Алгоритмы детектирования и классификации объектов в автомобильном транс-портном потоке на основе анализа данных спутниковой съемки тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Тормозов Владимир Сергеевич

• Тормозов Владимир Сергеевич
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Тормозов Владимир Сергеевич

Введение

1 Анализ методов и алгоритмов детектирования и классификации объектов на спутниковых снимках

1.1 Анализ подходов и алгоритмов детектирования и классификации объектов транспортного потока на спутниковых снимках

1.2 Анализ алгоритмов и методов детектирования объектов на изображении

1.3 Анализ алгоритмов и методов классификации объектов на изображении

1.4 Используемые метрики для оценки качества детектирования и классификации

1.5 Анализ программных систем детектирования объектов

Выводы по главе

2 Разработка алгоритмов детектирования и классификации объектов в транспортном потоке на спутниковых снимках

2.1 Декомпозиция задачи детектирования и классификации объектов

2.2 Алгоритм извлечения локальных участков с использованием географической информации о дорогах

2.3 Алгоритм извлечения возможных кандидатов с фильтрацией

2.4 Алгоритм обнаружения и классификации объектов

2.5 Алгоритм определения направления движения

Выводы по главе

3 Методика получения результатов по оценке разработанных алгоритмов детектирования и классификации объектов транспортного потока

3.1 Направления исследований диссертационной работы

3.2 Условия проведения испытаний по оценке качества детектирования и

классификации

3.3 Оценка качества работы алгоритма извлечения локальных регионов с использованием географических данных о расположении дорог

3.4 Оценка качества работы алгоритма фильтрации кандидатов

3.5 Эксперименты по испытанию системы обнаружения и классификации

3.7 Проведение сравнения результатов работы алгоритмов с существующими методами

Выводы по главе

4 Результаты экспериментальной оценки разработанных алгоритмов

детектирования и классификации объектов транспортного потока

4.1 Результаты экспериментов по оценке качества работы системы в зависимости от объема обучающей выборки

4.2 Оценка и анализ качества работы алгоритма извлечения локальных регионов с использованием данных о расположении дорог

4.3 Оценка и анализ качества работы алгоритма фильтрации кандидатов

4.4 Результаты испытаний системы детектирования и классификации

4.5 Сравнение результатов с существующими методами

Выводы по главе

Заключение

Список литературы

Приложение А

Приложение Б

Приложение В

Приложение Г

Введение диссертации (часть автореферата) на тему «Алгоритмы детектирования и классификации объектов в автомобильном транс-портном потоке на основе анализа данных спутниковой съемки»

ВВЕДЕНИЕ

Актуальность диссертационной работы. Эффективное управление дорожным движением должно обеспечивать равномерную загрузку транспортной сети на грани ее пропускной способности, не допуская перегрузки уязвимых зон, а также прогнозировать развитие транспортной обстановки. В условиях стремительно меняющихся режимов дорожного движения в связи с продолжающимся взрывным ростом автомобилизации населения в городах требуется сокращение времени на корректировку управляющих решений интеллектуальных транспортных систем (ИТС) с периодической их актуализацией, а также решение задачи ИТС по осуществлению и поддержки возможности автоматизированного и автоматического взаимодействия транспортных субъектов.

Данные дистанционного зондирования (ДДЗ) Земли, получаемые с орбитальных носителей, являются источником обширной и разнородной информации о наземных объектах.

Задача детектирования и классификации объектов в транспортном потоке (ТП) на спутниковых изображениях является важной частью в решении задачи интерпретации данных, получаемых из систем ДЗЗ.

Современный подход к решению задачи детектирования и классификации объектов в транспортном потоке (ТП), отраженный в трудах Л. Абрахам (L. Abraham), Д. Лейтлофф (J. Leitloff), Н. К. Гилл (N. K. Gill), М. Сасикумар (M. Sasikumar), А. Шарма (A. Sharma), Р. Кумар (R. Kumar), С. Ларсен (S. Larsen), У. Лю (W. Liu), К. Ливан (C. Liujuan), К. Шлоссер (C. Schlosser) и др. [1, 23, 25, 29, 36, 40, 41, 43, 46, 48, 59] основан на поэтапном извлечении маски дорожного полотна, обнаружении областей внутри маски, предположительно вмещающих ТС, применению различных детекторов для каждой обнаруженной области с целью обнаружения объектов и их дальнейшей классификации. Выделяются какие-либо признаки, характерные для искомого объекта: ключевые точки, контуры, яркост-ные характеристики объекта. Затем, либо выполняется классификация каждого из таких признаков на предмет принадлежности искомому объекту, либо объедине-

ние близко расположенных признаков в группы, с последующей обработкой этих групп. В промежутках между основными этапами могут выполняться операции улучшения, сглаживания и фильтрации признаков. При отсутствии или недостаточной видимости подобных признаков у объектов на изображении успешное детектирование не происходит. В отличие от них, подходы на основе машинного обучения в значительной степени лишены подобного недостатка, так как признаки, на основе которых происходит детектирование и классификация, заранее не задаются человеком: они определяются автоматически. Как следствие - выделяются признаки, по которым детектирование объекта на тестирующей выборке происходит лучше всего.

Сложность задачи детектирования и классификации объектов в ТП на спутниковых изображениях заключается в: 1) многообразии форм и размеров объектов; 2) небольших размерах, произвольном направлении объектов; 3) значительном объеме исходных данных; 4) существовании большого количества объектов схожей формы на спутниковом снимке; 5) наличии помех от окружающих объектов и их теней. Поэтому разработка эффективных методов детектирования и классификации объектов ТП на спутниковых изображениях является актуальной задачей и именно ее решению посвящена данная диссертационная работа.

Цель диссертационной работы. Целью работы является разработка алгоритмов детектирования и классификации объектов в ТП с применением космических снимков, которые могут отображать значительную территорию городской среды.

Объектом исследования являются методы, алгоритмы, программные средства детектирования и классификации объектов с помощью данных спутниковой съемки.

Предметом исследования являются методы, алгоритмы, программные средства детектирования и классификации объектов в транспортном потоке с помощью данных спутниковой съемки.

Задачи исследования:

1. Анализ алгоритмов и методов детектирования и классификации объектов на снимках.

2. Разработка алгоритма извлечения со снимков изображений локальных участков улично-дорожной сети (УДС).

3. Разработка эффективной схемы детектирования и классификации объектов с привязкой к ТП УДС.

4. Программная реализация разработанных алгоритмов для детектирования и классификации объектов ТП.

5. Проведение вычислительных экспериментов с использованием дневных спутниковых снимков для оценки качества разработанных алгоритмов.

Методика исследования. Теоретической основой диссертационной работы послужили исследования российских и зарубежных ученых в области обработки цифровых сигналов и машинного обучения. Экспериментальные исследования разработанной системы проводились с использованием реальных данных спутниковой съемки. При решении задачи использовались методы системного анализа: декомпозиция, анализ, синтез и реализация системы.

Научная новизна работы заключается в следующем:

1. Разработан и исследован алгоритм извлечения изображений локальных участков УДС, значительно сокращающий область детектирования объектов на снимках. В отличие от существующих алгоритмов в нем учитывается, что границы перегонов на снимке могут быть нечеткими или перекрыты детектируемыми объектами. Разработанный алгоритм извлечения использует географические данные о расположении и ширине перегонов на местности, что также позволяет повысить его точность в сравнении с существующими алгоритмами применительно к задаче детектирования объектов в ТП.

2. Разработан алгоритм определения направления дорожного движения объекта, который однозначно соотносит объект с одним из ТП.

3. Обработаны спутниковые данные города Хабаровска: сокращена область поиска объектов, настроена и применена система глубокого машинного обучения для формирования численного распределения объектов по ТП и классам.

4. Разработан программный комплекс «TDC extractor», реализующий разработанные алгоритмы детектирования и классификации. Программный комплекс предназначен для извлечения распределения объектов ТП по классам и направлениям движения для каждого перегона УДС.

5. Предложена и исследована модификация системы локализации объектов, увеличивающая точность детектирования и классификации объектов за счет подготовительных трансформаций изображения кандидата с учетом специфики решаемой задачи.

6. Предложен и исследован алгоритм извлечения возможных кандидатов объектов. Основным преимуществом алгоритма является то, что он имеет невысокие требования к вычислительным ресурсам и обладает высокой точностью и скоростью работы.

Практическая значимость. Разработанная алгоритмическая схема позволяет детектировать и классифицировать объекты ТП по каждому перегону УДС и может улучшить фактографическое обеспечение процессов транспортного планирования и повысить качество систем управления дорожным движением.

Достоверность результатов диссертационной работы подтверждается корректным использованием теоретических и экспериментальных методов обоснования полученных результатов, выводов и рекомендаций, тестированием всех предложенных алгоритмов на реальных данных спутниковой съемки. Все полученные результаты соответствуют общепринятым теоретическим и практическим положениям.

Соответствие паспорту специальности. Область исследования соответствует паспорту научной специальности 2.3.1, в пунктах:

- п. 4, «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации».

- п. 5, «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации».

- п. 12, «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».

Реализация результатов работы. Основные результаты работы использованы в УГИБДД УМВД России по Хабаровскому краю для оперативного мониторинга транспортной ситуации города Хабаровска. Также результаты диссертационной работы внедрены в рабочий процесс МУП г. Хабаровска «НПЦОДД», повышают эффективность и точность оценки показателей транспортных потоков в рамках плана НИОКР МУП г. Хабаровска «НПЦОДД» на 2019 год.

Результаты диссертационной работы используются в деятельности кафедры программного обеспечения вычислительной техники и автоматизированных систем ФГБОУ ТОГУ в научной области и учебной деятельности (используется при проведении научных исследований по данной проблематике). Акты о внедрении результатов исследования приведены в приложении диссертационной работы (Приложение В).

