Интеллектуальная информационная система учета и инвентаризации дорожных знаков ПДД

А. И. Абдулнагимов, Б. В. Галицков, О. М. Ахунов

Аннотация


Работа посвящена совершенствованию методов инвентаризации дорожных знаков, которые характеризуются высокой трудоемкостью и затратами. Ручной осмотр и фиксация знаков позволяют обрабатывать один километр дороги от 2 до 3 часов, при этом затраты на проведение работ возрастают на 70–80 %. В работе представлена интеллектуальная информационная система автоматической детекции и классификации дорожных знаков ПДД с использованием современных методов глубокого обучения. Разработана двухэтапная архитектура на основе моделей YOLO: детектор YOLOv11m для обнаружения знаков на видеопотоке и классификатор YOLOv8 для определения типа знака по ГОСТ Р 52290-2004. Для решения проблемы дисбаланса классов в обучающей выборке применена синтетическая генерация данных на основе векторных изображений знаков. Реализован алгоритм трекинга MultiSignTracker для устранения дубликатов детекций. Система обеспечивает автоматическое извлечение GPS-координат из метаданных видео и привязку их к обнаруженным знакам. Разработан графический интерфейс для управления проектами и визуализации результатов. Система поддерживает экспорт данных в форматы IndorTrafficPlan и KML. Точность детекции составляет 99,64 %. Итоговый датасет включает около 35 750 изображений, охватывающих около 200 классов дорожных знаков.

Ключевые слова


Компьютерное зрение; детекция объектов; YOLO; дорожные знаки; глубокое обучение; классификация изображений; трекинг объектов.

Полный текст:

PDF

Литература


Chen H., Ali M. A. H., et al. Computational methods for automatic traffic signs recognition in autonomous driving on road: A systematic review. 2024. 10.1016/j.rineng.2024.103553. PQLCXD.

Dosovitskiy A., Beyer L., Kolesnikov A., et al. An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale // International Conference on Learning Representations (ICLR). 2021. 10.48550/arXiv.2010.11929.

He K., Zhang X., et al. Deep Residual Learning for Image Recognition // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770-778. DOI: 10.1109/CVPR.2016.90.

Howard A.G., Zhu M., Chen B., et al. MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications 2017. 10.48550/arXiv.1704.04861.

Jocher G., Chaurasia A., Qiu J. Ultralytics YOLO. 2023. github.com/ultralytics/ultralytics.

Lin T.-Y., Goyal P., Girshick R., et al. Focal Loss for Dense Object Detection // Proceedings of the IEEE International Conference on Computer Vision (ICCV). 2017. P. 2980-2988. DOI: 10.1109/ICCV.2017.324.

Liu W., Anguelov D., Erhan D., et al. SSD: Single Shot MultiBox Detector // European Conference on Computer Vision (ECCV). 2016. P. 21-37. DOI: 10.1007/978-3-319-46448-0_2.

Liu L., Ouyang W., et al. Deep Learning for Generic Object Detection: A Survey // International Journal of Computer Vision. 2020. Vol. 128. P. 261-318. DOI: 10.1007/s11263-019-01247-4. KDEMGX.

Liu Z., Lin Y., Cao Y., et al. Swin Transformer: Hierarchical Vision Transformer using Shifted Windows // Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV). 2021. P. 10012-10022. DOI: 10.1109/ICCV48922.2021.00986. LMBYUN.

Nuakoh E. B., Roy K., et al. 2019. Deep Learning Approach for U.S. Traffic Sign Recognition. In Proceedings of the 2019 3rd International Conference on Deep Learning Technologies (ICDLT '19). Association for Computing Machinery, New York, NY, USA, 47–50. DOI: 10.1145/3342999.3343016.

Redmon J., Divvala S., et al. You Only Look Once: Unified, Real-Time Object Detection // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 779-788. DOI: 10.1109/CVPR.2016.91.

Ren S., He K., et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // Advances in Neural Information Processing Systems (NIPS). 2015. Vol. 28. DOI: 10.1109/TPAMI.2016.2577031.

Shakhuro V.I., Konouchine A.S. Russian Trac Sign Images Dataset // Computer Optics. 2016. Vol. 40, №2. P. 294-300. DOI: 10.18287/2412-6179-2016-40-2-294-300. VWWCJX.

Tan M., Le Q.V. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks // Proceedings of the 36th International Conference on Machine Learning (ICML). 2019. P. 6105-6114. 10.48550/arXiv.1905.11946.

Харченко И., Боровской И., Шельмина Е. Использование ансамбля сверточных нейронных сетей для распознавания дорожных знаков // Вестник ТГУ. Управление, вычислительная техника и информатика. 2022. № 61. C. 88-96. KTEGOZ. [Kharchenko I., Borovskoy I., Shelmina E. Using an Ensemble of Convolutional Neural Networks for Traffic Sign Recognition // TSU Bulletin. Control, Computer Engineering and Informatics. 2022. No. 61, pp. 88–96. (In Russian).]

Шульга Т., Солопекин Д. Распознавание дорожных знаков российского образца с использованием нейронных сетей // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. 2024. № 2. C. 85-94. LTLMXA. [Shulga T., Solopekin D. Recognition of Russian-style traffic signs using neural networks // Vestnik ASTU. Series: Control, Computer Engineering and Informatics. 2024. No. 2. pp. 85-94. (In Russian).]


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2026 А. И. Абдулнагимов, Б. В. Галицков, О. М. Ахунов