ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ОБНАРУЖЕНИЯ ДОРОЖНО-ТРАНСПОРТНЫХ ПРОИСШЕСТВИЙ НА ОСНОВЕ ТЕПЛОВЫХ КАРТ И НЕЙРОСЕТЕВОЙ ДЕТЕКЦИИ ОБЪЕКТОВ
Авторы:
1.
Казанский государственный энергетический университет
2.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
3.
КНИТУ-КАИ
4.
Академия наук Республики Татарстан
ГБУ «Безопасность дорожного движения»
ГБУ «Безопасность дорожного движения»
5.
КНИТУ им. А.Н. Туполева-КАИ:
6.
Казанский национальный исследовательский технический университет им. А.Н. Туполева
Тип:
Статья
Страницы:
с 132
по 136
Статус:
Опубликован
Получено:
10.02.2026
Одобрено:
19.02.2026
Опубликовано:
26.02.2026
Язык материала:
русский
Ключевые слова:
ДОРОЖНО-ТРАНСПОРТНОЕ ПРОИСШЕСТВИЕ, YOLO, ТЕПЛОВАЯ КАРТА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ВИДЕОНАБЛЮДЕНИЕ, АНОМАЛИИ ДВИЖЕНИЯ, ТРАНСПОРТНЫЙ ПОТОК, НЕЙРОННАЯ СЕТЬ, ДЕТЕКЦИЯ ОБЪЕКТОВ
Аннотация:
В статье описывается система автоматического определения дорожно-транспортных происшествий на основе совместного использования тепловых карт и нейросетевой детекции объектов. Детекция объектов на дорожных сценах, как правило, реализуется с использованием моделей YOLO, SSD и Faster R-CNN. Тепловые карты широко применяются в видеонаблюдении для визуализации плотности и динамики движения объектов. Совместное использование тепловых карт и нейросетевой детекции объектов повышает информативность анализа дорожных сцен и увеличивает долю корректно выявленных инцидентов. Разрабатываемая система базируется на комбинации детекции объектов, анализа активности в кадре и выделения аномальных областей на тепловой карте. Архитектура системы включает следующие функциональные блоки: источник видеопотока, модуль детекции объектов, модуль построения тепловой карты движения, модуль анализа аномалий и модуль сохранения видео. Источниками видеопотока могут выступать как RTSP-камеры, так и локальные видеозаписи с возможностью параллельной обработки нескольких потоков. В модуле детекции объектов для анализа дорожной сцены используется сверточная нейросетевая модель YOLO11n, обеспечивающая высокую скорость работы при приемлемой точности детекции в режиме реального времени. При построении тепловой карты формируется двумерная матрица, каждая ячейка которой отражает интенсивность пребывания транспортных средств в соответствующей области кадра. В модуле анализа аномалий производится выделение зон аномалий на тепловой карте. При обнаружении признаков аварии на тепловой карте срабатывает модуль сохранения видео. При этом система инициирует запись видеофрагмента продолжительностью до 5 минут. Запись завершается по истечении заданного времени или при исчезновении аномалии. Система реализована на языке программирования Python с использованием библиотек компьютерного зрения и нейросетевого анализа. Эксперименты показали, что производительность системы зависит от режима обработки видеокадров: при использовании только CPU достигается скорость обработки порядка 2-5 кадров в секунду для одного видеопотока, а при использовании GPU обеспечивается обработка в режиме, близком к реальному. Реализованный в системе подход позволяет корректно выделять аварийные ситуации при наличии длительного скопления транспорта, нарушении естественной динамики движения и остановке транспорта в нетипичных зонах. Предложенный подход может быть использован в системах «Умный город», транспортных мониторинговых центрах, а также при автоматизации диспетчерского контроля.
В статье описывается система автоматического определения дорожно-транспортных происшествий на основе совместного использования тепловых карт и нейросетевой детекции объектов. Детекция объектов на дорожных сценах, как правило, реализуется с использованием моделей YOLO, SSD и Faster R-CNN. Тепловые карты широко применяются в видеонаблюдении для визуализации плотности и динамики движения объектов. Совместное использование тепловых карт и нейросетевой детекции объектов повышает информативность анализа дорожных сцен и увеличивает долю корректно выявленных инцидентов. Разрабатываемая система базируется на комбинации детекции объектов, анализа активности в кадре и выделения аномальных областей на тепловой карте. Архитектура системы включает следующие функциональные блоки: источник видеопотока, модуль детекции объектов, модуль построения тепловой карты движения, модуль анализа аномалий и модуль сохранения видео. Источниками видеопотока могут выступать как RTSP-камеры, так и локальные видеозаписи с возможностью параллельной обработки нескольких потоков. В модуле детекции объектов для анализа дорожной сцены используется сверточная нейросетевая модель YOLO11n, обеспечивающая высокую скорость работы при приемлемой точности детекции в режиме реального времени. При построении тепловой карты формируется двумерная матрица, каждая ячейка которой отражает интенсивность пребывания транспортных средств в соответствующей области кадра. В модуле анализа аномалий производится выделение зон аномалий на тепловой карте. При обнаружении признаков аварии на тепловой карте срабатывает модуль сохранения видео. При этом система инициирует запись видеофрагмента продолжительностью до 5 минут. Запись завершается по истечении заданного времени или при исчезновении аномалии. Система реализована на языке программирования Python с использованием библиотек компьютерного зрения и нейросетевого анализа. Эксперименты показали, что производительность системы зависит от режима обработки видеокадров: при использовании только CPU достигается скорость обработки порядка 2-5 кадров в секунду для одного видеопотока, а при использовании GPU обеспечивается обработка в режиме, близком к реальному. Реализованный в системе подход позволяет корректно выделять аварийные ситуации при наличии длительного скопления транспорта, нарушении естественной динамики движения и остановке транспорта в нетипичных зонах. Предложенный подход может быть использован в системах «Умный город», транспортных мониторинговых центрах, а также при автоматизации диспетчерского контроля.
Ключевые слова:
ДОРОЖНО-ТРАНСПОРТНОЕ ПРОИСШЕСТВИЕ, YOLO, ТЕПЛОВАЯ КАРТА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ВИДЕОНАБЛЮДЕНИЕ, АНОМАЛИИ ДВИЖЕНИЯ, ТРАНСПОРТНЫЙ ПОТОК, НЕЙРОННАЯ СЕТЬ, ДЕТЕКЦИЯ ОБЪЕКТОВ
ДОРОЖНО-ТРАНСПОРТНОЕ ПРОИСШЕСТВИЕ, YOLO, ТЕПЛОВАЯ КАРТА, КОМПЬЮТЕРНОЕ ЗРЕНИЕ, ВИДЕОНАБЛЮДЕНИЕ, АНОМАЛИИ ДВИЖЕНИЯ, ТРАНСПОРТНЫЙ ПОТОК, НЕЙРОННАЯ СЕТЬ, ДЕТЕКЦИЯ ОБЪЕКТОВ
