中国内地版本
2025年6月30日
莫斯科通信和信息技术大学(MTUCI)专家教会神经网络在帧率不稳、光线昏暗和算力有限条件下追踪车辆。他们将计算机视觉技术适配到现实环境中,即使目标从画面中短暂消失、被其他车辆遮挡,或使用低分辨率廉价摄像头拍摄,算法也能准确识别目标。研究人员以DeepSORT目标追踪器为基础,将其适配到轻量级神经网络模型中,如最新的YOLO-NAS人工智能目标检测模型。随后,科学家采用动态跳帧技术(每次1-3帧),同时保持目标识别的准确性。这种方法对节能要求高的自动系统、视频监控和无人平台尤为重要。
MTUCI软件工程教研室副教授、工科副博士波塔普琴科(Timur Potapchenko)说:“我们的任务是确保追踪系统不仅能在配备强大算力的数据中心中运行,还能应用于小城镇街头摄像头,那里可能信号微弱且存在跳帧情况。”他说,目前团队正在测试该系统与YOLOv5和YOLOv8模型的结合,其技术有望成为下一代YOLO模型。新技术被命名为TrackFusion。波塔普琴科说,团队即将启动一个使用真实摄像头和真实城市交通流的试点项目,在光照不稳、交通流量大的十字路口进行追踪测试。
追踪系统的另一个应用是识别车型。基础版算法可能在缩影不清时混淆轿车和卡车。研究人员在DeepSORT中增加额外分类插件,由插件“补充训练”模型,随着各种帧数据的不断积累,动态提高车型判断的准确性。该技术被命名为LightHead,基于轻量级神经网络(即分类中的卷积算机网络)构建。MTUCI的硕士生萨迪耶夫(Yury Sadyev)说:“这种方法就像‘第二意见’,如果首次分类不准确,系统有机会修正自己的判断。”
这项开发成果不仅可作为独立工具使用,还能用作开发各种物流和安全解决方案的基础。莫斯科大学“大数据存储与分析技术”国家技术倡议能力中心技术转移副主任沃罗宁(Timofey Voronin)认为,该系统可能受到联邦和地方权力机关(内务部、交通部、联邦公路署、联邦统计局、数字发展部)、物流公司和零售公司的青睐,例如根据道路上不同类型车辆的拥堵情况,选择最优行驶路线。他说:“这项成果前景广阔,应用场景广泛。有两点值得关注:能在光照差、算力小的条件下工作,使车辆分类模型更具可及性和吸引力,其可及性还体现为小公司也能在不投入大算力的情况下使用该模型。”
目前,计算机视觉技术可以根据预设数据对物体进行分类。但城市环境中,由于地形、季节、天气、光照等条件不断变化,识别过程极为复杂。ST IT集团总经理阿维里亚诺夫(Anton Averyanov)说,系统可能会出错,比如将近处飞鸟误认为车辆。他说:“此类系统目前用于预测交通流量、智能化管理十字路口信号灯以及优化车流,因此准确识别车辆并不断改进技术至关重要。MTUCI专家正是对这项技术进行了改进和完善。完成测试后,该技术即可投入使用。智能系统交通检测和预测精度将不断提升,采用此类技术的十字路口将越来越多。”
AutoNet国家技术倡议专家米申(Igor Mishin)认为,这项成果可提升车辆监控实时性并提高道路安全。该神经网络还有可能帮助寻找被盗车辆、识别人脸并检测道路障碍。除公路外,还可应用于道路维护和紧急服务。道路人工智能是全球智慧城市发展的前沿方向之一。城市生活应用神经网络,可发展高度自动化交通工具(如无人驾驶汽车、无人出租车)基础设施,这些技术正逐渐融入我们的生活。米申说,全球许多大城市正在积极发展人工智能算法,实现城市流程自动化,改善交通网络管理。莫斯科在这方面引领潮流,属于数字领导城市之一。
俄罗斯协同大学教师、IT专家叶尔马科夫(Aleksey Ermakov)认为,项目团队需要在适配现有成果与自主创新间保持平衡。他说,将YOLO-NAS类模型与DeepSORT类追踪算法相结合的思路体现了理性做法,即改进和完善成熟技术而非从零开始研发,这让MTUCI的研究者节约了资源,并有望加速新技术在工业和交通领域的应用。
需浏览俄文原文稿件,请登陆《消息报》网站
| www.tsrus.cn/683299|