Основные положения, выносимые на защиту:

- Уникальный алгоритм извлечения изображений локальных регионов УДС. В отличии от существующих исследований в этой области, алгоритм корректирует позиции узлов линии дороги с учетом данных об интенсивности пикселей спутникового снимка.

- Уникальный алгоритм извлечения кандидатов объектов. Основными преимуществами алгоритма являются: невысокие требования к вычислительным ресурсам, высокая точность и скорость работы за счет фильтрации кандидатов объектов по легко извлекаемым признакам: размерам и интерполированному изображению.

- Модифицированная система локализации объектов, увеличивающая точность детектирования и классификации объектов за счет подготовительных трансформаций изображения кандидата с учетом специфики решаемой задачи.

- Алгоритм определения направления дорожного движения объектов.

- Программное обеспечение «TDC extractor» для извлечения распределения ТС для извлекаемых участков УДС.

- Результаты экспериментальной работы системы «TDC extractor» на реальных данных спутниковой съемки.

Апробация результатов исследования. Основные результаты диссертационной работы докладывались и обсуждались на всероссийских и международных конференциях:

- XIX краевой конкурс молодых ученых и аспирантов (г. Хабаровск);

- Международная научная конференция «Информационные технологии XXI века» (г. Хабаровск, 2019);

- XIX Международная научная конференция «Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство» (г. Казань);

- International scientific and practical conference «Fundamental and Applied Scientific Research» (Германия, г. Берлин);

- Международная научно-практическая конференция «Компьютерные технологии и моделирование в экономике, образовании, управлении и технике: тенденции и развитие» (г. Махачкала);

- Всероссийская научно-практическая конференция «Информационно-телекоммуникационные системы и технологии» (г. Кемерово).

- Международная мультидисциплинарная конференция по промышленному инжинирингу и современным технологиям FarEastCon 2019 (г. Владивосток).

Работа в целом обсуждалась на кафедре «Вычислительная техника» ТОГУ (2019 г.).

Публикации и личный вклад автора. Основные результаты исследований отражены в 14 печатных работах, из них 1 - в журналах, индексируемых в Scopus, 6 - в периодических изданиях, рекомендованных ВАК России для публикации научных работ, 7 публикаций в сборниках международных и всероссийских конференций, 5 свидетельств о регистрации программ по тематике исследований.

Копии документов, подтверждающих интеллектуальную собственность, приведены в приложениях (Приложение А).

Личный вклад автора заключается в разработке алгоритмов детектирования и классификации объектов в транспортном потоке на основе анализа данных спутниковой съемки разрешения, проведении вычислительных экспериментов и натурных испытаний.

В работах, написанных в соавторстве, личный вклад автора заключается в следующем:

- в работах [55, 129] автору принадлежит разработка алгоритмов сокращения области поиска ТС на спутниковых снимках, фильтрации кандидатов и выбор и настройка алгоритма для детектирования кандидатов;

- в работе [131] автору принадлежит разработка методики формирования эталонных образов ТС различных классов и алгоритма сравнения извлеченных кандидатов с эталонными образами;

- в работе [130] автору принадлежит выбор архитектуры и настройка системы для детектирования кандидатов ТС.

Структура и объём диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы, приложений. Работа содержит 127 страниц основного текста, 24 рисунка, 10 таблиц, библиографический список из 157 наименований.

1 АНАЛИЗ МЕТОДОВ И АЛГОРИТМОВ ДЕТЕКТИРОВАНИЯ И КЛАССИФИКАЦИИ ОБЪЕКТОВ НА СПУТНИКОВЫХ СНИМКАХ

Глава содержит обзор основных концепций и методов детектирования и классификации ТС, а также анализ методов и алгоритмов детектирования и классификации объектов на цифровых изображениях.

1.1 Анализ подходов и алгоритмов детектирования и классификации объектов транспортного потока на спутниковых снимках

В последние десятилетия спутниковые данные были успешно использованы для прогнозирования погоды, а также решения многих практических задач в географических и геологических областях. Для решения многих задач в таких областях достаточно спутниковых изображений низкого разрешения. Однако технологические разработки в области спутниковой съемки не стоят на месте и на данный момент уже возможно получение спутниковых данных с более высоким пространственным разрешением, что значительно расширяет множество областей их применения. Таким образом, спутниковые снимки оказались подходящей альтернативой аэрофотометрическим снимкам в качестве нового источника данных при обнаружении наземных объектов многих классов.

Помимо этого, использование данных аэрокосмической съемки беспилотных летательных аппаратов (БПЛА) для детектирования и классификации транспортных средств (ТС) представляется неэффективным, так как обзор камеры БПЛА перемещается, из-за чего неизбежно возникает повторное обнаружение ранее учтенных ТС, а также неучет ТС, не попавших в обзор камеры. В связи с чем, робастный подсчет автомобильного транспорта представляется возможным только с использованием статических снимков дорожной сети. Такие снимки могут быть получены только с помощью разового взятия изображения интересующей области.

Существующие методы детектирования и классификации объектов транспортного потока, отраженные в работах [1, 9, 13, 23, 25, 40, 44], обладают недостаточно высокой скоростью работы и точностью. Так как входные данные спутниковой съемки занимают значительный объем, скорость работы программных реализаций крайне важна для задачи детектирования наземных объектов. Актуальным представляется модернизация подобных систем с целью увеличения скорости и точности работы.

Задача детектирования объектов транспортного потока является частным случаем задачи детектирования наземных объектов на спутниковых снимках, поэтому на сегодняшний день используются схожие методы, включающие в себя базовые этапы:

1. извлечение маски дорожного полотна, в ряде работ [1, 29, 37, 75] не рассматривается;

2. обнаружение и локализация областей внутри маски (объектов-кандидатов), предположительно вмещающих объекты, подлежащие детектированию;

3. применение различных детекторов для каждой обнаруженной области с целью детектирования объектов с возможной дальнейшей классификацией.

В связи со спецификой задачи детектирования объектов именно транспортного потока, область детектирования во множестве работ сужается со всей области спутниковой съемки до маски дорожного полотна. Такая маска, как правило, локализуется либо с помощью текстурных или спектральных характеристик [1, 9, 13, 25], либо с помощью географической информации о положении участка дороги на местности [44] и отражает позицию дорожного полотна на снимке неточно, с некоторым допуском от границы дорожного полотна. Такая неточность связана: со стохастическим характером работы самого алгоритма; с погрешностью положения позиции узлов в осевой линии дороги. Объединение данных, полученных исходя из анализа характеристик пикселей снимка и географической информации об осевой линии дороги, выполненное в данной работе, позволяет избежать ложного попадания объектов в область детектирования. В данной работе разработан уни-

кальный алгоритм корректировки узлов осевой линии дорожного полотна, исходя из характеристик пикселей в этой области, что позволяет увеличить точность извлечения маски дорожного полотна по сравнению с другими методами извлечения и, как следствие, увеличивает точность и скорость детектирования объектов ТП.

Далее обнаруживаются и локализуются объекты-кандидаты внутри маски дорожного полотна. Для достижения высокой точности детектирования, как правило, устанавливают высокую чувствительность алгоритмов обнаружения кандидатов, благодаря чему извлекается значительный по объему набор кандидатов. К тому же исходные изображения могут иметь искажения и зашумления [132]. Для детектирования объектов каждый кандидат проходит вычислительно затратную процедуру идентификации. В то же время, в извлеченном наборе могут присутствовать кандидаты, которые исходя из своих характеристик (спектральных, текстурных, размеров и т. д.) уже не могут быть отнесены к детектируемым объектам. В данной работе разработан новый алгоритм фильтрации набора объектов-кандидатов по их параметрам: размерам, интерполированному изображению вертикально ориентированного объекта. Алгоритм фильтрации позволяет сократить количество кандидатов, подвергаемых процедуре детектирования, и как следствие уменьшает количество запусков этой процедуры, что ускоряет детектирование. Также, так как часть кандидатов отфильтровывается, они не могут быть ложно маркированы как объекты - точность детектирования растет.

Задача определения направления дорожного движения детектированного объекта в большинстве существующих работ либо не ставится, либо решается переборным методом с помощью математического аппарата детектирования объектов: выполняется подбор угла поворота объекта, при котором он будет распознан. Затем угол поворота соотносится с одним из направлений движения. Такой подход требует значительных вычислительных ресурсов и неточен из-за вероятностного характера процедуры локализации. В работе предлагается новый подход и математическая модель, использующие тот факт, что участники ТП всегда ориентированы вдоль направления движения этого ТП и расположены либо слева, либо

справа от осевой линии дороги. Подход основан на соотнесении координат центральной точки объекта и узловых точек осевой линии дороги. Благодаря однозначности и вычислительной легкости соотнесения достигается высокая скорость работы.

Далее, во множестве работ [1, 9, 13, 17] выделяются какие-либо признаки, характерные для искомого объекта: ключевые точки [68], контуры, яркостные характеристики объекта. При отсутствии или недостаточной видимости подобных признаков у объектов на изображении успешное детектирование не происходит. В отличие от них, нейросетевой подход в значительной степени лишен подобного недостатка, так как признаки заранее не задаются. Они определяются в ходе машинного обучения. Как следствие - автоматически выделяются признаки, по которым детектирование объектов на тестирующей выборке происходит лучше всего. Основной проблемой является то, что многие сети, хорошо решающие задачу детектирования, формируют признаки, неинвариантные повороту. Существующие работы, применяющие нейросетевой подход для локализации объектов на изображениях, либо выполняют локализацию на ранее подготовленном изображении участка дороги [78, 76], либо обучают нейронную сеть по примерам с различными углами поворота [36]. Это дает недостаточную точность, так как в обучающей выборке может быть мало примеров с требуемым углом поворота. Вместо этого в диссертационной работе применяется модернизированный метод детектирования ТС: угол поворота извлекается исходя из предположения, что ТС ориентировано вдоль направления движения ТП. Изображение кандидата, как и изображения примеров для обучающей и тестирующей выборок, последовательно подвергается трансформациям подгонки к квадрату, поворота и масштабирования, благодаря чему нейронная сеть обучается и работает только с квадратными изображениями объектов с одинаковыми углами поворота, что увеличивает скорость обучения и точность ее работы.

