется для обнаружения транспортного средства, тип транспортного средства не может быть обнаружен. Кроме того, когда освещение недостаточное, трудно выделить край транспортного средства или обнаружить движущийся автомобиль, что вызывает проблемы с низкой точностью обнаружения транспортного средства и влияет на результаты обнаружения для дальнейшего использования. Фотографии углов обзора с высоты птичьего полета использовались в [19, 20], но не могут четко передать характеристики каждой машины и привести к ложному обнаружению транспортных средств.

Тем не менее, с развитием технологии глубокого обучения обнаружение транспортных средств на основе CNN было успешно применено в Европе.В [25] Fast R-CNN использовался для обнаружения транспортных средств в местах дорожного движения в городе Карлсруэ, Германия. Fast R-CNN использует стратегию выборочного поиска для поиска всех кадров-кандидатов, что требует значительных затрат времени, а скорость обнаружения транспортного средства мала.

Короче говоря, исследования в области обнаружения транспортных средств на основе технического зрения все еще продолжаются, и основные проблемы постепенно решаются, что внесет значительный вклад в развитие европейского дорожного строительства.

Связанные работы по слежению за транспортными средствами

Расширенные приложения для обнаружения транспортных средств, такие как слежение за несколькими объектами, также являются важной задачей ИТС [26].Большинство методов отслеживания нескольких объектов используют отслеживание на основе обнаружения (DBT) и отслеживание без обнаружения (DFT) для инициализации объекта. Метод DBT использует фоновое моделирование для обнаружения движущихся объектов в видеокадрах перед отслеживанием. Метод DFT должен инициализировать объект отслеживания, но не может обрабатывать добавление новых объектов и удаление старых объектов. Алгоритм отслеживания нескольких объектов должен учитывать сходство внутрикадровых объектов и связанную с этим проблему межкадровых объектов.Сходство внутрикадровых объектов может использовать нормализованная взаимная корреляция (NCC). Расстояние Бхаттачарьи используется для вычисления расстояния цветовой гистограммы между объектами, например, в [27]. Когда межкадровые объекты связаны, необходимо определить, что объект может появляться только на одной дорожке и что одна дорожка может соответствовать только одному объекту. В настоящее время исключение на уровне обнаружения или исключение на уровне траектории может решить эту проблему. Чтобы решить проблемы, вызванные изменением масштаба и изменением освещенности движущихся объектов, [28] использовала характерные точки SIFT для отслеживания объектов, хотя это происходит медленно.Для использования в данной работе предлагается алгоритм обнаружения характерных точек ORB [29]. ORB может получить лучшие точки извлечения на значительно более высокой скорости, чем SIFT.

Таким образом, можно считать, что метод обнаружения объектов транспортного средства был перенесен из исследования традиционных методов в методы глубоких сверточных сетей. Более того, существует меньше общедоступных наборов данных для конкретных сцен дорожного движения. Чувствительность сверточных нейронных сетей к изменениям масштаба делает обнаружение мелких объектов неточным.При использовании камер видеонаблюдения на шоссе сложно проводить слежение за несколькими объектами и последующий анализ трафика. Таким образом, наш вклад включает в себя следующее:

1. Создан крупномасштабный набор данных высокой четкости для дорожных транспортных средств, который может предоставить множество различных транспортных объектов, полностью аннотированных в различных сценах, снятых камерами наблюдения на шоссе. Набор данных можно использовать для оценки эффективности многих алгоритмов обнаружения транспортных средств при изменении масштаба транспортных средств.

2. Для повышения точности обнаружения транспортных средств используется метод обнаружения мелких объектов в сценах с шоссе. Площадь поверхности дороги шоссе выделяется и делится на удаленную область и ближнюю область, которые помещаются в сверточную сеть для обнаружения транспортных средств.

3. Предлагается метод слежения за множеством объектов и анализа траектории для сцен с шоссе. Характерные точки объекта обнаружения извлекаются и сопоставляются алгоритмом ORB, а линия обнаружения дороги определяется для подсчета направления движения транспортного средства и транспортного потока.

Это исследование будет описано в следующих разделах. В разделе «Набор данных транспортного средства» представлен набор данных транспортного средства, используемый в этом документе. Раздел «Структура системы» знакомит с общим процессом предлагаемой системы. В разделе «Методы» подробно описана наша стратегия. В разделе «Результаты и обсуждение» представлены эксперименты и связанный с ними анализ. Раздел «Выводы» подводит итог всей статье.

Обзор классификации транспортных средств и потенциального использования интеллектуальных методов с использованием транспортных средств

Реферат

Классификация транспортных средств (VC) является базовым подходом в интеллектуальной транспортной системе и широко используется в различных приложениях, таких как автоматизированный мониторинг транспортных потоков. системы парковки и обеспечение безопасности.Существующие методы VC обычно имеют локальный характер и могут классифицировать транспортные средства, если целевое транспортное средство проходит через фиксированные датчики, проходит через зону мониторинга ближнего действия или является гибридом этих методов. Использование глобальной системы позиционирования (GPS) может предоставить надежную глобальную информацию о кинематических характеристиках; однако в методах отсутствует информация о физических параметрах транспортных средств. Кроме того, согласно имеющимся исследованиям, смартфон или портативные устройства GPS используются в качестве источника кинематических характеристик эвакуационного транспортного средства, которые не являются надежными для отслеживания и классификации транспортных средств в реальном времени.Чтобы справиться с ограничениями доступных методов VC, исследуются потенциальные глобальные методы для определения физических и кинематических характеристик в состояниях реального времени. Автомобильные специальные сети (VANET) — это сети интеллектуальных взаимосвязанных транспортных средств, которые могут предоставлять такие параметры трафика, как тип, скорость, направление и положение каждого транспортного средства в режиме реального времени. В этом исследовании VANET представлены для VC, а их возможности, которые могут быть использованы для вышеуказанной цели, представлены из доступной литературы.Насколько известно авторам, это первое исследование, в котором представлены сети VANET для венчурных инвестиций. Наконец, проводится сравнение, которое показывает, что сети VANET превосходят традиционные методы.

Ключевые слова: классификация транспортных средств, специальные автомобильные сети, вес в движении, глобальная система позиционирования, обнаружение света и дальность, ультразвуковой, радар, видеоизображения

1. Введение

Методы, используемые в транспортной инженерии для получения Параметры транспортных средств в их движущемся состоянии определяются термином классификации транспортных средств (VC).VC — это модуль, используемый для разделения транспортных средств на несколько различных классов. В литературе доступны различные определения VC. представляет собой краткое изложение существующих определений для дальнейшего разъяснения этого явления. VC является фундаментальной частью интеллектуальных транспортных систем и широко используется в различных приложениях, таких как мониторинг транспортного потока [1,2], автоматизированные системы парковки [3,4], обеспечение безопасности [5] и даже мониторинг состояния конструкций [6] , 7,8,9,10]. В этих методах транспортные средства могут быть обнаружены путем прохождения через фиксированные датчики [11,12], проезда через зоны наблюдения [13,14], глобальное покрытие [15,16] или гибрид этих методов [12,17].С помощью датчиков и детекторов может быть извлечена разнообразная информация, которая может включать количество транспортных средств, форму, то есть высоту, ширину и длину [14,18], скорость [19,20], вес оси и расстояние между ними [21,22] , ускорение / замедление [23], марка и модель [24,25,26] и номерной знак [27,28].

Таблица 1

Краткое изложение существующих определений явления классификации транспортных средств (ВК).

