ИНФОРМАЦИОННАЯ СИСТЕМА ОПРЕДЕЛЕНИЯ ПРЕПЯТСТВИЙ НА ПЕШЕХОДНЫХ ПЕРЕХОДАХ

PEDESTRIAN OBSTACLES INFORMATION SYSTEM

Iluza Musagitova

student, Department of Automated Information Processing and Control System, Kazan National Research Technical University named after A. N. Tupolev,

Russia, Kazan

Vladimir Mokshin

scientific adviser, Ph.D. those. Sciences, Assoc. Kazan National Research Technical University. A.N. Tupolev,

Russia, Kazan

АННОТАЦИЯ

В данной работе рассматривается система определения препятствий на пешеходных переходах. Представлены результаты детектирования изображений на пешеходном переходе и график оценки точности алгоритма.

ABSTRACT

In this paper, a system for determining obstacles at pedestrian crossings is considered. The results of detecting images at a pedestrian crossing and a graph for evaluating the accuracy of the algorithm are presented. 

Ключевые слова: информационная система, нейронные сети, детектирование.

Keywords: information system, neural networks, detection.

На сегодняшний день большой популярностью пользуются системы распознавания в реальном времени. Интеграция систем распознавания с автомобильными средствами позволяет не только распознавать объекты на дороге, но и предупреждать водителя, а также рассчитывать за доли секунды самые разные ситуации ухода от столкновений [1, c.192].

Разрабатываемая система должна правильно обнаруживать объекты на пешеходном переходе, такие как «пешеход», «автомобиль» и «знак пешеходного перехода».

В данной работе будет использована модель YOLO, так как она является наиболее оптимальной по скорости и точности распознавания объектов в режиме реального времени [2, c.304].

Обучение модели, входящей в состав YOLOv3, происходило с использованием сервиса Google Colab Notebook. Для оценки точности распознавания объектов на пешеходном переходе была использована метрика mAP. Общая средняя точность распознавания обученной модели для YOLOv3_tiny по данным классам составила 70%, а для YOLOv3_tiny составила 82%.

Cхематическое представление для двух моделей представлены на рис.1 и рис.2.

Рисунок 1. Результат mAP для YOLOv3_tiny

Рисунок 2. Результат mAP для YOLOv3.

Результаты работы двух моделей приведены на рис.3 и на рис.4.

Рисунок 3. Результат работы YOLOv3

Рисунок 4. YOLOv3-tiny

На рис.3 приведены результат работы YOLOv3. Можно заметить, что по сравнению с YOLOv3-tiny, результат которого изображен на рис.4., полученные рамки более правильные, а также выше точность распознавания объектов. Также скорость предсказания YOLOv3-tiny на порядок выше (4.693000 milli-seconds) чем у YOLOv3(40.227000).

При включении онлайн режима работы обрабатывался каждый кадр и для него совершалось предсказание. YOLOv3-tiny в среднем имела скорость 30 — 32 fps, YOLOv3 — от 23 до 25 fps. Таким образом, результаты работы двух алгоритмов показали, что YOLOv3 имеет высокую точность, но намного уступает YOLOv3-tiny в скорости и поэтому не предпочтительна для использования в системах реального времени. Из этого следует, что наиболее подходящим алгоритмом с точки зрения соотношения скорости и точности является YOLOv3-tiny [3, c.224].

Результаты точности алгоритма имеют невысокие показатели, так как обучающий набор данных был недосточно велик. Данную проблему можно устранить, добавив новые изображения в датасет.

Список литературы:

1. Бурков А. Машинное обучение без лишних слов: учебное пособие. Мн.: Питер СПб, 2020. – 192 c.
2. Вьюгин В. Математические основы машинного обучения и прогнозирования: учеб. пособие. М.: МЦНМо, 2014. - 304 с.
3. Гелиг А., Матвеев А. Введение в математическую теорию обучаемых распознающих систем и нейронных сетей: учебное пособие М.: Издательство СПбГУ, 2014. – 224 с.