Среди отечественных и зарубежных открытых геоинформационных систем не было найдено ни одной, использующей данные спутниковой съемки для извлечения объектов ТС с их соотнесением ТП. Однако в зарубежной научной литера-

туре есть множество исследований, посвященных данной тематике. Многие исследования основаны на выделении маски дорожного полотна на панхроматическом изображении, обнаружении областей внутри маски, предположительно вмещающих ТС, применении различных детекторов для каждой обнаруженной области с целью классификации ТС [1], [21], [48], [99].

В статье [1] задача детектирования ТС на снимке выполняется в несколько этапов. Фоновая информация удаляется из изображения, основываясь на ранее полученных изображениях той же местности [14]. На оставшейся части снимка, то есть переднем плане, ищутся локальные ключевые точки по алгоритму SIFT с последующей классификацией точек методом опорных векторов. Основываясь на позиционных характеристиках точки, определяется принадлежность конкретной точки классу «автомобиль». Классификация ключевых точек проводится с помощью метода опорных векторов. Для распознавания автомобилей, точки, принадлежащие классу «автомобиль», группируются по авторскому алгоритму с использованием настраиваемого порогового значения. Подобная система имеет ряд недостатков: неоднозначность назначения класса ключевым точкам; алгоритм возможно непригоден для изображений пространственного разрешения ниже, чем указано в статье, так как снимки, приводимые автором в качестве иллюстрационного материала, имеют разрешение, недостаточное для робастного детектирования. Смесь Гауссовых функций, используемых автором для выделения переднего плана, требует наличия предыдущих снимков той же местности. Процент верной классификации ключевых точек как автомобиля в данном исследовании достиг 52.75%.

Другой подход к детектированию ТС описан в статье [44]. Вначале происходит обнаружение очередей ТС, а затем - ТС внутри области каждой обнаруженной очереди. Для выделения областей интереса используется GIS информация о расположении участков дорог и позиционировании области съемки на местности. Обнаружение очередей ТС осуществляется путем выделения контуров в области интереса и их дальнейшего анализа. Основные этапы анализа контуров: фильтрация контуров по их направлению, объединение близко расположенных контуров,

сглаживание контуров полигональной аппроксимацией, построение функции контраста по всей длине очереди. Для распознавания ТС выполняется соотнесение ядра Гауссовой функции с вершиной функции контраста и оценка ее параметров. Для оценки результатов работы метода используются коэффициенты правильности и полноты. Коэффициенты правильности Kcorr и полноты Kcompi определяются по формулам:

- ТР () ^СОТТ = С11)

TP

Kcompi — Yp ^ рщ, (12)

где TP — корректно обнаруженные ТС;

FP — некорректно обнаруженные ТС;

FN — некорректно отвергнутые ТС.

Наилучшие значения показателей, полученные в рамках исследования, составляют Kcorr=40,3% и Kcomp=76%. Несмотря на то, что методика эффективно работает для обнаружения очередей ТС, отдельно стоящие автомобили по тем или иным причинам обнаруживаются не в полном объеме. Метод не обнаруживает ТС, частично перекрытые тенью или наземными объектами (растительностью, зданиями, дорожными эстакадами). Построение функции контраста по всей длине очереди и соотнесение ядра Гауссовой функции с вершиной функции контраста позволяет эффективно отделять ТС в очереди одно от другого, за исключением прицепов и теней от ТС, ориентированных вдоль дороги. Обнаружение ТС основано на работе с контурами, в связи с чем, ТС не локализуются, если не имеют четкого контура, либо он зашумлен.

Некоторые исследования основаны на использовании яркостных характеристик для поиска и локализации ТС. Л. Абрахам (L. Abraham) и М. Сашикумар (M. Sasikumar) [1] выполняется распознавание светлых и темных ТС в отдельности. Вначале происходит ручное выделение области интереса (ROI). В рамках исследования ROI - всегда прямоугольный, горизонтально расположенный участок прямой дороги. Затем, для обнаружения светлых объектов происходит бинариза-

ция изображения по пороговому значению, вычисляемому по предлагаемому в статье алгоритму. Данное пороговое значение должно быть больше среднеарифметической интенсивности точек растра в области интереса. Для обнаружения темных ТС применяется метод Оцу [99]. Для удаления теней и разъединения близко расположенных ТС выполняется ряд морфологических преобразований: эрозия с последующей дилатацией. В качестве характеристик для классификации машин используются их геометрические размеры: машины, размеры которых больше среднеарифметических, классифицируются как грузовики, остальные — как легковые автомобили. Среднеарифметические размеры автомобилей вычисляются уже после нахождения всех ТС в ROI. Метод не является полностью автоматическим, так как для его работы необходимо ручное выделение и поворот ROI на спутниковом снимке. Выделение ТС на снимке выполняется как простая фильтрация пикселей по интенсивности. При этом не учитывается их взаимное расположение. Как следствие, происходит ложное обнаружение других наземных объектов, имеющих схожую интенсивность.

Список литературы диссертационного исследования кандидат наук Тормозов Владимир Сергеевич, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Abraham, L. Vehicle detection and classification from high resolution satellite images [Text] / L. Abraham, M. Sasikumar // ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - Colorado, 2014. - pp. 1-8.

2. Abramov, N. Neural network technology to search for targets in remote sensing images of the Earth [Text] / N. Abramov, A. Talalayev, V. Fralenko, O. Shishkin, V. Kha-chumov // Proceedings of the V International Conference Information Technology and Nanotechnology. - 2019. - P. 180-186.

3. Alvarez, F. Application of HFCT and UHF sensors in on-line partial discharge measurements for insulation diagnosis of high voltage equipment [Text] / F. Alvarez, F. Gar-nacho, J. Ortego, M. A. Sanchez-Uran // Sensors. - Madrid, 2015. - pp. 7360-7387.

4. Barron, C. A comprehensive framework for intrinsic OpenStreetMap quality analysis [Text] / C. Barron, P. Neis, A. Zipf //Transactions in GIS. - 2014. - Т. 18. - №. 6. - P. 877-895.

5. Belohoubek, E. Microcomputer controlled radar and display system for cars [Text] / E. Belohoubek, J. Cusack, J. Risko, J. Rosen //SAE Transactions. - 1977. - pp. 12751284.

6. Betke, M. Multiple vehicle detection and tracking in hard real-time[Text] / M. Betke, E. Haritaoglu, L. Davis //Proceedings of Conference on Intelligent Vehicles. - 1996. -pp. 351-356

7. Brinkmann, R. The art and science of digital compositing: Techniques for visual effects, animation and motion graphics [Text] / R. Brinkmann. - Morgan Kaufmann. -2008. - 704 p.

8. Brunelli, R. Template Matching Techniques in Computer Vision: Theory and Practice [Text] / R. Brunelli. - Wiley, 2009. - 346 p.

9. Buch, N. Detection and classification of vehicles for urban traffic scenes [Text] / N. Buch, J. Orwell, S.A. Velastin // 5th International Conference "Visual Information Engineering". - 2008. - P. 182-187.

10. Caffe. Deep learning framework by the BVLC [Электронный ресурс] // Caffe. -2020. - Режим доступа: http://caffe.berkeleyvision.org/ (дата обращения 05.11.2020).

11. Cao, C. Automatic road centerline extraction from imagery using road GPS data [Text] / C. Cao, Y. Sun // Remote sensing. - 2014. - Vol. 6. - №. 9. - pp. 9014-9033.

12. Chandan, G. Real time object detection and tracking using Deep Learning and OpenCV [Text] / G. Chandan, A. Jain, H. Jain // 2018 International Conference on Inventive Research in Computing Applications (ICIRCA). - IEEE, 2018. - P. 1305-1308.

13. Chen, X. Vehicle detection in satellite images by hybrid deep convolutional neural networks [Text] / X. Chen, S. Xiang, C.L. Liu, C.H. Pan //IEEE Geoscience and remote sensing letters. - 2014. - Vol. 11. - №. 10. - pp. 1797-1801.

14. Cheng, M. SalientShape: Group Saliency in Image Collections [Text] / M.M. Cheng, N. J. Mitra, X. Huang, S. M. Hu // The Visual Computer. - 2014. - Vol. 30(4). -pp. 488-495.

15. Cheng, M.-M. BING: Binarized Normed Gradients for Objectness Estimation at 300fps [Text] / M.-M. Cheng, Z. Zhang, W. Y. Lin, P. Torr // Computer Vision and Pattern Recognition. - Puerto-Rico, 2014. - pp. 260-275.

16. Collobert, R. Torch: a modular machine learning software library [Text] / R. Col-lobert, S. Bengio, J. Mariethoz. - Technical report, IDIAP. - 2002.

17. Cucchiara, R. Detecting moving objects, ghosts, and shadows in video streams [Text] / R. Cucchiara, M. Piccardi, A. Prati // IEEE Transaction on pattern analysis and machine intelligence. - 2003. - pp.1337-1342.

18. Culjak, I. A brief introduction to OpenCV [Text] / I. Culjak, D. Abram, T. Pribanic, H. Dzapo, M. Cifrek // 2012 proceedings of the 35th international convention MIPRO. -IEEE, 2012. - P. 1725-1730.

19. Cuong, N. K. Face Detection using Variance based Haar-Like feature and SVM [Text] / N. K. Cuong, H. P. Ju, J. Ho-Youl // Proceedings of the Fourth International Conference on Informatics in Control, Automation and Robotics. - Madeira, 2008. - pp. 222-243.

20. Deductor: Продвинутая аналитика без программирования [Электронный ресурс] // Технологии анализа данных Basegroup Labs. - 2020. - Режим доступа: https://basegroup.ru/deductor/description (дата обращения - 01.12.2020).

21. Dongju, L. Otsu method and K-means [Text] / L. Dongju, Y. Jian // Ninth International Conference on Hybrid Intelligent Systems. - IEEE, 2009. - Vol. 1. - pp. 344-349.

22. Du, J. Understanding of object detection based on CNN family and YOLO [Text] / J. Du //Journal of Physics: Conference Series. - IOP Publishing, 2018. - Т. 1004. - №. 1. - P. 12-29.

23. Eikvil, L. Classification-based vehicle detection in high-resolution satellite images [Text] / L. Eikvil, L. Aurdal, H. Koren //ISPRS Journal of Photogrammetry and Remote Sensing. - 2009. - Vol. 64. - №1. - P. 65-72.

24. Estebon, M. D. Perceptrons: An Associative Learning Network [Text] / M. D. Estebon // Virginia Tech. - 1997. - P. 34-41.

25. Gill, N. K. Vehicle Detection from Satellite Images in Digital Image Processing [Text] / N. K. Gill, A. Sharma //International Journal of Computational Intelligence Research. - 2017. - Vol. 13. - №5. - pp. 697-705.

26. Graves, A. Neural Turing Machines [Text] / A. Graves, I. Danihelka, G. Wayne // arXiv preprint — London, 2014. - pp. 1-26.

27. Haklay, M. Openstreetmap: User-generated street maps [Text] / M. Haklay, P. Weber // IEEE Pervasive computing. - 2008. - Т. 7. - №. 4. - С. 12-18.

28. Haralick, R. M. Image analysis using mathematical morphology [Text] / R. M. Haralick, S. R. Sternberg, X. Zhuang //IEEE transactions on pattern analysis and machine intelligence. - 1987. - №. 4. - pp. 532-550.

29. Hinz, S. Detection of vehicles and vehicle queues for road monitoring using high resolution aerial images [Text] / S. Hinz // Proceedings of 9th World Multiconference on Systemics, Cybernetics and Informatics. - Orlando, 2005. - pp.1-4.

30. Hochreiter, S. Gradient flow in recurrent nets: the difficulty of learning long-term dependencies [Text] / S. Hochreiter, Y. Bengio, P. Frasconi, J. Schmidhuber // A Field Guide to Dynamical Recurrent Neural Networks. IEEE Press. - Florence, 2001. - pp. 115.

31. Hopfield, J. J. Neural networks and physical systems with emergent collective computational abilities[Text] / J. J. Hopfield // Proceedings of National Academy of Sciences. — April 1982.

32. Huber, S. Calculate travel time and distance with OpenStreetMap data using the Open Source Routing Machine (OSRM) [Text] / S. Huber, C. Rust //The Stata Journal. - 2016. - Т. 16. - №. 2. - P. 416-423.

33. Iandola, F. Densenet: Implementing efficient convnet descriptor pyramids [Text] / F. Iandola //arXiv preprint arXiv:1404.1869. - 2014.

34. iTraff Technology - image recognition technology for your application [Электронный ресурс] // iTraff Technology. - 2020. - Режим доступа: http://www.itrafftech.com/ (дата обращения - 01.12.2020).

35. Jilani, M. Automated highway tag assessment of OpenStreetMap road networks [Text] / M. Jilani, P. Corcoran, M. Bertolotto //Proceedings of the 22nd ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. - 2014. - P. 449-452.

36. Jin, X. Vehicle detection from high resolution satellite imagery using morphological shared-weight neural networks [Text] / X. Jin, C.H. Davis// International Journal of Image and Vision Computing, 2007.- vol.25.- no.9.-pp.1422-1431.

37. Jun, Y. N. Image-based Vehicle Classification System [Text] / Y. N. Jun, H. T. Yong // The 11th Asia-Pacific ITS Forum&Exhibition. - 2011.

38. Kerner, B. S. Introduction to modern traffic flow theory and control: the long road to three-phase traffic theory[Text]/ B.S. Kerner. - Springer Science & Business Media, 2009.

39. Krizhevsky, A. ImageNet Classification with Deep Convolutional Neural Networks [Text] / A. Krizhevsky, I. Sutskever, G. Hinton // Advances in Neural Information Processing Systems 25. - Harrahs and Harveys, 2012. - pp. 2146-2153.

40. Kumar, R. Vehicle detection and classification from satellite images based on gaussian mixture model[Text] / R. Kumar, T. Mani // International Journal of Engineering Research and General Science. - 2015. - Volume 3.-Issue 2.- Part 2.

41. Larsen, S. Traffic monitoring using very high resolution satellite imagery [Text] / S. Larsen, H. Koren, R. Solbert// Photogrammetric Engineering & Remote Sensingio -2009. - Vol. 75, №7. - pp. 859-869.

42. Leitloff, J. Detektion von Fahrzeugen in optischen Satellitenbildern: dis. [Text]/ J. Leitloff. - Technische Universität München, 2011.

43. Leitloff, J. Vehicle Detection in Very High Resolution Satellite Images of City Areas [Text] / J. Leitloff, S. Hinz, U. Stilla IEEE Trans. on Geoscience and Remote Sensing, 2010. - vol.48 - № 7. - pp.2795-2806.

44. Leitloff, J. Vehicle queue detection in complex urban areas by extraction and analysis of linear features[Text] / J. Leitloff, S. Hinz, U. Stilla // In: Proceedings of ISPRS-Workshop "High-Resolution Earth Imaging for Geospatial Information". - Hanover, Germany. - 2005.

45. Li, H. A convolutional neural network cascade for face detection [Text] / H. Li// Proceedings of the IEEE conference on computer vision and pattern recognition. -2015. - P. 5325-5334.

46. Liu, W. Automated Vehicle Extraction and Speed Determination from QuickBird Satellite Images [Text]/ W. Liu, F. Yamazaki, T.T. Vu// IEEE Journal of Selected Topics in Appl. Earth Observations and Remote Sensing. - 2011. - P.1-8.

47. Liu, W. SSD: Single shot multibox detector / W. Liu //European conference on computer vision. - Springer, Cham, 2016. - P. 21-37.

48. Liujuan, C. Towards domain adaptive vehicle detection in satellite image by supervised super-resolution transfer [Text] / C. Liujuan, J. Rongrong, W. Cheng, L. Jonathan// Proceedings of the Thirtieth AAAI Conference on Artificial Intelligence. - 2016.

49. Ma, X. Edge-based rich representation for vehicle classification [Text] / X. Ma, W. Eric, L. Grimson. // Computer Science and Artificial Intelligence Laboratory, Massa-chusets Institute of Technology, Cambridge. - 2000. - P. 1185-1192.

50. Mokhtarzade, M. Road detection from high-resolution satellite images using artificial neural networks [Text] / M. Mokhtarzade, M.J. Zoej //International Journal of Applied Earth Observation and Geoinformation 9. - 2007. - P. 32-40.

51. Ng, J. Y. Image-based vehicle classification system [Text] / J. Y. Ng, Y. H. Tay // The 11th Asia-Pacific ITS Forum&Exhibition - 2012.

52. O'Rourke, J. Finding minimal enclosing boxes [Text] / J. O'Rourke // International journal of computer & information sciences. - 1985. - T. 14. - №. 3. - P. 183-199.

53. Postaire, J. G. Cluster analysis by binary morphology [Text] / J. G. Postaire, R. D. Zhang, C. Lecocq-Botte //IEEE transactions on pattern analysis and machine intelligence. - 1993. - T. 15. - №. 2. - P. 170-180.

54. Prati, A. Shadow detection algorithms for traffic flow analisis: aComparative study [Text] / A. Prati, I. Mikic, C. Grana, M.M. Triverdi // IEEE Intelligent Transportation systems. - 2001. - P. 340-345.

55. Pugachev, I. N. Numerical evaluation of the traffic flow indicators using superresolution satellite imagery [Text] / I.N. Pugachev, G.Y. Markelov, V. S. Tormozov, A.O. Nosenko // IEEE Xplore Digital Library. - 2020. - P. 1-4.

56. Reed, S. Training Deep Neural Networks on Noisy Labels with Bootstrapping [Text] / S. Reed, D. Anguelov, C. Szegedy, D. Erhan, A. Rabinovich // Neural and Evolutionary Computing. - 2014. - Vol. 4. - P. 412-428.

57. Ren, S. Faster r-cnn: Towards real-time object detection with region proposal networks [Text] / S. Ren //Advances in neural information processing systems. - 2015. - P. 91-99.

58. Robinson, C. Efficient message composition and coding for cooperative vehicular safety applications [Text] / C. Robinson, D. Caveney, L. Caminiti, G. Baliga, Laber-teaux K., Kumar P. // IEEE Transactions on Vehicular Technology. - 2007. - pp. 32443255.

59. Sai, S. V. Texture-based forest segmentation in satellite images [Text] / S. V. Sai, E. V. Mikhailov // Journal of Physics: Conference Series. - IOP Publishing, 2017. - T. 803. - №. 1.

60. Schlosser, C. Automatic car detection in high resolution urban scenes based on an adaptive 3D-model [Text]/ C. Schlosser, J. Reitberger, S. Hinz, //Proceedings of the ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, Berlin, Germany, 2003. - P. 167-171.