Ручной подсчет — самый простой метод VC. Однако эти методы требуют много времени и подвержены ошибкам. Методы, основанные на визуальном представлении, являются наиболее широко изучаемыми и используемыми подходами для мониторинга виртуальных каналов и трафика. Методы на основе зрения извлекают визуальные атрибуты, такие как цвет, линии и текстурные узоры, как функции на видео для обнаружения и отслеживания транспортных средств [37]. VC на основе Vision включает в себя несколько этапов, таких как сегментация изображения, извлечение признаков, обучение и распознавание образов.Основная цель сегментации изображения — выделить интересующий объект из фона на основе некоторых полезных сигналов, таких как цвет пикселя [38,39], края — полученные из градиентов изображения [40] — и интенсивность пикселей (уровень серого) [41 , 42]. Данные обучения используются на этапах распознавания образов и классификации. При использовании методов, основанных на видении, необходимо соблюдать особую осторожность, чтобы уважать конфиденциальность и анонимность вовлеченных лиц [23]. Всесторонний обзор методов, основанных на видении, был проведен Wang et al.[43].

Пневматические трубчатые детекторы для ВК были впервые использованы в 1920 году и используются сегодня для краткосрочного сбора данных о транспортных средствах [44]. Пневматическая трубка может определять количество осей и расстояние между осями движущегося транспортного средства. Этот метод не подходит для высокоскоростных дорог с большим объемом транспорта. Детектор магнитной петли — это технология, которая использовалась для ВК в последние десятилетия. Магнитная петля может использоваться для VC, определяя длину транспортного средства [45,46]. Скорость автомобиля можно напрямую измерить с помощью двухконтурных детекторов [47, 48].Детекторы цикла мыслей относительно недороги и выполняют автоматическую классификацию, но они не очень хорошо себя чувствуют в условиях высокой загруженности [23]. Пьезоэлектрические датчики используются для определения веса автомобиля и конфигурации оси [19,49]. Пьезоэлектрические детекторы используются отдельно или в сочетании с системами измерения веса в движении (WIM). Однако недостатком пьезоэлектрических датчиков является их чувствительность к скорости движения автомобиля и температуре дорожного покрытия. Радиолокационные датчики — популярный инструмент для классификации по габаритам автомобиля (длина, размер, высота и т. Д.).) [50,51]. Хотя радарные датчики менее чувствительны к изменению окружающей среды по сравнению с другими методами, они не подходят для плотных транспортных заторов [23]. Инфракрасные датчики измеряют отраженный инфракрасный свет каждым транспортным средством и сравнивают данные с базой данных, чтобы найти наиболее подходящий профиль [52,53,54]. Инфракрасные датчики чувствительны к факторам окружающей среды. Акустические датчики используют независимые от скорости акустические сигнатуры для определения классов транспортных средств [55].

WIM — важный источник данных о дорожном движении и классификации транспортных средств.Архитектура WIM состоит из двух частей: моделирования и оценки. Система WIM [56] была разработана для измерения данных о массе транспортных средств. WIM — это система, оснащенная различными датчиками, цифровыми камерами и компьютерами, которая устанавливается на мостовой конструкции. WIM измеряет динамическую осевую нагрузку движущихся транспортных средств, чтобы получить данные о массе транспортного средства. В WIM используются методы множественного обнаружения для точной классификации транспортных средств [57,58]. Однако WIM — это устройство для измерения веса с фиксированным местоположением, которое измеряет нагрузку на ось, когда ее колеса проходят над датчиками.С другой стороны, WIM-система стоит дорого и нецелесообразна для местных дорог.

Показано, что методы, основанные на датчиках фиксированного местоположения, могут предоставить ценную информацию в сочетании с другими методами [59,60]. Методы, основанные на визуальном представлении, могут предоставить информацию о марке и марке транспортного средства, которая может быть использована для извлечения другой информации, такой как полная масса и характеристики оси [61,62]. Помимо состояния мобильности транспортных средств, в зоне обзора камеры также можно было получить скорость, ускорение и направление [59,63].Исследования утверждают, что использование системы позиционирования на основе GPS является наиболее надежным способом извлечения информации о местоположении и движении; однако в этих методах отсутствует информация о физических параметрах транспортных средств. Кроме того, согласно имеющимся исследованиям, смартфон или портативные устройства GPS используются в качестве источника кинематических характеристик эвакуационного транспортного средства, которые не являются надежными для отслеживания и классификации транспортных средств в реальном времени. В целом можно сделать вывод, что доступные методы не являются надежным выбором для реального времени и глобального VC.Таким образом, исследование новой тенденции облачных или автомобильных сетей в качестве альтернативы традиционным приложениям VC является открытой областью исследований.

В последние десятилетия автономное вождение привлекло огромное внимание как академических кругов, так и промышленности, и большие усилия были приложены к разработке транспортных средств, способных самостоятельно перемещаться по городским улицам [64,65,66,67,68]. В настоящее время автономные автомобили и автомобили с автопилотом быстро перемещаются по дорогам, и ожидается, что они произведут беспрецедентную революцию в транспортной системе.Беспилотный автомобиль Google был первым автономным автомобилем, который управлялся в городских условиях [69]. Концепция Daimler Smart EQ — еще один пример полностью автоматизированного транспортного средства, в котором водитель больше не нужен [70]. Tesla Motors разработала полуавтономное транспортное средство, названное автопилотом Tesla, с использованием искусственного интеллекта и аппаратных технологий с обновлением данных о вождении в реальном времени [71]. Такие автомобили оснащены датчиками, радарами, камерами и спутниковыми каналами для сбора, хранения и анализа огромного количества данных, касающихся дорожного движения [69].В этой статье термин «интеллектуальное транспортное средство» используется для обозначения универсального описателя транспортного средства, с которого данные об окружающей среде автоматически собираются с помощью сенсорных устройств, а затем сохраняются в централизованном бортовом аппаратном блоке для дальнейшей обработки. В эту группу входят все автономные автомобили или автомобили с автопилотом.

Интеллектуальные автомобили — это развивающееся приложение автомобильной технологии, способное обнаруживать и контролировать свое окружение и мобилизовать услуги по запросу. Согласно данным Национального управления безопасности дорожного движения США (NHTSA), интеллектуальные транспортные средства можно разделить на пять уровней автономности, которые варьируются от отсутствия автоматизации (уровень 0) до полной автоматизации (уровень 5) [72].Пять этапов автономности интеллектуальных транспортных средств с указанием состояния транспортного средства и роли водителя, а также с примерами для каждого этапа представлены в. Умные автомобили оснащены различными датчиками, такими как обнаружение света и дальность (LiDAR), радар, камеры, тепловизионные камеры, ультразвуковые датчики, GPS-приемники и инерциальные измерительные устройства (IMU), которые каждую секунду генерируют огромные объемы данных [73,74 ].

Таблица 2

Пять этапов автономности интеллектуальных транспортных средств.

Доступность интеллектуальной основы и общих инструментов для сбора и передачи данных, а также доступ к анонимной схеме, сохраняющей конфиденциальность для совместного использования информации и обмена данными, обеспечили уникальное сочетание свойств, что делает умные автомобили привлекательным выбором для многих высокотехнологичных приложений.VC может извлечь выгоду из этих технологий в значительно большей степени.

Возможно, внедрение интеллектуальных технологий при проектировании и производстве новых транспортных средств послужило стимулом для разработки и внедрения интеллектуальных систем идентификации и классификации транспортных средств. Существующие подходы VC, за исключением методов на основе GPS, обычно имеют локальный характер и могут классифицировать транспортные средства, если целевое транспортное средство проходит через фиксированные датчики, проходит через зону мониторинга ближнего действия или является гибридом этих методов.Сбор информации о трафике в реальном времени, а также обеспечение глобального доступа к данным датчиков — два важных требования для надежного метода VC.

