Алгоритм фиксации нарушения стоп линии: Штраф за стоп-линию

Содержание

Штраф за стоп-линию – сколько, как обжаловать

Как узнать о наличии камеры видеофиксации ↓
Как правильно останавливаться перед стоп-линией и знаком стоп ↓
Штраф за выезд за стоп-линию ↓
Что делать если пересек стоп-линию? ↓
Можно ли оспорить штраф? ↓
Задайте вопрос юристу → бесплатная консультация ↓

Проезд автомобиля по городским магистралям регулируется правилами движения, водитель обязан соблюдать указания предупреждающих или запрещающих знаков или разметок.

Любое несоблюдение правил грозит штрафом, которое зафиксирует камера слежения.

Одно из них – это стоп-линия, предупреждающая водителя о месте остановки транспорта до въезда на регулируемый (не регулируемый) перекресток городских магистралей.

Проезд (остановка) через стоп-линию регулируется Административным Кодексом, если будут выявлены несоблюдения правил предписания, то водителю придется заплатить штраф. Фиксировать факт несоблюдения требований предупреждающей разметки или знака могут как камеры, так и дорожный полицейский, за неправильное пересечение стоп-линии предусмотрено наказание, в виде штрафа.

Вы можете прочесть другие статьи по этой тематике на страницах нашего сайта.

Как узнать о наличии камеры видеофиксации

Для предупреждения водителей об установке камеры видеофиксации введен информационный знак 8.23 со значком фотокамеры.

Он предупреждает всех проезжающих по этому участку дороги о возможной фотофиксации неправильных действий водителя при проезде, в том числе наезд на стоп-линию или ее пересечение на красный свет.

А также камера зарегистрирует и нарушение дорожной разметки, разделяющей автомобильные потоки, и выезд за сплошную линию, и остановку авто на пешеходном переходе, и отсутствие ОСАГО. Все зависит от системы, к которой подключена камера.

Все эти маневры зафиксирует камера, и передаст на пульт управления ГИБДД, а инспектор выпишет штраф.

Как правильно останавливаться перед стоп-линией и знаком стоп

Правила остановки и пересечения стоп-линии могут различаться в зависимости от конкретной ситуации:

Зачастую стоп-линия дублируется белой табличкой 6. 16 аналогичного содержания. В этом случае следует остановить автотранспорт на месте их установки при включении запрещающего сигнала светофора или регулировщика, а если горит зеленый свет следует продолжать движение без остановки.
Кроме того, стоп-линию наносят на проезжую часть для обозначения допустимого места остановки автомобилей для обеспечения безопасного пропуска пешеходов, переходящих дорогу.
На дорогах также встречается сочетание стоп-линии и приоритетного знака 2.5 “Движение без остановки запрещено”. Этот знак устанавливается преимущественно на нерегулируемых перекрестках, на въезде со второстепенной дороги на главную и других участках с ограниченной видимостью, проезд по которым без остановки сопряжен с повышенной опасностью. В этом случае полная остановка авто перед стоп-линией обязательна!

В любом случае, согласно правилам ПДД, останавливаться следует перед стоп-линией. Заезд на стоп-линию или ее пересечение карается штрафом!

Для лучшего понимания даем разъяснения:

Если присутствует разметка остановки, следует незамедлительно прекратить маневры перед ней, иначе камера зафиксирует нарушения.
В случае установки знака стоп, то авто необходимо остановить перед ним, камера также отслеживает неправильную остановку автомобиля.
В случае пересечения перекрестка с установленным знаком и нанесенной разметкой, то авто следует остановить перед знаком (приоритет знаков перед разметкой), иначе камера сочтет иное маневрирование как несоблюдение требований ПДД.
Если разметка неразличима (стерлась, занесена снегом), останавливаться следует перед знаком.
Не следует рисковать и возобновлять движение на желтый сигнал светофора, лишняя поспешность может обернуться штрафом с камеры.

Санкцию могут вменить как при несоблюдении требований нанесенной разметки, так и таблички СТОП, либо за начало движения на сигнал ВНИМАНИЕ (желтый свет), за эти неправомочные действия предусматривается штраф.

