ВИЯВЛЕННЯ АНОМАЛІЙ У ВІДЕОПОТОЦІ ТРАФІКУ ТРАНСПОРТУ ЗАСОБАМИ КОМП’ЮТЕРНОГО ЗОРУ ТА ГЛИБИННОГО НАВЧАННЯ
Ключові слова:
виявлення аномалій, спостереження за дорожнім рухом, YOLOv8, OC-SORT, гомографія, комп’ютерний зірАнотація
Розглянуто задачу виявлення аномалій у відеопотоці з камер спостереження за транспортним трафіком, що є важливим елементом сучасних інтелектуальних транспортних систем. Запропоновано об’єкто-центричний підхід «детектор–трекер–аналізатор аномалій», який забезпечує підвищення надійності автоматичного виявлення аномальних подій, зокрема проїзду на заборонний сигнал світлофора, перевищення швидкості, аварійного гальмування та тривалого перебування у зоні перехрестя. В основі методу використано сучасний детектор об’єктів YOLOv8n, який характеризується високою швидкістю обробки та прийнятною точністю для задач реального часу, а також трекер OC-SORT, який демонструє підвищену стійкість до короткочасних оклюзій і зменшує кількість хибних асоціацій у щільному транспортному потоці. Для визначення швидкісних характеристик транспортних засобів застосовано гомографічне перетворення з урахуванням калібрації камери, що дало можливість коректно переводити координати об’єктів у світову систему.
Для перевірки працездатності підходу сформовано власний датасет на основі відео з відкритих джерел (канал Friant Roulette, Каліфорнія), що містить як нормальні, так і аномальні ситуації. В цілому використано 160 відеофрагментів. Проведені експерименти продемонстрували, що використання комбінації YOLOv8n + OC-SORT забезпечує вищу точність порівняно з базовим поєднанням YOLOv8n + SORT, що підтверджується зростанням значень кореляційного коефіцієнта Меттьюза (MCC). Найкращі результати отримано для аномалій типу «проїзд на червоне світло» (MCC = 0,909) та «перебування у зоні перехрестя» (MCC = 0,881). Дещо гіршими виявилися результати для «перевищення швидкості» (MCC = 0,815) та «аварійного гальмування» (MCC = 0,505), що пояснюється чутливістю до якості відеопотоку, кута огляду та стабільності камери.
Розроблений підхід є перспективним для інтеграції в інтелектуальні системи моніторингу дорожнього руху, оскільки дозволяє автоматизувати процес виявлення порушень та знизити навантаження на операторів. Подальші напрями розвитку включають оптимізацію архітектури моделі детектора, застосування модулів реідентифікації для зменшення кількості помилкових асоціацій, удосконалення алгоритмів оцінки швидкості та розширення переліку аномалій, наприклад, пішоходи на проїжджій частині чи заборонене паркування.
Посилання
P. Wu, C. Pan, Y. Yan, G. Pang, P. Wang, and Y. Zhang, “Deep learning for video anomaly detection: A review,” arXiv preprint arXiv:2409.05383, Sep. 2024. [Online]. Available: https://arxiv.org/abs/2409.05383 . Accessed: 06.09.2025.
H.-T. Duong, V.-T. Le, and V. T. Hoang, “Deep learning-based anomaly detection in video surveillance: A survey,” Sensors, vol. 23, no. 11, Art. 5024, 2023. https://doi.org/10.3390/s23115024 .
A. Adam, E. Rivlin, I. Shimshoni, and D. Reinitz, “Robust real-time unusual event detection using multiple fixed-location monitors,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 30, no. 3, pp. 555-560, Mar. [1] 2008.
B. T. Morris, and M. M. Trivedi, “Learning trajectory patterns by clustering: Experimental studies and comparative evaluation,” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2011, pp. 312-319.
W. Hu, X. Xiao, Z. Fu, D. Xie, T. Tan, and S. Maybank, “A system for learning statistical motion patterns,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 28, no. 9, pp. 1450-1464, Sep. 2006.
N. Choudhry, J. Abawajy, S. Huda, and I. Rao, “A comprehensive survey of machine learning methods for surveillance videos anomaly detection,” IEEE Access, vol. 11, pp. 114680-114713, 2023. https://doi.org/10.1109/ACCESS.2023.3321800 .
Р. В. Маслій, В. В. Гармаш, П. П. Ковальчук, і В. В. Кабачій. «Аналіз методів знаходження аномалій у зображеннях,» Інформаційні технології та комп’ютерна інженерія, вип. 59 (1), с. 13-22, 2024. https://doi.org/10.31649/1999-9941-2024-59-1-13-22 . Дата звернення: 06.09.2025.