Параметры, представляющие интерес в методах VC, обычно учитывают форму, то есть высоту, ширину и длину, скорость, вес и расстояние между осями, ускорение / замедление. Настоящая статья предназначена для изучения доступной литературы по методам ВК, чтобы дать обзор этой темы. Было проведено исследование с целью изучить возможные методы обнаружения, идентификации и классификации транспортных средств в глобальном масштабе и в режиме реального времени.Отобранные методы были включены в короткий список, и наиболее подходящий из них был выбран для технико-экономического обоснования. Идея «умных транспортных средств» относится к транспортным средствам, которые частично или полностью управляются компьютерами, использующими различные сенсорные платформы и камеры для сбора, хранения и обмена огромным объемом данных.

Автомобильные специальные сети (VANET) — это новая часть интеллектуальной транспортной системы, которая вызвала большой интерес во всем мире в последнее десятилетие [75].VANET представляют собой сеть интеллектуальных взаимосвязанных транспортных средств и состоят из бортового блока (OBU) и стационарной точки доступа, называемых придорожными блоками (RSU) [76]. OBU — это устройство, устанавливаемое на каждом транспортном средстве, которое в основном включает в себя память, блок обработки, приемник GPS и антенну для подключения к Интернету на короткие расстояния [77]. OBU обеспечивает связь между транспортными средствами (V2V) или транспортными средствами для инфраструктуры RSU (V2I) [78]. Все транзакционные данные во время поездки записываются в аппаратный модуль, называемый регистратором данных о событиях (EDR), который представляет собой форму черного ящика в транспортном средстве [79].Каждое транспортное средство отправляет периодические данные в соседние транспортные средства [80]. Сохранение конфиденциальности и обеспечение безопасности передаваемых данных являются наиболее важными проблемами при надлежащем применении сетевых систем [81]. В результате между доверенными объектами сети используется безопасный механизм анонимного распределения ключей. Каждое распространенное сообщение содержит контент, подпись и сертификат. Сертификат полученного сообщения проверяется, и открытый ключ используется для расшифровки сертификата и личности отправителя [82].

Для описания явления ВК используются разные определения (см.). В то время как некоторые исследователи считают, что методы VC предполагают систему мониторинга / подсчета и не могут получать точную информацию непосредственно от каждого транспортного средства [35], другие принимают все методы, которые могут классифицировать транспортные средства по их соответствующим типам под термином VC [29,30]. Исследователи из первой группы, которые считают, что виртуальный канал не может получать точные данные о транспортном средстве, считают, что системы связи, такие как VANET, не следует рассматривать как особый метод для виртуального канала, в то время как другие имеют менее жесткое определение явления и рассматривают возможность использования мобильных сетей, таких как VANET как особый класс методов VC.Для одновременного соблюдения обоих этих критериев, методы, использующие точную информацию о транспортном средстве, также включены для потенциальных будущих приложений.

VANET могли предоставлять глобальную информацию о транспортных средствах в режиме реального времени. Предоставляемая информация может быть параметрами мобильности, а также физическими параметрами транспортного средства. Результаты технико-экономического обоснования показывают, что в системе VANET информация о мобильности, например, положение, полоса движения, скорость, ускорение и замедление, а также физические характеристики транспортных средств, т.е.г., вес, высота и длина — используются для самых разных задач, таких как управление парковкой, управление дорожным движением, безопасность и предотвращение несчастных случаев. показывает краткое изложение обзоров литературы по VC.

Таблица 3

Сводка обзоров литературы по VC.

Представленный обзор доступной литературы по ВК показывает, что большая часть исследований на сегодняшний день в основном сосредоточена на методах, основанных на видении. В этих обзорных документах не было предпринято никаких конкретных попыток проанализировать потенциальное влияние интеллектуальных технологий в автомобильных сетях и коммуникациях на повышение эффективности и действенности систем VC.Тем не менее, существует только один обзорный документ, в котором обсуждаются другие функции, помимо тех, которые используются для фиксации закономерностей сцены, и в нем основное внимание уделяется традиционным методам VC. В некоторых обзорных статьях обсуждались VC с использованием транспортных средств, но в них упоминались только такие инструменты, как мобильные сенсорные устройства, такие как приемники GPS и смартфоны, в расплывчатых терминах. Кроме того, в этих обзорах обсуждались ограниченные аспекты каждой техники, а современные технологии обнаружения транспортных средств и связи не принимались во внимание.В статье Jain et al. [85] изучали различные схемы мониторинга трафика. Были оценены уязвимости этих методов и обсуждено возможное неправильное использование информации. В другом исследовании Боркар и Малик [97] рассмотрели применение акустических сигналов для оценки скорости, плотности и классификации транспортных средств. Исследование было сосредоточено только на интеллектуальных методах с использованием эффективных смартфонов, камер, дронов и роботизированных датчиков. В других исследованиях, например, Shukla и Saini [83], Yousaf et al.[84] и Daigavane et al. [86], в центре внимания исследования были техники, основанные на зрении.

В течение почти двух лет ряд университетских ученых и отраслевых партнеров работали над проектом по разработке «автономных электромобилей для перевозки грузов и грузов». В ходе работы авторы столкнулись с различными проблемами, связанными с поиском надежного метода для извлечения параметров информации о мобильности, например, положения, полосы движения, скорости и ускорения / замедления, а также физических характеристик, т.е.g., вес, рост и длина — мимолетных транспортных средств в реальном времени и в глобальном масштабе, как указано в этой рукописи. Однако, когда исследование было расширено, стало ясно, что не существует ни одного обзорного исследования, которое бы обеспечивало такую ​​же широту и глубину знаний, как мы ожидали, для решения вышеупомянутых целей. В результате была проведена пошаговая процедура для оценки эффективности существующих методов, используемых при характеристике, идентификации и классификации транспортных средств в их нормальных условиях эксплуатации, с одной стороны, и для исследования новых потенциальных вариантов, которые могут предоставить решения. для классификации дорожных транспортных средств, с другой стороны.Полученные данные показали, что доступные методы классификации транспортных средств не могут предоставить в реальном времени глобальные данные о физических характеристиках и мобильности дорожных транспортных средств в их нормальном рабочем состоянии. Настоящий обзор охватывает литературу по данной теме и проливает свет на потенциальные инновационные идеи для оптимизации, повышения качества и надежности извлеченных данных о транспортных средствах. Насколько известно авторам, это первое исследование, которое предоставило эти знания в том виде, в котором мы их представили.Авторы твердо убеждены, что классификация транспортных средств в дорожных системах в режиме реального времени с использованием облачных или автомобильных сетей будет новым направлением и открытой областью исследований для будущих исследований в качестве альтернативы существующим традиционным подходам к классификации транспортных средств.

В следующих разделах обсуждаются обычные методы VC. После этого исследуется возможность использования VANET для приложений VC. На следующем этапе в этом документе составляется дорожная карта, нацеленная на то, чтобы обрисовать в общих чертах, как это видение может быть развито в качестве будущей работы, и, наконец, в Разделе 5 дается заключение.

2. Обычные методы классификации транспортных средств

Методы VC можно разделить в зависимости от среды обработки на три основные группы: интрузивные, ненавязчивые и внедорожные. Некоторые из доступных исследований используют комбинацию вышеупомянутых методов, которая классифицируется по категории множественного обнаружения. Группы и подгруппы каждого класса представлены в.

Неинтрузивные датчики обычно располагаются рядом с интересующей дорогой или над ней, а в некоторых случаях один датчик может использоваться для нескольких полос движения.Установка и обслуживание датчиков, не требующих вмешательства, проще, чем датчики вмешательства, и на данные мониторинга не влияет качество покрытия [98]. Датчики проникновения обычно устанавливаются в отверстия на поверхности дороги, прокладывая туннели под поверхностью дороги или прикрепляя к поверхности дороги [99]. Как инвазивные, так и неинтрузивные датчики чувствительны к неблагоприятным условиям окружающей среды, внедрение требует высоких капитальных затрат и требует дорогостоящего обслуживания [100]. Датчики для бездорожья — это мобильные датчики, которые можно использовать с самолета, спутника или в транспортных средствах, оборудованных приемниками GPS [101].Дальнейшие подробности по классификации датчиков будут позже.