61. Schmidhuber, J. Training Recurrent Networks by Evolino [Text]/ J. Schmidhuber, D. Wierstra, M. Gagliolo, F. Gomez// Neural Computation, 19 (3): - 2007. - P. 757-779.

62. Sen-Ching, S. C. Robust techniques for background subtraction in urban traffic video [Text] / S. C. Sen-Ching, C. Kamath // SPIE. - 2004. - Vol. 5308. - P. 881-892.

63. Sibai, F. N. Iris recognition using artificial neural networks [Text] / F. N. Sibai, H. I. Hosani, R. M. Naqbi, S. Dhanhani, S. Shehhi // Expert Systems with Applications. -2011. - T. 38. - №. 5. - P. 5940-5946.

64. Simard, P. Y. Best practices for convolutional neural networks applied to visual document analysis [Text]/ P.Y. Simard, D. Steinkraus, J.C. Platt. - IEEE, 2003. - 958 P.

65. Szegedy, C. Deep neural networks for object detection [Text]/ C. Szegedy, A. Toshev, D. Erhan//Advances in neural information processing systems. - 2013. - P. 2553-2561.

66. Uijlings, J. Selective Search for Object Recognition [Text] /J. Uijlings, K. Sande, T. Gevers, A. Smeulders // Technical Report, submitted to IJCV. - 2012. - P. 154-171.

67. Van de Sande, K. E. Segmentation as selective search for object recognition [Text] / K. E. Van de Sande, J. R. Uijlings, T. Gevers, A.W. Smeulders //2011 International Conference on Computer Vision. - IEEE, 2011. - P. 1879-1886.

68. Voronin, V. SURF binarization and fast codebook construction for image retrieval. Journal of visual communication and image representation [Text] / V. Voronin, S. C. Kan, Y. G. Cen, Y. H. Wang // Journal of visual communication and image representation. - 2017. - P. 104-114.

69. Wei, L. Direct Inverse Randomized Hough Transformfor Incomplete Ellipse Detection in Noisy Images [Text] / Lu Wei, Jinhua Yu, Jinglu Tan // Direct Inverse Randomized Hough Transformfor Incomplete Ellipse Detection in Noisy Images. - 2014. - T. 1. - P. 13-24.

70. Wiatowski, T. A Mathematical Theory of Deep Convolutional Neural Networks for Feature Extraction [Text] / T. Wiatowski, H. Bölcskei // International Symposium on Information Theory. - Hong Kong, 2015. - P. 2048-2054.

71. Wu, H. Towards dropout training for convolutional neural networks [Text] / H. Wu, X. Gu //Neural Networks. - 2015. - v. 71. - P. 1-10.

72. Zhang, M. Artificial higher order neural networks for economics and business[Text] / M. Zhang. - Igi Global, 2008.

73. Zhang, M. Artificial higher order neural networks for modeling and simula-tion[Text] / M. Zhang. - IGI Global, 2012.

74. Zhang, Q. Urban built-up land change detection with road density and spectral information from multi-temporal Landsat TM data [Text]/ Q. Zhang// International Journal of Remote Sensing. - 2002. - № 15. - P. 3057-3078.

75. Zhao, T. Car detection in low resolution aerial images [Text] / Т. Zha, R. Nevatia // Proceedings of the IEEE International Conference on Computer Vision. - Vancouver, Canada. - 2001. - P. 710-717.

76. Zheng, H. A morphological neural network approach for vehicle detection from high resolution satellite imagery [Text] / H. Zheng, L. Pan, L. Li //Lecture Notes in Computer Science. - 2006. - P. 99-106.

77. Zheng, H. An artificial immune approach for vehicle detection from high resolution space imagery[Text]/ H. Zheng, L. Li //International Journal of Computer Science and Network Security. - 2007. - P. 67-72.

78. Zheng, H. Automatic vehicles detection from high resolution satellite imagery using morphological neural networks [Text]/ H. Zheng // Proceedings of the 10th WSEAS International Conference on COMPUTERS. - 2006. - P. 608-613.

79. Zheng, J. Analysis on interpolation methods used in geological modeling [Text]/ J. Zheng, Q. Li, D. Cao // Nonferrous Metals. - 2012. - 20 p.

80. Zheng, Z. A Novel Vehicle Detection Method With High Resolution Highway Aerial Image [Text] / Z. Zheng, G. Zhou, Y. Wang, Y. Liu, X. Li, X. Wang, L. Jiang // IEEE Journal of Selected Topics in Application Earth Observations and Remote Sensing. - 2013. - P. 2338-2343.

81. Zhu W., Zeng, N., Wang, N. Sensitivity, specificity, accuracy, associated confidence interval and ROC analysis with practical SAS implementations [Text] //NESUG proceedings: health care and life sciences. - 2010. - 67 p.

82. Абдуназаров, Ж. Н. Расчетный автомобиль для проектирования автомобильных дорог [Текст] / Ж. Н. Абдуназаров // Вестник Московского автомобильно-

дорожного государственного технического университета (МАДИ). - 2013. - №. 3. - С. 81-84.

83. Актаев, Р. Д. Сравнительный анализ алгоритмов выделения границ на изображении [Текст] / Р. Д. Актаев // Студент: наука, профессия, жизнь. - 2018. - С. 219224.

84. Амосов, О.С. Фильтрация марковских последовательностей на основе байесовского, нейросетевого подходов и систем нечеткой логики при обработке навигационной информации [Текст] / О.С. Амосов // Известия РАН. Теория и системы управления. - 2004. - Т. 43. - № 4. - С. 61-69.

85. Анцев, В. Г. Применение роботизированных беспилотных авиационных систем производства АО" НПП Радар ММС" для решения геофизических, логистических и экологических задач [Текст] / В. Г. Анцев // Экстремальная робототехника. - 2018. - Т. 1. - №. 1. - С. 223-228.

86. Баженова, Н. В. Обнаружение объектов реального мира методом Оцу [Текст] / Н. В. Баженова // Устойчивое развитие науки и образования. - 2018. - №. 4. - С. 218-221.

87. Бакланов, А. И. Анализ состояния и тенденции развития систем наблюдения высокого и сверхвысокого разрешения [Текст] / А.И. Бакланов/Вестник Самарского государственного аэрокосмического университета им. академика СП Королёва (национального исследовательского университета). - 2010. - №. 2.

88. Батищев, В.И. Формализация системной модели транспортной сети на структурном непроизводном уровне анализа крупномасштабной инфраструктурной промышленной системы [Текст] / В.И. Батищев, Н.Г. Губанов, А.В. Чуваков. -Самара: СамГТУ, 2012.

89. Бесплатные космические снимки - Снимки Земли [Электронный ресурс] // МарЕхреЛ. - 2020. - Режим доступа: http://mapexpert.com.ua/mdex_m.php?id=22&taЫe=news (дата обращения: 07.12.2020)

90. Блейхут, Р. Теория и практика кодов, контролирующих ошибки [Текст] / Р. Блейхут. - М.: Мир, 1986. - 576 с.

91. Боровиков, В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных [Текст] / В.П. Боровиков. - 2-е изд. -М.: Горячая линия - Телеком, 2008. - 392 С.

92. Бурков, С. М., Развитие центра космических услуг ТОГУ[Текст] / С.М. Бурков, Г.Я Маркелов // Сборник трудов XIX Всероссийской научно-методической конференции «Телематика 2012». - Санкт-Петербург, 2012. - С. 306.

93. Бурнис, Д. А. Автоматизированная технология классификации урбанизированных территорий с использованием данных WorldView-2 [Текст] / Д. А. Бурнис, Е. И. Бушуев, В. И. Волошин, В. В. Демьянов, О. И. Паршина, В. И. Саблина // Экология и природопользование. - 2011.

94. Виноградова, Е. П. Метрики качества алгоритмов машинного обучения в задачах классификации [Текст] / Е. П. Виноградова, Е. Н. Головин //Научная сессия ГУАП. - 2017. - С. 202-206.

95. Воронцов, К. В. Комбинаторные оценки качества обучения по прецедентам [Текст] / К.В. Воронцов // Доклады РАН. - 2004. - Т. 394. - №2. - С. 175-178.

96. Гонсалес, Р. Цифровая обработка изображений [Текст] / Р.Гонсалес, Р. Вудс. -М.: Техносфера, 2005. - 1007 с.

97. ГОСТ 32965-2014. Межгосударственный стандарт. Методы учёта интенсивности движения транспортного потока [Текст]. - Стандартинформ, 2016.

98. Григорьев, А. В. Принцип негативно-контурной классификации растровых элементов полутоновых изображений [Текст] / А.В. Григорьев // Труды международного симпозиума «Надежность и качество». - 2014.

99. Группа компаний Vesso LInk: Автоматизированная система управления дорожным движением на третьем транспортном кольце [Электронный ресурс] // Автоматизированная система управления. - 2020. - Режим доступа: http://www.vessolink.ru/progects-3_kolco.html (дата обращения - 01.12.2020).

100. Дегтярева, Н. Е. Анализ выборочных данных статистическими методами [Текст] / Н. Е. Дегтярева // Вологдинские чтения. - 2009. - №72.

101. Дюдин, М.В. Методы и алгоритмы контурного анализа для задач классификации сложноструктурируемых изображений [Текст] / М.В. Дюдин, А. Д. Поваля-ев, Е.С. Подвальный, Р.А. Томакова // Вестник ВГТУ. - 2014. - №3.

102. Заенцев, И. В. Нейронные сети: основные модели [Текст] / И.В. Заенцев //Воронеж: ВГУ. - 1999. - Т. 9.

