УДК 004

Система отслеживания пешеходного трафика c учетом средств индивидуальной мобильности с помощью машинного зрения

Филиппов Никита Игоревич – студент МИРЭА – Российского технологического университета

Серебряков Игорь Евгеньевич – старший преподаватель МИРЭА – Российского технологического университета

Аннотация: В статье рассматривается идея оптимизации пешеходного трафика с учетом средств индивидуальной мобильности за счет улучшения пешеходной инфраструктуры благодаря новой методике отслеживания пешеходного трафика с помощью машинного зрения.

Ключевые слова: оптимизация пешеходного трафика, улучшение пешеходной инфраструктуры, новая методика отслеживание пешеходного трафика с помощью машинного зрения.

Достоинства современной городской инфраструктуры определяются маневренностью населения и возможностью быстрого изменения местоположения. Проблема оптимизации передвижения населения в городах актуальна не только для дорожного (автомобильного) трафика, но и для пешеходного. И если вопрос дорожной инфраструктуры стоял в последние годы остро, и решения отслеживания дорожного трафика появились несколько лет назад, то решения по отслеживанию пешеходного трафика и пешеходного трафика с учетом средств индивидуальной мобильности появились совсем недавно.

Отслеживание пешеходного трафика очень важно и актуально, например, для бизнеса [1], так как оно позволяет потенциальному предпринимателю узнать общую статистику пешеходного трафика в данной точке, и уже зная статистику принимать решение по открытию предпринимательской деятельности в данном месте. В условиях мировой пандемии сбор информации о трафике помогает определить места больших скоплений людей и принять меры, для их рассредоточения. На сегодняшний день используемые системы не могут правильно собирать статистику и проводить анализ по пешеходному трафику для улучшения пешеходной инфраструктуры.

Для решения проблемы можно было бы использовать ГЛОНАСС или Global Positioning System (далее – GPS) [2]. Отслеживание трафика с помощью ГЛОНАСС/GPS не простое решение по причинам:

  • сбор данных со смартфонов, в которых включены модули ГЛОНАСС/GPS увеличивает сетевой трафик;
  • требуется разрешение пользователей на отслеживание их местоположения;
  • не во всех смартфонах постоянно включена геолокация.

Решив эти проблемы подсчет трафика все равно будет недостаточно точен.

Для решения задачи отслеживания пешеходного трафика можно использовать искусственный интеллект (ИИ), основанный на технологиях машинного зрения [3] и нейросетевых алгоритмах. Для этого ИИ необходимо интегрировать в городскую инфраструктуру. В городах, на перекрестках автодорог стоит много камер видеонаблюдения. Вся информация с московских камер попадает в Единый центр обработки и хранения данных МВД России, а в других городах в региональные центры обработки и хранения данных. Видеоданные с этих камер можно использовать для применения в технологии машинного зрения. На вычислительных мощностях этих центров можно использовать нейросеть для распознавания и анализа пешеходного трафика. Интернируясь в существующую инфраструктуру цена внедрения такой системы не будет высокой, а точность подсчета трафика увеличивается во много раз.

В 2016 году тему отслеживания пешеходного трафика с помощью машинного зрения затрагивали Намиот Д.Е., Куприяновский В.П., Карасев О.И., Синягов С.А. в статье «Пешеходы в Умном Городе» [4]. В статье перечисляются разные способы отслеживания пешеходного трафика. В настоящее время затронутая тема требует доработки с учетом появления новых, современных технологий и развитием городской инфраструктуры слежения. В указанной статье не предлагается надежного решения отслеживания пешеходного трафика по направлениям движения.

Впервые систему отслеживания пешеходного трафика с помощью машинного зрения сделала отечественная компания «Mallenom Technologies» [5]. Они предложили программу AVEDEX, которая отслеживает дорожный и пешеходный трафик за счет машинного зрения, и в течение реального времени выдает общее количество объектов на дороге. Ближе всего к предлагаемой идее пришла отечественная компания «Traffic Data» [6]. Их решение позволяет отслеживать направление движения пешеходов, но трафик подсчитывается не по направлению движения, а общий. Из-за чего сложно понять в каком направлении в заданный промежуток времени идет большая часть пешеходного потока.

На текущий момент нет идеального решения по быстрому поиску проблемной пешеходной инфраструктуры. Из-за чего на многих участках улиц, на пешеходных зонах возникают замедленное движение пешеходов. Чаще всего это заметно в часы пик в крупных городах, таких как Москва, Санкт-Петербург, Сочи, Казань и др. Если в Москве пешеходная инфраструктура более-менее развита и затруднений в пешеходном движении, с учетом пешеходов с индивидуальными средствами передвижения, почти нет, так как пространства для пешеходов достаточно, то в других городах ситуация иная. Улицы не радиальные, тротуары узкие, недостаточно обозначений по движению, мало пространства для пешеходов с индивидуальными средствами мобильности, из-за этого очень сложно двигаться в плотном потоке людей.

Мы предлагаем новую программную систему, которая будет распознавать объекты в видеопотоке и предлагать их оптимизацию для уменьшения узких мест в пешеходных зонах. Данная система будет иметь возможность работы с несколькими видеопотоками городских камер, установленными на определенной высоте от земли. В тестовом режиме система будет иметь возможность подключения одного или нескольких заготовленных видеопотоков и одновременно обрабатывать их. Результаты обработки будут сразу выводиться в программе, которая будет вести не только общий подсчет, а также подсчет по направлениям движения, с учетом подсчета пешеходов на средствах индивидуальной мобильности. Результаты работы программы будут доступны через API для других программ.

Полученные данные будут отправляться в базу данных. На основе этих данных может выполняться анализ текущего трафика и моделироваться прогнозы на различные ситуации. Такая система будет кроссплатформенной и не будет избирательной к ресурсам электронно-вычислительных машин и операционных систем. Требовательность системы может зависеть только от количества принимаемых и обрабатываемых данных. Система должна работать с любыми камерами, которые ведут запись в высоком качестве HD и выше.

Список литературы

  1. Foot Traffic: How To Measure and Increase Store Visits (2022): [Электронный ресурс]. URL: https://translated.turbopages.org/proxy_u/en-ru.ru.77c9591b-6447d3ef-cadf2043-74722d776562/https/www.shopify.com/my/retail/foot-traffic#:~:text=Отслеживание%20пешеходного%20трафика%20дает%20вам,образом%20спланировать%20свой%20штатный%20график (Дата обращения 20.04.2023).
  2. GPS мониторинг с оповещениями по геозонам с помощью Traccar: [Электронный ресурс]. URL: https://igancev.ru/2023-01-05-tracking-geo-coordinates-with-traccar. (Дата обращения 02.04.2023).
  3. Анирад К., Мехер К., Сиддха Г. / Искусственный интеллект и компьютерное зрение. Реальные проекты на Python, Keras и TensorFlow – Бостон: Practical Deep Learning, 2022.
  4. Намиот Д.Е., Куприяновский В.П., Карасев О.И., Синягов С.А., Добрынин А.П. / Пешеходы в Умном Городе – Москва: Международный журнал открытых информационных технологий ISSN, 2016. – 16 с.
  5. Mallenom Technologies: [Электронный ресурс]. URL: https://avedex.net/#kupit. (Дата обращения 02.04.2023).
  6. Traffic Data: [Электронный ресурс]. URL: https://trafficdata.ru. (Дата обращения 02.04.2023).

Интересная статья? Поделись ей с другими: