Vol. 1 No. 5 (2025), Articles
Vol. 1 No. 5 (2025)

ПРИМЕНЕНИЕ КОМПЬЮТЕРНОГО ЗРЕНИЯ: СИСТЕМА ПОДСЧЕТА И КЛАССИФИКАЦИИ ТРАНСПОРТНЫХ СРЕДСТВ В РЕАЛЬНОМ ВРЕМЕНИ.

Articles
Published 2025-04-28
Бурханова Сапаргул Ильясовна
Студент магистратуры факультета «Компьютерные науки и программные технологии» негосударственного высшего образовательного учреждения «UNIVERSITY OF MANAGEMENT AND FUTURE TECHNOLOGIES»
Бурханова Айгуль Ильясовна
Выпускница "Компьютерного инжиниринга" Ташкентского университета информационных технологий имени Мухаммада ал-Хоразми
PDF

Keywords

Компьютерное зрение, Подсчет транспортных средств в реальном времени, Классификация транспортных средств, YOLO, Отслеживание объектов, Анализ видеопотока

Abstract

В статье рассматривается реализация системы подсчета и классификации транспортных средств в реальном времени с использованием современных методов компьютерного зрения. Основой работы является нейросетевая модель YOLO (You Only Look Once) и алгоритм отслеживания объектов, позволяющие классифицировать транспортные средства по категориям "машина" и "автобус". Программа анализирует видеопоток, подсчитывает количество транспортных средств, пересекающих линию, и выводит соответствующую информацию на экран. В статье обсуждаются основные этапы разработки системы, особенности ее работы, а также успешные результаты тестирования.

PDF

References

1. Redmon, J., Divvala, S., Girshick, R., Farhadi, A. You Only Look Once: Unified, Real-Time Object Detection. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 779-788.

2. Bochkovskiy, A., Wang, C.-Y., Liao, H.-Y. M. YOLOv4: Optimal Speed and Accuracy of Object Detection. arXiv preprint arXiv:2004.10934, 2020.

3. Bewley, A., Ge, Z., Ott, L., Ramos, F., Upcroft, B. Simple Online and Realtime Tracking. 2016 IEEE International Conference on Image Processing (ICIP). IEEE, 2016, pp. 3464-3468.

4. Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., Berg, A. SSD: Single Shot MultiBox Detector. Proceedings of the European Conference on Computer Vision (ECCV), 2016, pp. 21-37.

5. Lin, T.-Y., Goyal, P., Girshick, R., He, K., Dollar, P. Focal Loss for Dense Object Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 42(2), pp. 318-327.

6. COCO Dataset: Common Objects in Context. URL: http://cocodataset.org/.

7. Ren, S., He, K., Girshick, R., Sun, J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6), pp. 1137-1149.

8. Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., et al. PyTorch: An Imperative Style, High-Performance Deep Learning Library. Proceedings of the 33rd International Conference on Neural Information Processing Systems (NeurIPS), 2019, pp. 8024-8035.

9. Girshick, R. Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2015, pp. 1440-1448.

10. Everingham, M., Van Gool, L., Williams, C. K. I., Winn, J., Zisserman, A. The Pascal Visual Object Classes (VOC) Challenge. International Journal of Computer Vision, 2010, 88(2), pp. 303-338.