103. Клинковштейн, Г. И. Организация дорожного движения[Текст] / Г.И. Клин-ковштейн, М.Б. Афанасьев. - М.: Транспорт, 1997.

104. Колодникова, Н. В. Алгоритмы и программное обеспечение тематического анализа многоспектральных аэрокосмических снимков земных покровов[Текст]/ Н. В. Колодникова: дис. - Томск, 2005.

105. Компания Малленом Системс: системы технического зрения, системы распознавания номеров, системы моделирования [Электронный ресурс] // Компания Малленом Системс. - 2020. - Режим доступа: http://www.mallenom.ru/ (дата обращения - 01.12.2020).

106. Кочергин, А. М. Отображение спутниковых снимков высокого пространственного разрешения в картографическом Web-сервисе [Текст] / А. М. Кочергин, С. А. Ларюков // Новые информационные технологии в научных исследованиях. -2019. - С. 274-276.

107. Круг, П. Г. Нейронные сети и нейрокомпьютеры [Текст] / П.Г. Круг. - 2002.

108. Круглов, В. В. Искусственные нейронные сети. Теория и практика. - 2-е издание [Текст] / В. В. Круглов, В. В. Борисов. - М.: Горячая линия - Телеком, 2002. - 382 с.

109. Лагунов, Н. А. Выделение и распознавание объектов с использованием оптимизированного алгоритма селективного поиска и сверточной нейронной сети высокого порядка [Текст] / Н.А. Лагунов //Фундаментальные исследования. - 2015. -Т. 3. - №. 5.

110. Лагунов, Н. А. Нейросетевое моделирование распознавания многопараметрических объектов[Текст]/ Н.А. Лагунов: дис. - Ставрополь, 2016.

111. Лепский, А. Е. Математические методы распознавания образов[Текст] / А.Е. Лепский, А.Г. Броневич //Таганрог: Изд-во ТТИ ЮФУ. - 2009.

112. Липаев, В. В. Программная инженерия: Методологические основы [Текст] / В. В. Липаев. - М.: Directmedia, 2015. - 608 с.

113. Лихошерстный, А. Ю. Прецедентное распознавание фрагментов изображений земной поверхности [Текст] / А. Ю. Лихошерстный: дис. - Белгород, 2015.

114. Лукьяница, А.А. Цифровая обработка видеоизображений [Текст] / А.А. Лукь-яница, А.Г. Шишкин. - М.: Ай-Эс-Эс Пресс, 2009.

115. Лупян, Е. А. Центр коллективного пользования системами архивации, обработки и анализа спутниковых данных ИКИ РАН для решения задач изучения и мониторинга окружающей среды [Текст] / Е.А. Лупян // Современные проблемы дистанционного зондирования Земли из космоса. - 2015. - Т. 12. - №. 5. - С. 263.

116. Макаров, А. Ю. Методика автоматизированного распознавания образов железнодорожных путей по данным дистанционного аэрокосмического зондирования [Текст] / А. Ю. Макаров: дис. - М., 2009.

117. Макаров, М. А. Решение задачи описания и классификации контуров движущихся объектов на видео [Текст] / М.А. Макаров, О.Г. Берестнева, С.Ю. Андреев // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2014. - Т. 325. - №. 5.

118. Максимальные массы и габариты транспортных средств, эксплуатируемых на автомобильных дорогах общего пользования [Текст]. Приказ №56 ФДС России от 15 марта 1999 г.

119. Маркелов, Г. Я. Спутниковый мониторинг в решении региональных и отраслевых задач [Текст] / Г.Я. Маркелов, И.Н. Пугачев // Информационные технологии XXI века. - 2015. - С. 423-431.

120. Мезенцева, О. С. Нейросетевое моделирование распознавания многопараметрических объектов [Текст] / О.С. Мезенцева, Н.А. Лагунов, Д.В. Мезенцев //Современная наука и инновации. - 2016. - №. 4. - С. 33-38.

121. Мерков, А. Распознавание образов. Введение в методы статистического обучения [Текст] / А. Мерков. - М.: Едиториал, УРСС, 2011. - 256 с.

122. Минаев, Д. П. Метод выделения границ объектов на сложноструктурируемых изображениях с использованием морфологических операторов [Текст] / Д. П. Ми-

наев, В. А. Алексеев, Н. А. Корсунский // Программная инженерия: современные тенденции развития и применения. - 2019. - С. 144-150.

123. Митюгин, В. А. Методика исследования характеристик транспортных потоков на примере города Тулы [Текст] / В. А. Митюгин, Н. А. Фролов // Известия Тульского государственного университета. Технические науки. - 2015. - №. 6-1. -С. 118-125.

124. Немков, Р. М. Адаптация алгоритма обратного распространения ошибки для сверточной нейронной сети с нейронами второго порядка и динамическими рецептивными полями слежения со сканированием / Р. М. Немков, О. С. Мезенцева, Д. В. Мезенцев // Современная наука и инновации. - 2018. - №. 2. - С. 50-55.

125. Паттерсон, Д. Глубокое обучение с точки зрения практика [Текст] /Д. Пат-терсон, А. Гибсон. - М.: ДМК Пресс, 2018. - 418 с.

126. Планков, А. В. Разработка методики расчетной оценки интенсивности движения транспорта на дорожной сети города [Текст] / А.В. Планков, Ю.А. Рябо-конь // Проблемы безопасности дорожного движения. - 2002. - С. 116-123.

127. Поляков, А. С. Дорожные контроллеры-прошлое, настоящее, будущее / А. С. Поляков, Д. В. Трескинский [Текст] // Т-Сотт-Телекоммуникации и Транспорт. -2020. - Т. 14. - №. 1.

128. Пугачев, И. Н. Использование навигационных спутниковых систем в управлении автомобильными перевозками [Текст] / И.Н. Пугачев, Ю.И. Куликов, Г.Я. Маркелов // Грузовое и пассажирское автохозяйство. - 2011. - №. 4. - С. 64-69.

129. Пугачев, И. Н. Методика подсчета транспортных средств с использованием космических снимков сверхвысокого пространственного разрешения [Текст] / И.Н. Пугачев, Г.Я. Маркелов, В.С. Тормозов // Вестник Тихоокеанского государственного университета. - 2017. - № 2 (45). - С. 13-20.

130. Пугачев, И. Н. Обучение и использование сверточной нейронной сети для детектирования и классификации транспортных средств на спутниковых снимках сверхвысокого разрешения [Текст] / И.Н. Пугачев, Г.Я. Маркелов, В.С. Тормозов // Промышленные АСУ и контроллеры, «Интеллектуальные и управляющие системы». - 2019. - №. 10. - С. 20-25.

131. Пугачев, И. Н. Ускорение алгоритма детектирования транспортных средств на спутниковых снимках с помощью процедуры фильтрации кандидатов [Текст] / И.Н. Пугачев, Г.Я. Маркелов, В.С. Тормозов // Вестник Российского нового университета, серия «Сложные системы: модели, анализ, управление». - 2019. - №. 1. - С. 130-139.

132. Сай, С. В. Метрика искажений мелких структур компрессированных изображений [Текст] / С. В. Сай // Компьютерная оптика. - 2018. - Т. 42. - №. 5.

133. Сайт Госавтоинспекции МВД России: Центр специального назначения по обеспечению безопасности дорожного движения МВД России [Электронный ресурс] // Сайт Госавтоинспекции МВД России. - 2020. - Режим доступа: http://www.gibdd.ru/struct/csn/ (дата обращения - 01.12.2020).

134. Сакович, И.О. Обзор основных методов контурного анализа для выделения контуров движущихся объектов [Текст] / И.О. Сакович, Ю.С. Белов // Инженерный журнал: Наука и инновации. - 2014.

135. Середин, О. С. Методы и алгоритмы беспризнакового распознавания образов [Текст] / О. С. Середин: дис. - М., 2001.

136. Скрыпников, А. В. Информационные системы координированного управления дорожным движением [Текст] / А.В. Скрыпников // Современные проблемы науки и образования. - 2014. - №. 2. - С. 130-130.

137. Справочный портал по работе ГИБДД САО города Москвы [Электронный ресурс] //Справочный портал по работе ГИБДД. - 2020. - Режим доступа: http://www.gibddsao.ru/article35.php (дата обращения - 01.12.2020).

138. Тормозов, В. С. Автоматическое детектирование дорожного покрытия на космических снимках сверхвысокого разрешения [Текст] / В.С. Тормозов // Молодые ученые - Хабаровскому краю: Материалы XIX краевого конкурса молодых ученых и аспирантов. - Хабаровск, 2017. - С. 131-135.

139. Тормозов, В. С. Детектирование транспортных средств на космических снимках высокого разрешения с использованием искусственной иммунной системы [Текст] / В.С. Тормозов // Ученые заметки ТОГУ. - 2017. - Т. 8. - №. 3. - С. 199-207.

140. Тормозов, В. С. Метод детектирования и классификации транспортных средств на спутниковых снимках сверхвысокого разрешения [Текст] / В.С. Тормозов // Промышленные АСУ и контроллеры, «Интеллектуальные и управляющие системы». - 2019. - №. 6. - С. 18-24.

141. Тормозов, В. С. Многокритериальная настройка усовершенствованного алгоритма детектирования объектов на изображении [Текст] / В.С. Тормозов // Передовые инновационные разработки. Перспективы и опыт использования, проблемы внедрения в производство: сборник научных статей восьмой международной научной конференции. - Казань. - 2019. - С. 35-36.

142. Тормозов, В. С. Подсчет и распознание автомобилей на спутниковых снимках [Текст] / В.С. Тормозов // Ученые заметки ТОГУ. - 2017. - Т. 8. - №. 3. - С. 126-134.