2.1. Методы, основанные на зрении

Методы, основанные на зрении, широко изучаются для VC, и наибольшее количество исследований VC с фиксированным местоположением относится к обнаружению видеоизображений. Камеры, используемые для сбора данных, могут быть системами видеонаблюдения, всенаправленными камерами [102], аэрофотоснимками [103,104], системами замкнутого телевидения (CCTV) [105,106] или обычными камерами [107,108]. В этих методах обычно используются методы обработки изображений для обнаружения, отслеживания и классификации транспортных средств.Обработка и классификация транспортных средств с использованием обнаружения видеоизображений включает в себя несколько этапов, которые обычно включают предварительную обработку, извлечение и выбор характеристик, а также классификацию. Предварительная обработка — это шаг к повышению качества изображений. Сегментация изображения, удаление теней и обработка окклюзии являются наиболее адаптированными методами обнаружения видеоизображений.

Сегментация изображения — один из фундаментальных методов обработки изображений. Веласкес-Пупо и др. [14] представили высокопроизводительную систему технического зрения с одной статической камерой.В этом подходе движущиеся объекты сначала сегментируются с помощью модели смеси Гаусса (GMM), а после извлечения признаков отслеживание выполняется с помощью фильтра Калмана. Предлагаемая система может работать в реальном времени с F-мерой до 98,190% и F-мерой до 99,051% для автомобилей среднего размера. Chen et al. [109] использовали рекурсивно обновляемую GMM для сегментации. Преобразование многомерного сглаживания используется для повышения производительности сегментации. Машина векторов поддержки с ядром (SVM) используется для классификации модели.Singh et al. [110] представили веб-систему управления трафиком, использующую на этапе обработки методы сегментации, анализа больших двоичных объектов и изображения истории движения (MHI). Предлагаемая система отслеживает предполагаемую плотность транспортных средств в разных местах в разное время, чтобы помочь в выборе подходящего пути. Abinaya et al. [111] предложил метод повышения производительности VC на основе видео с использованием одной стандартной камеры. Надежная система на основе видео для обнаружения, отслеживания, классификации и подсчета транспортных средств с использованием управляемой маркером сегментации водораздела, фильтра Габора и машины опорных векторов (SVM).Результаты экспериментов показали значительно улучшенные характеристики сегментации водораздела в отношении обнаружения транспортных средств. Audebert et al. [103] представили основанный на глубоком обучении метод сегментации до обнаружения для обработки больших данных виртуального канала, полученных с помощью дистанционного зондирования. Была обучена глубокая, полностью сверточная сеть, и полученные семантические карты были использованы для сегментации. Сверточная нейронная сеть (CNN) была обучена для VC. Zhang et al. [112] описал процесс улучшения изображения с использованием пороговой сегментации и устранения шума.Объекты извлекаются с помощью извлечения Габора, затем SVM используется для классификации.

Удаление теней — это этап обработки изображения, направленный на повышение качества видео или изображения для компьютерных систем. Jehad et al. [113] разработали метод быстрого обнаружения и подсчета транспортных средств с помощью видеокамеры. Представлена ​​система для извлечения данных трафика с использованием обработки видеоизображений с использованием вычитания фона, удаления теней и анализа пикселей. Результаты показывают, что алгоритм способен подсчитать 95% транспортных средств даже в случае некоторого тряски в видеопотоке.Asaidi et al. [114] представили два подхода к усовершенствованию систем автоматического наблюдения за дорожным движением. Предлагается контрастная модель для удаления динамических теней. Показано, что предложенный подход превосходит другие методы с точностью классификации 96,96% и скоростью исключения теней 95–99%. Ян и др. [115] предложили систему для оценки транспортного потока для различного внешнего освещения и отбрасывания теней. Предлагается система мониторинга трафика для улучшения качества изображения с использованием выделения переднего плана, различения теней и инвариантов цвета и краев.Yu et al. [116] предложили основанный на длине метод классификации движущихся транспортных средств в режиме реального времени в видеопоследовательностях многополосного движения. После вычитания фона, удаления теней по краям, пороговых алгоритмов сегментации выполняется горизонтальная проекция для классификации транспортных средств. Результаты экспериментов показывают, что точность классификации больших и малых транспортных средств составляет 97,1% и 96,7% соответственно. Meher et al. [117] предложили метод повышения качества VC на основе зрения путем обнаружения и удаления движущихся теней.Возможности и преимущества метода сравнивались с существующими методами.

Обработка окклюзии — это этап обработки изображения для отслеживания транспортного средства, когда оно находится в частично закрытом положении. Moutakki et al. [118] представили подход, использующий отслеживание обработки окклюзии и классификацию SVM одного класса (OC-SVM). Веласкес-Пупо и др. [14] использовали систему видеонаблюдения в реальном времени для классификации и подсчета транспортных средств с использованием модели кодовой книги и обработки окклюзии.Гистограммы ориентированного градиента, за которыми следует SVM, используются для классификации транспортных средств по их типу.

На этапе извлечения признаков выбираются подходящие признаки для классификации транспортных средств. Особенности текстуры и формы, включая масштабно-инвариантное преобразование (SIFT) [119,120], ориентированное быстрое и поворотное краткое описание (ORB) [121,122], ускоренные надежные элементы (SURF) [123,124] и распознавание марки и модели автомобиля ( VMMR) [25,125], являются одними из наиболее распространенных функций, используемых для VC.Функции текстуры используются для преодоления недостатков характеристик цвета и интенсивности. Jayadurga et al. [126] улучшили производительность классификаторов транспортных средств на сильно текстурированном фоне. Извлечение гибридных признаков текстуры, включая статистические и спектральные особенности текстуры, используется без предварительной обработки для классификации. Достигнута точность классификации 90,1%, и результат сравнивался с различными методами из аналогичных работ в литературе. Chen et al. [105] применили рекурсивно обновленный алгоритм GMM для идентификации транспортных средств по их типу и цвету с использованием функций текстуры.Преобразование многомерного сглаживания используется для повышения производительности сегментации. Хорошие показатели признания были достигнуты для прагматичных венчурных капиталистов. Неинвазивные функции SIFT обычно используются для обнаружения ключевых точек. Характеристики, используемые в SIFT, не зависят от освещения, увеличения, перемещения и поворота изображений. Khanaa et al. [127] предложили SIFT и алгоритм согласования случайной выборки (RANSAC) для классификации дорожных транспортных средств и обновления характеристик и подсчета. Ambardekar et al.[128] реализовали групповой подход с использованием плотного представления функций SIFT для надежного VC с высокой межклассовой вариативностью с использованием видеонаблюдения. Рассматривались три класса: седаны, фургоны и такси. ORB — это дескриптор, который работает быстрее, чем SURF и SIFT, и меньше подвержен влиянию шума изображения. Song et al. [129] предложили структуру кластеризации траекторий для анализа транспортных средств с использованием алгоритма ORB. Используется метод согласования, основанный на расстоянии Хэмминга. Наконец, для классификации транспортных средств предлагается метод кластеризации.Точность предлагаемого метода может достигать 95%. Кроме того, можно оценить тип транспортного средства для реализации VC. VMMR — это сложное приложение для машинного зрения, основанное на распознавании автомобильных номеров. Biglari et al. [28] предложили каскадную частичную модель для VMMR. Эта система использует машину линейных опорных векторов (LSVM) для извлечения признаков. Каскадная схема используется для ускорения обработки на основе достоверности и частоты. Предложенный подход позволил достичь средней точности 97,01% на сложном наборе данных и средней точности 95.55% по набору данных CompCars. Сиддики и др. [12] предложили и оценили неизученные подходы для автоматизированного VMMR в реальном времени. Передние или задние изображения транспортных средств встраиваются в гистограммы на основе SURF (BOSURF), которые используются для обучения многоклассовых SVM для классификации. Результаты экспериментов подтверждают превосходство предложенной работы как по скорости обработки, так и по точности.

