آشکارسازی هم‏زمان، شناسایی و شمارش وسایط نقلیه مبتنی بر یادگیری عمیق yolo در سیستم‌های نظارت تصویری

آشکارسازی، شناسایی و شمارش خودکار وسایط نقلیه با استفاده از دوربین های نظارت تصویری نقش مهمی در زمینه مدیریت هوشمند حمل و نقل ایفا می کند. علیرغم پیشرفت‏هایی که محققان در این موارد داشته‏اند، اجرای عملیاتی آن همچنان با چالش ‏هایی مانند «شرایط مختلف محیطی»، «مجموعه داده های نامتعادل»، «دقت» و «سرعت» مواجه است. بنابراین، پژوهش در رفع این موارد می‏توان مفید واقع شود. الگوریتم پیشنهادی برای آشکارسازی، دسته‌بندی و شمارش مبتنی بر یادگیری عمیق خواهد بود. در این مقاله پس از بررسی انواع روش ‏های تشخیص و شناسایی اخیر وسایط نقلیه مبتنی بر یادگیری عمیق و استخراج چالش‏هایی چون سرعت و دقت الگوریتم ‏ها و نیز چالش مجموعه‏ داده‏ های محک و ارزیابی، به معرفی یک روش کارآمد برای افزایش دقت شمارش خودرو خواهیم پرداخت. در این تحقیق، پس از اعمال الگوریتم پیشنهادی پیش‏پردازش اولیه از آخرین نسخه الگوریتم yolo (v4)، برای آشکارسازی و دسته بندی وسائط نقلیه بهره می‏بریم. برای ردیابی هم‏زمان چند وسیله نقلیه، هم از الگوریتم deepsort استفاده می‏گردد. برای شمارش دقیق وسائط نقلیه، نیز یک روش توسعه داده ‏شده پیشنهاد می‏گردد تا دقت پردازش افزایش یابد. با اعمال پیش ‏پردازش ‏ها و تکنیک شمارش پیشنهادی، نتایج عملی نشان می‏دهد که معیار فراخوان در ویدئوی شب به 99.18% افزایش یافته است.

yolo deep learning-based simultaneous detecting, identification and counting of vehicles in video surveillance systems

automatic detection, identification, and counting of vehicles using video surveillance cameras play an important role in the field of intelligent transportation management. despite the progress that researchers have made in these cases, its operational implementation still faces challenges such as various environmental conditions , unbalanced data sets , accuracy and speed . therefore, research can be useful in solving these cases. the proposed algorithm for detection, classification, and counting will be based on deep learning. in this article, after reviewing the types of recent detection and identification methods of vehicles based on deep learning and extracting challenges such as the speed and accuracy of algorithms as well as the challenge of benchmark and evaluation datasets, to introduce an efficient method for we will increase the accuracy of car counting. in this research, after applying the proposed initial preprocessing algorithm, we use the latest version of the yolo algorithm (v4) to detect and classify vehicles. the deepsort algorithm is also used to track several vehicles at the same time. for the accurate counting of vehicles, a developed method is also proposed to increase the processing accuracy. by applying pre-processing and the proposed counting technique, the practical results show that the recall criterion in the night video has increased to 99.18%.