Г. Д. Симбирский, «Аналіз методів виявлення аномалій у відеоряді камер відеоспостереження на транспорті,» Вісник Харківського національного автомобільно-дорожнього університету, вип. 98, с. 26-36, 2022. https://doi.org/10.30977/BUL.2219-5548.2022.98.0.26 . Дата звернення: 06.09.2025.
M. Hasan, J. Choi, J. Neumann, A. K. Roy-Chowdhury, and L. S. Davis, “Learning temporal regularity in video sequences,” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2016, pp. 733-742.
W. Liu, W. Luo, D. Lian, and S. Gao, “Future frame prediction for anomaly detection–a new baseline,” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2018, pp. 6536-6545.[Electronic resource]. Available: https://arxiv.org/abs/1712.09867 . Accessed: 06.09.2025.
О. К. Колесницький, С. В. Кукунін, М. Ю. Дерев’янко, А. А. Преподобний, і Мендеш Да Майа, «Розпізнавання нетипових ситуацій на дорозі за допомогою згорткової нейронної мережі,» Оптико-електронні інформаційно-енергетичні технології, № 38(2), с. 38-44, 2020. https://doi.org/10.31649/1681-7893-2019-38-2-38-44 .
M. Rezaei, M. Azarmi, and F. M. P. Mir, “Traffic-net: 3D traffic monitoring using a single camera,” arXiv preprint arXiv:2109.09165, Sep. 2021. [Online]. Available: https://arxiv.org/abs/2109.09165 . Accessed: 06.09.2025.
G. D’amicantonio, and E. Bondarau, “uTRAND: Unsupervised anomaly detection in traffic trajectories,” Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR), 2024, pp. 7638-7645. [Online]. Available: https://arxiv.org/abs/2404.12712 . Accessed: 06.09.2025.
D. C. Luvizon, B. T. Nassu, and R. Minetto, “A video-based system for vehicle speed measurement in urban roadways,” IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 6, pp. 1393-1404, Sep. 2017. https://doi.org/10.1109/TITS.2016.2606369 .
M. Dubská, A. Herout, and J. Sochor, “Automatic camera calibration for traffic understanding,” Proceedings of the British Machine Vision Conference (BMVC), 2014, vol. 4, p. 8.
J. Sochor, R. Juránek, and A. Herout, “Traffic surveillance camera calibration by 3D model bounding box alignment for accurate vehicle speed measurement,” Computer Vision and Image Understanding, vol. 161, pp. 87-98, Jan. 2017.
V. Bartl, J. Špaňhel, P. Dobeš, R. Juránek, and A. Herout, “Automatic camera calibration by landmarks on rigid objects,” Mach. Vis. Appl., vol. 32, no. 1, pp. 1-13, 2021.
J. Revaud, and M. Humenberger, “Robust automatic monocular vehicle speed estimation for traffic surveillance,” in Proc. IEEE/CVF International Conference on Computer Vision(ICCV), 2021, pp. 4551-4561.
YOLOv8 vs Faster R-CNN: A Comparative Analysis, Keylabs, May 30, 2025. [Electronic resource]. Available: https://keylabs.ai/blog/yolov8-vs-faster-r-cnn-a-comparative-analysis/ . Accessed: 08.09.2025.
M. Yaseen, “What is YOLO v8: An in-depth exploration of the internal features of the next-generation object detector,” arXiv preprint, arXiv:2408.15857, Aug. 2024. [Online]. Available: https://arxiv.org/pdf/2408.15857 Accessed: 06.09.2025.
J. Cao, J. Pang, X. Weng, R. Khirodkar, and K. Kitani, “Observation-centric SORT: Rethinking SORT for robust multi-object tracking,” Proceedings of the IEEE / CVF Conference on Computer Vision and Pattern Recognition(CVPR), 2023, pp. 9686-9696.
A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, “Simple online and realtime tracking,” IEEE International Conference on Image Processing (ICIP), 2016, pp. 3464-3468.
N. Wojke, A. Bewley, and D. Paulus, “Simple online and realtime tracking with a deep association metric,” IEEE International Conference on Image Processing (ICIP), 2017, pp. 3645-3649.
A. P. Shah, J. B. Lamare, T. Nguyen-Anh, and A. Hauptmann, “CADP: A novel dataset for CCTV traffic camera based accident analysis,” 15th IEEE International Conference on Advanced Video and Signal Based Surveillance(AVSS), 2018, pp. 1-9. [Online]. Available: https://arxiv.org/pdf/1809.05782 . Accessed: 06.09.2025.
P. Pradeep Kumar and K. Kant, “TU-DAT: A computer vision dataset on road traffic anomalies,” Sensors, vol. 25,
no. 11, Art. 3259, 2025. [Online]. Available: https://www.mdpi.com/1424-8220/25/11/3259 . Accessed: 06.09.2025.
Friantroulette, YouTube [Electronic resource]. Available: https://www.youtube.com/@friantroulette . Accessed: 06.09.2025.
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