VC — это последний этап определения классов транспортных средств. Методы опорной векторной машины (SVM) и нейронной сети (NN) широко используются для классификации извлеченных признаков.В, представлены некоторые из наиболее распространенных методов мягких вычислений, используемых для распознавания образов, классификации, обучения или прогнозирования в VC.

Таблица 4

Некоторые из наиболее распространенных методов программных вычислений, используемых для распознавания образов, классификации, обучения или прогнозирования в GPS, видеоизображения, аэрофотоснимков, радара, классификации транспортных средств на основе магнитных датчиков.

Существуют некоторые другие классификаторы и обучающие машины, которые также используются для VC, такие как лесное дерево [145] ближайший сосед [146 147 148], обучение дереву решений [149], машинный классификатор с экстремальным обучением [55], генетическая нечеткость классификатор, [150] классификатор основных компонентов ядра [151] и нелинейный классификатор ядра на основе гистограмм [38].В случаях, когда для обнаружения и классификации транспортных средств используются несколько датчиков, данные объединяются. Байесовские сети [105,152,153] являются распространенным методом объединения входных данных.

2.2. Методы дистанционного зондирования

Методы дистанционного зондирования являются одной из самых быстрорастущих тенденций в венчурном капитале из-за глобального характера информации, предоставляемой этими методами. Радар широко используется для обнаружения движущихся объектов на земле, например, при мониторинге трафика и VC. Азиз и др.[154] практиковал пассивные радиолокационные системы прямого рассеяния для ВК. Доплеровская сигнатура фиксируется, когда транспортное средство проходит через область рассеяния. Транспортные средства разделены по размерным категориям. Ли и др. [155] предложили радиолокационную систему с непрерывной частотной модуляцией (FMCW) для извлечения трех отличительных характеристик сигнала из поперечных сечений транспортных средств. SVM использовался для классификации извлеченных признаков. По результатам полевых измерений была достигнута точность более 90%.Абдулла и др. [50] исследовали автоматическую классификацию целей (ATC) на предмет выделения признаков. Комбинация Z-score и NN адаптирована для классификации извлеченных признаков. Полученные результаты показывают, что повышенная производительность была достигнута за счет использования большого количества функций. Chen et al. [156] использовал радар с синтезированной апертурой (SAR) для отслеживания и классификации транспортных средств. Эхо-сигналы от цели разлагаются на множество функций внутреннего режима (IMF) с использованием разложения по ансамблю эмпирических мод (EEMD).Эксперимент показывает, что успешность классификации достигает 90%. Saville et al. [146] исследовали данные широкополосных, широкоапертурных и поляриметрических радаров для ВК. Для проверки использовался эксперимент 10-VC в алгоритме тестирования связанного изображения с разделенными спектрами.

LiDAR — это технология дистанционного зондирования, которая может генерировать доплеровский режим для обнаружения распределенных или жестких целей. LiDAR передает и принимает электромагнитное излучение, а извлеченные из транспортных средств характеристики анализируются после обработки данных [157,158].

Тепловизионные изображения показывают количество инфракрасной энергии, излучаемой, передаваемой и отражаемой транспортным средством. Большинство тепловизионных изображений используются для обнаружения техники на поле боя. Ян и др. [52] предложил новый метод извлечения признаков, основанный на контексте целевого признака (TTC), чтобы улучшить недостатки тепловизионных изображений для VC. Результаты проверки показывают, что предлагаемая функция TTC превосходит предыдущие методы. Khamayseh et al. [53] предложили надежную основу для классификации людей и транспортных средств по инфракрасным изображениям.Наблюдения за дорожным движением от инфракрасной интеллектуальной системы наблюдения собираются ситуационной осведомленностью (SA). Результаты экспериментов подтверждают эффективность предложенного фреймворка. Mei et al. [54] представили метод визуального отслеживания, рассматривая отслеживание как проблему разреженного приближения. Этот подход был подтвержден с помощью задачи отслеживания и классификации транспортных средств с использованием видеопоследовательностей наружного инфракрасного видео.

Аэрофотоснимки — популярный источник информации в области дистанционного зондирования.Аэрофотоснимки имеют высокое разрешение и могут охватывать большую интересующую область. Несколько исследований были сосредоточены на использовании аэрофотоснимков для ВК. Ли и др. [104] использовали функции «Регионы с сверточной нейронной сетью» (R-CNN) для распознавания небольших транспортных средств по аэрофотоснимкам. Для повышения производительности использовались выбор карты функций и построение двухчастной основной сети. Эффективность предложенного расширения сети была проверена путем сравнения его с его прочными аналогами аналогичной формы.Audebert et al. [103] представили основанный на глубоком обучении метод сегментации до обнаружения для сегментации, обнаружения и классификации транспортных средств на аэрофотоснимках. Была обучена глубокая, полностью сверточная сеть, и полученные семантические карты используются для сегментации.

2.3. Магнитные датчики

Магнитные датчики могут обнаруживать искажение магнитного поля Земли, вызванное проезжающим транспортным средством [159]. Детекторы с магнитной петлей — наиболее часто используемые датчики в VC и мониторинге трафика [160].Магнитные петли обычно устанавливаются в виде однопетлевых детекторов, двухконтурных детекторов и асимметричных форм, например прямоугольных петель. В нескольких исследованиях изучалась возможность использования одноконтурных детекторов для ВК.

Lamas-Seco et al. [20] смоделировали индуктивный петлевой детектор для изучения влияния важных характеристик транспортного средства на индуктивные сигнатуры. Полученные результаты как для прототипов, так и для имитатора индуктивного датчика показали схожие характеристики, что подтверждает модель, использованную в их работе.Coifman et al. [161] усовершенствовал нетрадиционные методы оценки скорости с помощью одноконтурных детекторов. Результаты, полученные с помощью этого метода, сравнивались с результатами, полученными от видеодетекторов и двухпетлевых детекторов. В этой работе успешно используются инвестиции, вложенные в однопетлевые станции подсчета детекторов. Meta et al. [46] представили метод VC, который использует сигнал, генерируемый одиночным индуктивным петлевым детектором. Представлен алгоритм VC, использующий классификаторы дискретного преобразования Фурье (DFT), анализа главных компонентов (PCA) и нейронной сети с обратным распространением (BPNN).Уровень признания для ВК составил 94,21%.

Двухконтурные извещатели состоят из двух последовательных одноконтурных извещателей, расположенных на расстоянии нескольких метров друг от друга. Эти детекторы широко используются для получения информации о средней скорости, занятости и потоках в системах управления дорожным движением. Wu et al. [47] представили метод, который учитывает изменение ускорения в двухконтурном детекторе. Был определен новый параметр для ненаблюдаемого ускорения. Предложен метод уменьшения эффекта изменения ускорения в двухконтурных детекторах.Аналитически было показано, что ошибки из-за ускорения не приводят к ошибкам в классе длины. Предложенный подход снизил частоту ошибок классификации из-за ускорения как минимум в четыре раза по сравнению с лучшим традиционным методом. Wei et al. [162] представили гибридный метод определения фаз трафика с использованием переменных, полученных от индуктивных датчиков с двойным контуром. Гибридный метод включает в себя подходы уровня обслуживания и методы кластеризации K-средних для улучшения прояснения фазы потока трафика.Результат показывает, что по сравнению с существующими моделями точность увеличена с 42% до 92%. Ли и др. [163] исследовали статистический вывод относительно скорости транспортного средства и длины транспортного средства с использованием данных двухконтурного детектора. Статистические выводы для скорости и длины транспортного средства были исследованы с помощью байесовского анализа, чтобы установить формулы для онлайн-оценки скорости и длины. Метод был представлен с использованием реальных данных о трафике.

