В Южной Корее разработали адаптивную систему дорожного видеонаблюдения
Исследователи из Национального университета Инчхона (Южная Корея) представили инновационную систему дорожного видеонаблюдения, способную адаптироваться к изменениям трафика в режиме реального времени. Разработка получила название «расширенная гибкая система наблюдения» и уже опубликована в журнале IEEE Internet of Things Journal.
Система представляет собой сеть однолинзовых камер, расположенных в динамической сетке. Её главная особенность — способность интеллектуально регулировать зону наблюдения путём активации или деактивации камер в зависимости от дорожной ситуации.
«Наша мотивация связана с растущей потребностью в адаптивных системах мониторинга дорожного движения, способных справляться с разнообразными и непредсказуемыми ситуациями», — поясняет руководитель исследования, доцент Хёнбум Ким.
Учёные разработали две стратегии управления камерами. Первая, названная «Алгоритмом случайного уровня камеры», организует камеры в сетку 3×3. Часть камер работает постоянно для обеспечения базового покрытия, остальные включаются и выключаются в зависимости от интенсивности движения.
Вторая стратегия — «Алгоритм случайного веса» — работает по схожему принципу, но является более гибкой. Каждой камере присваивается уникальная роль в зависимости от её положения в сетке. Камеры на ключевых позициях остаются активными постоянно, тогда как активность остальных регулируется в соответствии с дорожной обстановкой.
Масштабное компьютерное моделирование показало эффективность обоих методов в различных условиях, включая разную интенсивность движения, уклоны дороги и углы обзора. Система снижает энергопотребление при низком трафике и обеспечивает полное покрытие в часы пик, предугадывая и адаптируясь к схемам движения.
По словам разработчиков, помимо контроля дорожного движения, адаптивная система может применяться для мониторинга толпы, реагирования на чрезвычайные ситуации и обеспечения промышленной безопасности. В дальнейшем планируется провести испытания в реальных условиях и интегрировать технологии глубокого обучения для повышения эффективности системы.
© iXBT