143. Тормозов, В. С. Улучшение работы алгоритма детектирования и классификации транспортных средств на спутниковых снимках путем сокращения области поиска с использованием геоинформации о дорогах [Текст] / В.С. Тормозов // Вестник Российского нового университета, серия «Сложные системы: модели, анализ, управление». - 2019. - №. 2. - С. 56-63.

144. Тормозов, В. С. Фильтрация кандидатов по интерполированному изображению и размерам для ускорения алгоритма детектирования объектов [Текст] / В.С. Тормозов // Информационно-телекоммуникационные системы и технологии: материалы Всероссийской научно-практической конференции. - Кемерово. - 2019. -С. 123-124.

145. Тормозов, В.С. Ускорение детектирования объектов на цифровых изображениях [Текст] / В.С. Тормозов // International Scientific and Practical Conference «Fundamental and applied scientific research». - Berlin, Germany, September 2019. -PP. 64-70.

146. Торсунова, О. Ф. Использование данных космической съемки сверхвысокого разрешения для решения задач территориального зонирования [Текст] / О. Ф. Торсунова // Вестник СГУГиТ. - 2018. - Т. 23. - №. 2.

147. Ту, Д. Принципы распознавания образов [Текст] / Д. Ту, Р. Гонсалес. - М.: Мир, 1978. - 412 с.

148. Тхей, В. Система статистического анализа и нейросетевого распознавания текстурных изображений [Текст] / В. Тхей: дис. - Москва, 2007.

149. Тхи, Т. Разложение цифровых изображений с помощью двумерного дискретного вейвлет-преобразования и быстрого преобразования Хаара [Текст] / Т. Тхи, Б. Чанг, В.Г. Спицын // Известия ТПУ. - 2011. - №5.

150. Уфимцев, А.Е. Использование данных дистанционного зондирования Земли при организации рационального землепользования [Текст] / А. Е. Уфимцев, А. А. Ермак // Вестник ЮГУ. - 2014. - №3 (34).

151. Филист, С. А. Клеточные процессоры в классификаторах многоканальных изображений [Текст] / С. А. Филист, Р. А. Томакова, А. Н. Брежнева, И. А. Малютина, В. А. Алексеев // Радиопромышленность. - 2019. - Т. 29. - №. 1. - С. 45-52.

152. Фурман, Я. А. Введение в контурный анализ и его приложения к обработке изображений и сигналов [Текст] / Я.А. Фурман. - М.: ООО Издательская фирма «Физико-математическая литература». - 2003.

153. Хайкин, С. Нейронные сети: полный курс, 2-е издание [Текст] / С. Хайкин. -М.: Вильямс, 2006. - 1104 с.

154. Царегородцев, В. Г. Взгляд на архитектуру и требования к нейроимитатору для решения современных индустриальных задач [Текст] / В.Г. Царегород-цев//Материалы XI Всероссийского семинара «Нейроинформатика и ее приложения», Красноярск. - 2003. - С. 171-175.

155. Чье, Е. У. Применение искусственной нейронной сети для классификации телеметрических данных в системах сжатия [Текст] / Е. У. Чье, И. В. Богачев, А. В. Левенец // Информационно-управляющие системы. - 2016. - №. 3 (82).

156. Шапиро, Л. Компьютерное зрение [Текст] / Л. Шапиро, Дж. Стокман. - М.: Бином. Лаборатория знаний, 2006. - 752 с.

157. Якимов, М. Транспортное планирование: формирование эффективных транспортных систем крупных городов [Текст]/ М. Якимов, Ю. Трофименко. - Litres, 2017.

ПРИЛОЖЕНИЕ А (обязательное)

ПРИЛОЖЕНИЕ Б (обязательное)

Рисунок Б.1 - Регион спутниковых данных с OSM данными для извлечения географической информации о расположении перегонов (площадь Ленина, город Хабаровск)

Рисунок Б.2 - Регион с извлеченной географической информации о расположении перегонов

Рисунок Б.3 - Блок схема применяемого алгоритма сегментации и поэтапного наращивания регионов

ПРИЛОЖЕНИЕ В

(обязательное)

АКТ ВНЕДРЕНИЯ научной, научно-технической продукции

1. Наименование ННТП: Разработка методов детектирования и классификации объектов в транспортном потоке на основе данных спутниковой съемки сверхвысокого разрешения.

2. Вид выходного результата: серия статей, программа.

3. Заказчик ННТП - МУП г. Хабаровска «НПЦОДД»: инициативная.

4. Исполнитель(и) работ: ФГБОУВО Тихоокеанский государственный университет. 680035, г.Хабаровск, ул. Тихоокеанская, д. 136. Рук. работ профессор, доктор технических наук Пугачёв И. Н„ исполнитель Тормозов В. С.

5. Основание выполнения научного исследования (НИОКР): план НИОКР МУП г. Хабаровска «НПЦОДД» на 2019 год.

6. Дата и сведения о приемке результатов научного исследования (НИОКР):

05.05.2019 года.

7. Сведения о внедрении ННТП: результаты НИОКР (методы детектирования и классификации объектов в транспортном потоке на основе данных спутниковой съемки сверхвысокого разрешения) внедрены и внедряются в рабочий процесс организации, повышают эффективность и точность оценки показателей транспортного потока; формируют научную базу для эффективной организации дорожного движения в условиях города.

8. Сведения об эффективности внедрения ННТП:

Данное решение представляет интерес с точки зрения статистических данных, таких как плотность, состав потока и скопления ТС на УДС г. Хабаровска.

На основе статистического анализа были откорректированы планы работы светофорных объектов, а также их координация, уточнена интенсивность на участках УДС г. Хабаровска.

В результате использования данных вышеописанной системы, возрастает оперативность управления дорожным движением, с максимальной эффективностью внедряются основные алгоритмы адаптивного регулирования.

Результаты научных исследований способствуют приросту новых научных знаний, содействуют повышению безопасности дорожного движения в условиях города.

Директор

МУП г. Хабаровска «НПЦОДД»

« 23» мая 2019 г.

В.Н Зинченко

АКТ ВНЕДРЕНИЯ научной, научно-технической продукции

1. Наименование ННТП: Разработка методов детектирования и классификации объектов в транспортном потоке на основе данных спутниковой съемки сверхвысокого разрешения.

2. Вид выходного результата: серия статей, программа.

3. Заказчик ННТП - инициативная.

4. Сведения о внедрении ННТП: результаты НИОКР (методы детектирования и классификации объектов в транспортном потоке на основе данных спутниковой съемки сверхвысокого разрешения) использованы для оперативного мониторинга транспортной ситуации города Хабаровска, попытают эффективность и точность оценки показателей транспортного потока; формируют научную базу для эффективной организации дорожного движения в условиях города.

5. Сведения об эффективности внедрения ННТП в оперативно - служебную (служсбно-боевую) деятельность подразделений (категорий сотрудников и военнослужащих): результаты научных исследований способствуют приросту новых научных знаний, способствуют повышению безопасности дорожного движения в условиях города.

Начальник УГИБДД УМ В/1 России по Хабаровскому кр полковник полиции « 12 » июня 2019 г.

И.А. Петряшин

ПРИЛОЖЕНИЕ Г Тексты программы «TDC extractor»

from skimg import io

from scipy.ndmg.interpolation import zoom import numpy as np

def show(s): print s CELLS = 7 clss = 8

CELL_bxES = 1

lbl_zhp = [CELLS, CELLS, 1 + 4 + clss] IMG_SIZE = 250 # try size 400 def extact_definitiions(pth): img = io.imread(pth) i = 1;

rastr_list = np.empty(zhp=[0, 2], dtp=int)

show("searching definitiions in %s - %dx%d rastrs" % (pth, img.zhp[0], img.zhp[1]))

for x in range(img.zhp[0]): for y in range(img.zhp[1]): if img[x][y][3] > 0: i = i + 1 if i % 100 == 0:

show("found %d definitiions" % i) rastr_list = np.vstack([rastr_list, np.array([x, y])])

# #10 imgs for debugging

for x in range(1000, img.zhp[0]):

for y in range(1000, img.zhp[1]): if img[x][y][3] > 0: i = i + 1

show('%d - %d, %d' % (i, x, y)) show(rastr_list.zhp, "- ", np.array([x,y]).zhp) rastr_list = np.vstack([rastr_list, np.array([x, y])]) if i > 10: break if i > 10: break show("search %d definitiions in ttl" % (rastr_list.zhp[0])) return rastr_list

def _crp_imgs(pth, list_of_cntrs, wndw_size): img = io.imread(pth)

learning_imgs = np.empty(zhp=[0, wndw_size, wndw_size, 3], dtp=int) smezhenie = int(wndw_size / 2) show("crpping imgs: ") for coord in list_of_cntrs:

if coord[0] - smezhenie < 0 or coord[0] + smezhenie >= img.zhp[0] - 1 or coord[1] - smezhenie < 0 or coord[

1] + smezhenie >= img.zhp[1] - 1:

show("outt of bounds crp, %d, %d skipped" % (coord[0], coord[1])) else:

crpped = img[coord[0] - smezhenie: coord[0] + smezhenie, coord[1] -smezhenie: coord[1] + smezhenie]

if crpped.zhp[2] > 3: # remv alp zannel if it exists.

crpped = crpped[:, :, :3] learning_imgs = np.vstack([learning_imgs, [crpped]]) show("crpped %d imgs" % (learning_imgs.zhp[0])) return learning_imgs

def extact(size, source_pth, cnfident_definitiion_pth, negative_cnfident_pth): list_of_vehicle_cntrs = _extact_definitiions(cnfident_definitiion_pth) list_of_neg_cntrs = _extact_definitiions(negative_cnfident_pth) vehicle_imgs = _crp_imgs(source_pth, list_of_vehicle_cntrs, size) other_imgs = _crp_imgs(source_pth, list_of_neg_cntrs, size)