Индуктивные петли также могут иметь асимметричную форму.Mocholí-Salcedo et al. [45] провели подробное исследование магнитного поля, создаваемого прямоугольными контурами в системах управления движением. Индуктивность численно рассчитанных магнитных контуров равна, и результаты сравниваются с наиболее часто используемыми эмпирическими методами расчета индуктивности. Было достигнуто большое сходство между эмпирическими и численными результатами. Магнитная сигнатура индукционной петли широко используется как функция для обнаружения и классификации транспортных средств в индуктивной петле [45, 160, 164].

Магнитные датчики менее дороги и сложны по сравнению с магнитными петлями и очень подходят для ВК. Несколько исследований изучали магнитные датчики для ВК в своих работах. Haj Mosa et al. [131] представили алгоритм обнаружения грузовиков с использованием одного единственного датчика. Новая концепция, основанная на Soft Radial Basis Cellular Neural Network (SRB-CNN), разработана, проверена и протестирована с отбором лучших представителей текущих связанных концепций классификации. Предлагаемый метод удовлетворяет требованиям, касающимся надежности, низкой стоимости, высокой скорости обработки, низкого потребления памяти и возможностей.He et al. [165] предложил подход к преодолению недостатков традиционного агрегирования данных из данных одноточечного датчика. Модель фильтр-фильтр-оболочка применяется для оценки и определения подмножеств неизбыточных функций. Машины вектора поддержки C (C-SVM) были созданы параллельно с оптимизацией роя частиц (PSO) для VC. Результаты показали, что точность классификации превышает 99%. Шарчевич и др. [166] представили анализ магнитных датчиков, реализуемых в микроконтроллерной системе.Разработан новый метод классификации метода на основе одного магнитного датчика с использованием классификатора NN. Ли и др. [142] предложил онлайн-метод ВК с использованием магнитного датчика. Извлекаются восемь признаков, затем модель дерева решений обучается на основе алгоритма дерева классификации и регрессии (CART) с минимальным числом выборок (MNS). Наконец, обученная модель дерева решений сокращается с помощью правила минимального сокращения ошибок (MEP). Результаты показывают, что предложенный метод позволяет классифицировать типы транспортных средств в режиме онлайн с такими преимуществами, как высокая точность классификации, надежность выборки и меньшее время выполнения.Ян и Лей [167] разработали систему обнаружения транспортных средств с использованием недорогих трехосных анизотропных магниторезистивных датчиков. Предлагается новый алгоритм конечного автомата с фиксированным порогом, основанный на дисперсии сигнала. Результаты экспериментов показали, что точность обнаружения и средняя точность классификации могут достигать 99,05% и 93,66% соответственно. Taghvaeeyan et al. [168] сосредоточился на разработке портативной системы придорожных магнитных датчиков для ВК. Показано, что сенсорная система может подсчитывать количество поворотов направо на перекрестке с точностью до 95%.

2.4. Пневматические трубки и другие датчики

Пневматические трубки широко используются для временного подсчета трафика. Для сбора информации о скорости транспортного средства и осях необходимо удлинить две или несколько трубок на соответствующем расстоянии друг от друга. Пневматические трубки легко переносить и их можно просто разместить на поверхности дороги через полосы движения. Трубки крепятся гвоздями для мостовой или другими приспособлениями. Эти пробирки коммерчески доступны для классификации велосипедов и подсчета объема.Два исследования проводили свои исследования путем адаптации пневматических трубок [169, 170].

Пьезоэлектрические датчики изготовлены из материалов, которые преобразуют давление в электрические заряды в ответ на вибрации или механические удары. Пьезоэлектрические датчики встроены под поверхность тротуара на каждой полосе, покрытые эпоксидной смолой, для подсчета трафика и оценки расстояния между осями. Кроме того, скорость автомобиля и межосевое расстояние можно определить, когда два пьезоэлектрических датчика активируются одним и тем же транспортным средством.Эти датчики могут работать отдельно или в системе WIM. Сигналы, генерируемые пьезоэлектрическими датчиками, собираются в распределительной коробке на обочине дороги. Пьезоэлектрические датчики чувствительны к температуре и состоянию поверхности из-за колебаний напряжения. Раджаб и др. [19] представили технологию VC с использованием одноэлементного пьезоэлектрического датчика, расположенного по диагонали на полосе движения. Диагонально расположенные пьезоэлектрические полосковые датчики и методы машинного обучения используются для точной классификации транспортных средств.Тестирование на нескольких участках шоссе показало точность классификации до 97%. Santoso et al. [171] предложили систему пьезоэлектрических датчиков для измерения транспортного потока. Пьезоэлектрическая сенсорная система из пленки поливинилиденфторида (ПВДФ), покрытая металлическими электродами, предназначена для сбора данных и передачи данных измерений для измерения транспортного потока. Вывод показывает количество и тип транспортных средств в виде цифрового кода.

Тензометрические датчики встроены в конструкцию для измерения реакции дорожного покрытия на деформацию.Характер реакции на динамическую деформацию различен для разных транспортных средств; таким образом, используя методы распознавания образов и классификации, можно выделить правильную группу транспортных средств. Аль-Таравне и др. [172] разработал систему VC, основанную на новых датчиках с оптоволоконной брэгговской решеткой (ВБР), установленной в дорожном покрытии. За изменением деформации следили встроенными датчиками трехмерной брэгговской решетки, армированной стекловолокном, с полимерными упаковками (3-D GFRP-FBG). Система VC состояла из обучающих алгоритмов SVM.Результаты полевых испытаний на реальных данных трафика показывают, что разработанная система может точно оценить VC с точностью 98,5%.

Сейсмические датчики используются для регистрации колебаний грунта, создаваемых движущимися транспортными средствами. Сети сейсмических датчиков используются для сбора данных для определения местоположения и определения типов транспортных средств. Du et al. [173] применили фрактальное измерение (FD) для извлечения характеристик сейсмических сигналов для наземных целей. FD основан на методе морфологического покрытия (MC) для извлечения характеристик сейсмических сигналов для классификации наземных целей.Результаты экспериментов показали, что предложенные методы достигли точности 90% для ВК. Чжоу и др. [174] представили функцию, извлеченную из сейсмических сигналов, вызванных наземными транспортными средствами. Эта особенность была извлечена из сейсмических сигналов с использованием кратковременной спектральной плотности мощности (STPSD) для различения колесных и гусеничных транспортных средств. Это было проверено с использованием смешанных наборов данных из полевых экспериментов и SensIT, который представляет собой платформу для беспроводного обнаружения транспортных средств. показаны преимущества и недостатки каждого метода ВК.

Таблица 5

Плюсы и минусы методов ВК.

3. Потенциальные встроенные интеллектуальные датчики, встроенные устройства с поддержкой транспортных средств

Интеллектуальные антенные системы, установленные на транспортном средстве для передачи и приема сигналов, обладают уникальным сочетанием свойств, что делает интеллектуальные транспортные средства привлекательным выбором для многих высокотехнологичных приложений.ВК может получить большую выгоду от этих технологий. Задача и цель этого исследования — изучить способность различных методов с использованием транспортных средств извлекать кинематические и физические характеристики транспортных средств в реальном времени и в глобальном масштабе. Эта информация может использоваться для самых разных приложений, таких как управление парковкой, управление движением, безопасность и предотвращение несчастных случаев [149].

Автомобильные сети — это новая технология интеллектуальных транспортных систем для облегчения связи между соседними транспортными средствами в городских условиях и на шоссе.VANET — это класс мобильных сенсорных сетей, в которых транспортные средства на дороге ведут себя как мобильные сенсорные узлы [175]. Применение VANET направлено на оснащение транспортных средств бортовым блоком (OBU), чтобы они могли подключаться к глобальной сети транспортных средств, вызывая сотрудничество друг с другом и с ближайшей беспроводной инфраструктурой для обмена данными [175]. Синергетические связи между двумя мирами VANET и интеллектуальных транспортных средств очень многообещающи для обеспечения дальнейшей безопасности на дорогах и преимуществ для конечных пользователей [176].Интернет транспортных средств (IoV) — это типичное приложение Интернета вещей (IoT) в области транспорта, которое достигается за счет расширения возможностей VANET.

3.1. Методы на основе VANET

VANET — очень многообещающая технология, которая появилась недавно и используется для различных приложений в области транспорта и дорожного движения [177]. VANET — это среда мобильной сети, которая обеспечивает связь между транспортными средствами и придорожными блоками (RSU) для обмена данными [175].Система дорожной информации на основе VANET состоит из транспортных средств, RSU и центров сертификации (CA). Система обычно оснащена бортовым блоком, антенной, GPS и другими сенсорными устройствами [178]. OBU — это небольшой компьютер, установленный на транспортном средстве для интеграции модулей вычислений, позиционирования, связи и взаимодействия с человеком [179]. OBU может иметь другие интерфейсы, такие как универсальная последовательная шина (USB) и Bluetooth, для связи с вычислительными устройствами (например, ноутбуками, смартфонами и персональными цифровыми помощниками (КПК)).RSU — это инфраструктура, размещенная вдоль дороги для обеспечения связи V2V [180]. Связь V2V позволяет транспортным средствам обмениваться информацией о дорожном движении через беспроводную связь малого радиуса действия [181]. Центры сертификации несут ответственность за выдачу сертификатов транспортным средствам, которые могут быть в форме электронных лицензий и анонимных пар ключей [182]. В системе VANET центрами сертификации могут быть государственные транспортные органы или производители транспортных средств [182]. На протяжении многих лет исследования VANET вызывали большой интерес как в академических кругах, так и в промышленности.С помощью VANET можно собирать большие объемы данных, которые более подробно рассматриваются ниже.

В системе VANET информация о мобильности — например, положение, полоса движения, скорость, ускорение и замедление — а также параметры физических характеристик транспортных средств, например, вес, высота и длина, используются для самых разных такие приложения, как управление парковкой, управление движением, безопасность и предотвращение несчастных случаев [183]. В следующих разделах более подробно обсуждается информация, извлеченная с помощью VANET.

3.1.1. Параметры мобильности транспортных средств

Приемники GPS широко используются в системах локализации VANET для извлечения информации о мобильности, включая местоположение, полосу движения [184], скорость, ускорение и замедление [23,185,186]. Padron et al. [187] представили систему совместной работы на основе VANET, оснащенную устройством GPS, часами реального времени и устройством беспроводной связи для передачи их кинематических параметров, таких как текущее местоположение, скорость и направление. Shao et al.[188] предложил совместную локализацию транспортных средств в сценариях шоссе с использованием кинематических параметров всех транспортных средств в кластере. Предлагаемый метод учитывает ускорение и замедление, а также другие кинематические параметры для получения более точных результатов. Nayak et al. [189] предложил алгоритм обнаружения высокоскоростных транспортных средств на основе местоположения в VANET. Предлагаемый алгоритм определяет полосу движения транспортного средства и обнаруживает нарушения скорости на основе разрешенной скорости в этой полосе. Смена полосы движения транспортного средства также учитывается с помощью указателей поворота транспортного средства.VANET может предоставить данные о транспортном средстве и водителе безопасным и надежным способом.

GPS-приемники легко устанавливаются в автомобили. Однако приемники GPS не являются лучшим решением в этих случаях из-за их низкого диапазона точности — например, до 20 или 30 м — и ограничений при работе в помещении или в густонаселенных городских районах, где нет прямой видимости для спутников. По этим причинам информация GPS, вероятно, будет объединена с другими методами определения местоположения, такими как точный расчет [190,191], определение местоположения по сотовой сети [192,193] и локализация изображения / видео [194].Эта комбинация информации о локализации из разных источников может быть интегрирована с использованием методов слияния данных [195,196,197,198]. В VANET транспортные средства периодически отправляют маяки, чтобы сообщить информацию о своей личности, скорости, ускорении и положении. Правдивое расположение узлов важно для правильного применения. Boeira et al. [199] разработали беспроводную схему пятого поколения для позиционирования узлов.

Транспортные средства в сети VANET, использующие сигналы GPS, могут столкнуться с ухудшением или полной потерей сигналов GPS из-за высокой скорости или заторов.Wisitpongphan et al. [200] разработали расширенный самокорректирующийся алгоритм локализации для повышения точности позиционирования и улучшения оценки локализации транспортных средств через VANET. Весовой коэффициент вводится в функцию путем объединения силы принятого сигнала с измеренным искажением процесса. Полученные результаты показывают, что новый алгоритм способствует лучшей и более эффективной локализации.

Скорость автомобиля зависит от полосы и дороги.Однако на шоссе скорость может быть увеличена до 200 км / ч. Перемещение с высокой скоростью может повлиять на эффективность маршрутизации, быстро устаревшая информация о местоположении. Таким образом, Alwan et al. [201] предложили усовершенствовать механизмы маршрутизации на основе местоположения за счет оценки местоположения транспортного средства в реальном времени и возможных изменений частоты обмена данными на основе извлеченного высокоточного местоположения. С другой стороны, автомобильные заторы — это чрезвычайно важная проблема, которая может снизить эффективность базовой связи, вызывая проблемы широковещательного шторма [202].Проблемы широковещательного шторма — это сценарии, в которых чрезмерное количество широковещательных пакетов вызывает конфликты на канальном уровне. Wisitpongphan et al. [200] количественно оценили влияние широковещательных штормов в сетях VANET с точки зрения задержек сообщений и скорости потери пакетов. Кроме того, предлагаются схемы, позволяющие снизить уровень потери пакетов до 70% при сохранении задержек на приемлемом уровне.

3.1.2. Параметры физических характеристик

В литературе было предложено несколько схем VC для идентификации параметров физических характеристик транспортных средств.В настоящее время для обнаружения и отслеживания транспортных средств используются различные типы датчиков. Однако эти датчики могут быть разработаны для специальных маршрутов и могут покрывать только небольшое расстояние, где точность собранной информации ограничена [203]. VC на основе изображений — это еще один метод, использующий аэрофотоснимки с ненаправленной камеры, видеонаблюдения или обычные камеры. На качество изображения могут повлиять осадки, изменение освещенности или присутствие деревьев и других транспортных средств, блокирующих целевые транспортные средства. Изображения также могут быть низкого качества, а результаты могут быть недостаточно надежными для идентификации транспортного средства [139].

Автоматическое распознавание номерных знаков — это система в реальном времени, которая используется для автоматического распознавания номеров транспортных средств. Автоматическое распознавание номерных знаков — это метод, использующий оптическое распознавание символов для считывания номерных знаков транспортных средств. Методы автоматического распознавания номерных знаков имеют значительную частоту ошибок и высокую стоимость обработки транзакций [27,94]. Jain et al. [204] предоставил новый алгоритм распознавания номерных знаков для наблюдения за дорожным движением. Математическая морфология и искусственная нейронная сеть (ИНС) были применены для улучшения локализации и сегментации персонажей.Было указано, что алгоритм имеет точность классификации 97,06%, 95,10% и 94,12% для определения местоположения номерного знака, сегментации и распознавания символов, соответственно. Du et al. [205] провели всесторонний обзор недавних преимуществ автоматического распознавания номерных знаков. Обзоры Puranic et al. [206] и Gaikwad и Borole [207] охватывают другие аспекты автоматического распознавания номерных знаков.