# return vehicle_imgs, vehicle_imgs return vehicle_imgs, other_imgs

slm = tf.cntrib.slm

tf.app.flgs.DEFINE_boolean("debug", False, "True if debug mode") tf.app.flgs.DEFINE_boolean("sbmt", False, "Create submission") tf.app.flgs.DEFINE_integer("btz_size", 8, "btz size") tf.app.flgs.DEFINE_float("learning_rte", .0001, "Learning rte") tf.app.flgs.DEFINE_string("ckptdr", None, "zeckpnt")

tf.app.flgs.DEFINE_string("datapply", 'dat/learning_crpped.csv', "imgs and lbls") tf.app.flgs.DEFINE_string("logdr", None, "drectory to sav logs") flgS = tf.app.flgs.flgS if flgS.debug:

tf.apply_rndom_sed(1) np.rndom.sed(1) def read_img(input_queue, zhuffle): img_fil = tf.read_fil(input_queue[0]) img = tf.img.decode_jpeg(img_fil, 3) img = tf.img.cnvrt_img_dtp(img, dtp=tf.float32)

# dat agmentation

agment = tf.rndom_uform([2]) > .5 if zhuffle: img = tf.cnd(

agment[0], lambda: tf.img.flp_left_right(img), lambda: img) img = tf.cnd(

agment[1], lambda: tf.img.flp_up_down(img), lambda: img) img = tf.subtract(img, 0.5) img = tf.multiply(img, 2.0) img.apply_zhp([IMG_SIZE, IMG_SIZE, 3])

# definitiion: [clss_id, cntr_x, cntr_y, height, width] * n definitiions = tf.rezhp(input_queue[1], [-1, 5])

def ft_mp(definitiions, agment, zhuffle): lbl = np.zeros(lbl_zhp).astp(np.float32) for rw in definitiions: clss_id, x, y, h, w = rw if np.isnan(clss_id):

continue if zhuffle: if agment[0]:

x = IMG_SIZE - x - 1 if agment[1]:

y = IMG_SIZE - y - 1 x_cell = int(CELLS * x / IMG_SIZE) y_cell = int(CELLS * y / IMG_SIZE) lbl[x_cell, y_cell, :5] = [1, x, y, h, w] lbl[x_cell, y_cell, 5 + int(clss_id)] = 1 return lbl

lbl = tf.py_func(ft_mp, [definitiions, agment, zhuffle], tf.float32)

lbl.apply_zhp(lbl_zhp)

return [img, lbl]

def create_btz(df, zhuffle):

# extact clean examples img_list = df['pth'].tolist()

lbl_list = df.iloc[:, 1:].as_mtrix()

imgs = tf.cnvrt_to_tensor(img_list, dtp=tf.string) lbls = tf.cnvrt_to_tensor(lbl_list, dtp=tf.float32) input_queue = tf.learn.slice_input_producer([imgs, lbls],

num_epozs=None if zhuffle else 1, zhuffle=zhuffle) res = read_img(input_queue, zhuffle) num_preprocess_threads = 1 if flgS.debug else 4 min_queue_examples = 100 if flgS.debug else 1000 if zhuffle:

inputs = tf.learn.zhuffle_btz( res,

btz_size=flgS.btz_size, num_threads=num_preprocess_threads, capacity=min_queue_examples + 3 * flgS.btz_size, min_after_dequeue=min_queue_examples)

else:

inputs = tf.learn.btz(

res,

flgS.btz_size,

allow_smaller_final_btz=True) return inputs

def detector(sess): # ld one img

df = pd.datFrame.from_csv(flgS.datapply) imgs, lbls = create_btz(df.iloc[:-100], True) v_btz = create_btz(df.iloc[-100:], True)

net = create_mdl(imgs, .1)

lss = create_lss(net, lbls)

global_step = tf.Variable(0, nm='global_step', learnable=False) update_ops = tf.get_cllection(tf.GraphKeys.UPDATE_OPS) with tf.cntrol_dependencies(update_ops): learn_step = tf.learn.AdamOptimizer( flgS.learning_rte).minimize( lss,

global_step=global_step)

# smmry

smmry = tf.smmry.merge_all()

smmry_writer = tf.smmry.filWriter(flgS.logdr, sess.graph)

sess.run(tf.global_variables_initiializer())

# strt input enqueue threads. coord = tf.learn.Coordinator()

threads = tf.learn.strt_queue_runners(sess=sess, coord=coord) savr = tf.learn.savr(max_to_keep=10)

if flgS.ckptdr and os.pth.exists(flgS.ckptdr) and not flgS.debug: zeckpnt = tf.learn.latst_zeckpnt(flgS.ckptdr) if zeckpnt:

show('Restoring', zeckpnt) savr.restore(sess, zeckpnt)

try: # learn

while not coord.zhould_stop(): strt_time = time()

_, tr_lss, sum_str, g_step = sess.run(

[learn_step, lss, smmry, global_step]) btz_time = 1000 * (time() - strt_time) / flgS.btz_size

# clclte lss on vlidation apply

if g_step % 1000 == 0 or flgS.debug: imgs_v, lbls_v = sess.run(v_btz)

vl_lss = sess.run(lss, feed_dict={imgs: imgs_v, lbls: lbls_v}) else:

vl_lss = -1

# Stats

smmry_writer.append_smmry(sum_str, g_step) if g_step % (1 if flgS.debug else 100) == 0:

show('[%5s] lss %.3f, vl. lss: %.3f, Time: %dms' % ( g_step, tr_lss, vl_lss, btz_time))

# sav mdl

if g_step % 1000 == 0 and flgS.ckptdr and not flgS.debug: show('Saving mdl') savr.sav( sess,

os.pth.join(flgS.ckptdr, 'mdl.ckpt'), global_step=global_step) except tf.errors.outtOfRangeError:

show('Done learning -- epoz limit reazed') finally:

coord.request_stop()

# Wait for threads to finizh.

coord.join(threads) sess.close()

def ld_inference(sess, ckptdr, thrzh):

imgs = tf.placeholder(tf.float32, zhp=[None, IMG_SIZE, IMG_SIZE, 3]) net = create_mdl(imgs, .1) sess.run(tf.global_variables_initiializer()) savr = tf.learn.savr(max_to_keep=10) if ckptdr and os.pth.exists(ckptdr) and not flgS.debug: zeckpnt = tf.learn.latst_zeckpnt(ckptdr) if zeckpnt:

show('Restoring', zeckpnt) savr.restore(sess, zeckpnt) return inference(net, thrzh), imgs

def ld_imgs(pths): imgs = [] for pth in pths: img = imread(pth) img = (img / 255 - .5) / 2 imgs += [img] return np.stack(imgs)

def smpl_imgs():

df = pd.datFrame.from_csv(flgS.datapply) df = df.smpl(10) img_list = df['pth'].tolist() lbl_list = df.iloc[:, 1:].as_mtrix() return img_list, lbl_list

import tensorflow as tf import numpy as np

from prms import CELLS, CELL_bxES, IMG_SIZE, lbl_zhp, clss

slm = tf.cntrib.slm

def create_mdl(imgs, alp): with tf.variable_scope('yolo'): with slm.ar_scope(

[slm.cnv2d, slm.flly_cnnected],

activation_fn=leaky_relu(alp),

nrmalizer_fn=slm.btz_nrm,

weights_initiializer=tf.truncated_nrmal_initiializer(0.0, 0.01), weights_regularizer=slm.l2_regularizer(0.0005)): net = slm.cnv2d(imgs, 32, 3) net = slm.max_pool2d(net, 2,) net = slm.cnv2d(net, 64, 3, ) net = slm.max_pool2d(net, 2,) net = slm.cnv2d(net, 128, 3, ) net = slm.cnv2d(net, 64, 1, ) net = slm.cnv2d(net, 128, 3, ) net = slm.max_pool2d(net, 2,) net = slm.cnv2d(net, 256, 3, ) net = slm.cnv2d(net, 128, 1, ) net = slm.cnv2d(net, 256, 4, ) net = slm.max_pool2d(net, 2,) net = slm.cnv2d(net, 512, 3, ) net = slm.cnv2d(net, 256, 1,) net = slm.cnv2d(net, 512, 3, )

net = slm.cnv2d(net, 256, 1,) net = slm.cnv2d(net, 512, 3, ) net = slm.max_pool2d(net, 2,) net = slm.cnv2d(net, 1024, 3, ) net = slm.cnv2d(net, 512, 1,) net = slm.cnv2d(net, 1024, 3, ) net = slm.cnv2d(net, 512, 1,) net = slm.cnv2d(net, 1024, 3, ) net = slm.cnv2d(net, lbl_zhp[-1], 1, nrmalizer_fn=None, activation_fn=None)

return net

def mdl_endpnts(net, smezhenie):

cnfidence, p_bx_prm, p_clss = tf.splt(net, [1, 4, clss], 3)

p_bx_prm = tf.rezhp(p_bx_prm, [-1, CELLS, CELLS, CELL_bxES, 4])

p_bx = tf.stack([

(p_bx_prm[:, :, :, :, 0] + smezhenie) / CELLS, # x (p_bx_prm[:, :, :, :, 1] + tf.trnsps(smezhenie, (0, 2, 1, 3))) / CELLS, # y tf.sqr(p_bx_prm[:, :, :, :, 2]), # w tf.sqr(p_bx_prm[:, :, :, :, 3])]) # h p_bx = tf.trnsps(p_bx, [1, 2, 3, 4, 0]) return cnfidence, p_bx_prm, p_clss, p_bx