Идентификационный номер автомобиля (VIN) действует как уникальный идентификатор, отображающий уникальные характеристики, характеристики и производителя автомобиля.С помощью кода VIN можно определить модель, тип и марку целевого транспортного средства [208]. Митра и Мондал [203] предложили две схемы идентификации, аутентификации и отслеживания транспортных средств с использованием VIN в VANET. Некоторые модификации сделаны для включения большего числа производителей транспортных средств. VIN включает 17 символов в трех полях: World Manufacturing Identification (WMI), Раздел описания транспортного средства (VDS) и Раздел идентификатора транспортного средства (VIS). Поле WMI содержит три символа, второе поле — шесть символов, а поле VIS — восемь символов.

Jalooli et al. [209] предложил интеллектуальное рекомендательное ограничение скорости для шоссе с использованием VANET. Предлагаемая консультативная система ограничения скорости дает эксклюзивные рекомендации по ограничению скорости на основе характеристик транспортного средства, включая тип, размер и возможности безопасности транспортного средства, а также дорожные и погодные условия. Alhammad et al. [210] предложили использовать VANET для резервирования парковочных мест на улице. Сообщение-запрос отправляется через бортовое устройство транспортного средства с необходимой информацией.Информация состоит из типа, размера и регистрационного номера транспортного средства, а также профиля водителя. У каждого автомобиля есть уникальный идентификационный номер, который служит отпечатком пальца автомобиля.

3.2. Методы на основе Интернета транспортных средств (IoV)

Недавние прогнозы, касающиеся подключения устройств к Интернету, показали, что к 2020 году около 25 миллиардов «вещей» будут подключены к Интернету, из которых транспортные средства составят значительную часть [ 203]. Интернет вещей (IoT) — это среда для подключения электронной подсистемы к существующей инфраструктуре Интернета.Интернет вещей объединяет все аспекты нашей повседневной жизни с помощью умных гаджетов, которые связаны через Интернет. Интернет вещей — это особый аспект Интернета вещей, созданный интеграцией сетей VANET и Интернета вещей. В VANET транспортное средство, оснащенное бортовым блоком, может присоединиться к кластеру и обмениваться полезной информацией с окружающими транспортными средствами [211]. Транспортные средства в VANET в основном рассматриваются как узлы для распространения сообщений среди группы транспортных средств внутри интересующей области [203]. Тем не менее, в парадигме IoV транспортные средства рассматриваются как интеллектуальные устройства с сильными возможностями для вычислений, хранения и обучения, поддерживая их функцию связи постоянно работающей [212].Pathak et al. [213] обсудили преимущества использования парадигмы IoV в интеллектуальной транспортной системе и исследовали препятствия для успешного внедрения IoT. Для управления сценариями отгрузки и обработки была предложена новая транспортная архитектура на основе IoV. Результаты сравнительного исследования показали, что стоимость предлагаемого метода на 50% меньше, чем у традиционных методов.

Интеллектуальные транспортные системы играют важную роль в повышении качества и интерактивности и могут значительно снизить затраты и потери, а также улучшить возможности управления движением в городской транспортной системе.Wang et al. [214] создал взвешенную модель для сетей зондирования IoV, используя набор данных GPS реального такси. Кроме того, для оптимальной передачи информации о трафике предлагается архитектура сбора информации о локальном трафике с использованием IoV. Результаты моделирования и теоретический анализ показывают эффективность и реализуемость предложенных нами моделей. Gu et al. [215] обсудили алгоритм локализации IoV и предложили метод его улучшения с помощью методов оптимизации. Результаты показали значительное повышение точности и надежности традиционных методов.

Какие автомобили имеют проекционные дисплеи на 2020 год? | News

Проекционный дисплей, или HUD, становится все более распространенной и полезной функцией во многих автомобилях, которая проецирует важную информацию для водителя на лобовое стекло на прозрачном дисплее.Дисплей, видимый только с сиденья водителя, не отрывает взгляда водителя от дороги. Отображаемая информация зависит от производителя и обычно настраивается драйвером. Типичные элементы могут включать в себя спидометр, обороты двигателя, пошаговые инструкции, предупреждения о слепых зонах и даже информацию о дорожных знаках.

Связано: Какие автомобили имеют функции автоматического вождения на 2020 год?

Большинство автопроизводителей по-прежнему делают свои HUD необязательными, либо как часть пакета опций, либо как оборудование, включенное в более дорогой уровень отделки салона.Если вас интересует HUD, стоит отметить, что видимость HUD может пострадать, если вы носите поляризованные солнцезащитные очки. Если это вы, возьмите их с собой и протестируйте функцию, прежде чем платить за то, что вы не можете видеть постоянно. Если не интересует HUD, но он включен в уровень отделки салона или пакет опций, который вам нужен, или если это стандартное оборудование, вы всегда можете отключить его.

Здесь представлены все автомобили 2020 модельного года, упорядоченные в алфавитном порядке по производителям, которые могут быть оснащены HUD в качестве стандартного или дополнительного оборудования.Имейте в виду, что любые модели могут включать в себя родственные им варианты — так, например, Acura RLX включает RLX Sport Hybrid, BMW 2 Series включает 2 Series Gran Coupe и M2, а Audi A4 включает A4 Allroad и S4 — хотя мы по-прежнему выделяем модели, которые сильно отличаются друг от друга, например внедорожники Land Rover Discovery и Range Rover.

Acura

Audi

Бентли

• Bentayga
• Continental GT
• Flying Spur

BMW

• 2 серии
• 3 серии
• 4 серии
• 5 серии
• 7 серии
• 8 серии
• i8
• X1
• X2
• X3
• X4
• X5
• X6
• X7
• Z4

Бьюик

• Энкор GX
• Envision
• Regal Sportback

Кадиллак

• CT4
• CT5
• CT6
• Escalade
• XT4
• XT5
• XT6

Шевроле

• Камаро
• Корвет
• Сильверадо 1500
• Сильверадо 2500/3500
• Пригород
• Тахо

Форд

Бытие

GMC

• Акадия
• Сьерра 1500
• Сьерра 2500/3500
• Юкон

Honda

Hyundai

• Кона
• Палисад
• Санта-Фе
• Соната
• Велостер

Инфинити

Ягуар

• E-Pace
• F-Pace
• I-Pace
• XE
• XF

Киа

• K900
• Душа
• Stinger
• Теллурид

Ламборджини

Ленд Ровер

• Защитник
• Открытие
• Дискавери Спорт
• Range Rover
• Range Rover Evoque
• Range Rover Sport
• Range Rover Velar

Лексус

Линкольн

• Авиатор
• Континенталь
• Корсар
• Навигатор

Mazda

• CX-3
• CX-30
• CX-5
• CX-9
• Mazda3
• Mazda6

Mercedes-Benz

• А-класс
• C-класс
• CLA-класс
• CLS-класс
• E-класс
• GLB-класс
• GLC-класс
• GLE-класс
• GLS-класс
• AMG GT
• S-класс

Мини

• Hardtop
• Clubman
• кабриолет
• Земляк

Мицубиси

Порше

Роллс-Ройс

• Куллинан
• Рассвет
• Призрак
• Фантом
• Призрак

Subaru

Тойота

• Авалон
• Камри
• Горец
• Prius
• Supra

Volvo

• S60
• S90
• V60
• V90
• XC60
• XC90

Автомобили.