В представленном видеосюжете, подробно рассматривается алгоритм работы камеры фиксации нарушений ПДД на перекрестке. Обязательно просмотрите видео, это поможет вам понять, как работает камера на стоп-линию и как следует правильно останавливаться на перекрестке, чтобы не получить штраф ГИБДД.

Если у вас возникли вопросы, то вы можете задать их нашим юристам в режиме онлайн на этой странице.

Штраф за выезд за стоп-линию

Несоблюдение дорожной разметки, а в частности заезд за стоп-линию, влечет за собой следующие наказание и штрафы:

на нерегулируемом перекрестке (12.16.1 КоАП РФ) при фотофиксации камерой несоблюдения разметки стоп-линия размер штрафа составит 500 р.
на регулируемом перекрестке (12.12.2 КоАП РФ) за пересечение стоп-линии на красный свет штрафная санкция с камеры фиксации будет 800 р.
переезд ж/д путей (п. 12.10 КоАП РФ) при мерцающем семафоре или звуковом сигнале карается штрафом в 1 тыс. р. или лишением права вождения на 6 мес.
повторное нарушение за пересечение стоп-линии влечет лишение права управлением автомобилем на 1 год.

Штраф за стоп-линию можно оплатить со скидкой 50%, не позднее 20 дней со дня вынесения постановления. Чтобы своевременно произвести оплату, настройте SMS-оповещение о наличии штрафов ГИБДД.

Что делать если пересек стоп-линию?

Пересечь стоп-линию можно по правилам или с их нарушением:

Если автомобиль пересек стоп-линию на зеленый свет и уже выехал на перекресток, то водитель должен завершить маневр вне зависимости от сменившегося сигнала светофора, согласно п. 13.7 ПДД.
В крупных городах, таких как Москва, можно столкнуться с ситуацией, когда на большом перекрестке на пути следования авто установлено сразу несколько светофоров и нанесено несколько стоп-линий. В этом случае пересекать стоп-линии, следует руководствуясь сигналами каждого светофора. (п. 13. 7 ПДД)
Если автомобиль, останавливаясь на мигающий зеленый светофор, заехал за стоп-линию передними колесами, следует полностью остановиться и возобновить движение только дождавшись, когда загорится зеленый свет. В этом случае у вас останется возможность доказать, что наезд на стоп-линию произошел на разрешающий сигнал светофора.
Если автомобиль при остановке на запрещающий сигнал светофора заехал за стоп-линию, избежать штраф с камеры не получиться. Однако и в этом случае следует оставаться на месте пока вновь не загорится зеленый свет. Любое движение автомобиля как вперед, так и назад, будет расценен камерой как движение на запрещающий сигнал светофора, а это уже грозит дополнительным штрафом в 1 тыс. р. (12.12.1 КоАП РФ).
Откат задним ходом. Это не будет считаться нарушением, если водитель не заехал за стоп-линию и не создает угроз для других транспортных средств, стоящих позади него. Но при выезде за стоп-линию на красный сигнал ни в коем случае не сдавайте назад! Помните, камера фиксирует любое движение на красный свет.

Любое маневрирование на запрещающий сигнал будет фиксироваться камерой, но в одном случае сумма штрафа будет больше, а в другом меньше.

Можно ли оспорить штраф?

Штраф за стоп-линию с камеры могут прислать водителю транспорта, если будет выявлено:

Превышение скоростного режима движения на этом участке дороги (фото с камеры).
Несоблюдение требований остановки на стоп-линии (камера фиксирует неправильно расположенное авто).
Неправильно выполненную остановку ТС в зоне действия знака «Стоп».
Несоблюдение разделительной разметки проезжей части.
Нарушено условие обязательной остановки на пересечении дорог.

Обычно вместе с постановлением о выписанном штрафе с камеры видеофиксации к письму прилагают фото, как доказательство обнаруженного правонарушения. Если вы сомневаетесь в правомочности вынесенного постановления, то следует внимательно его разглядеть.

Штраф можно (и нужно оспорить), если при тщательном изучении будет обнаружено, что камера зафиксировала:

За рулем автомобиля находится другой водитель.
На фото отображается совершенно другая машина, вам не принадлежащая. То есть модель авто или регистрационные знаки не те, что установлены на вашем автомобиле.
Камера не зафиксировала сам факт нарушения ПДД.
Регистрационные знаки нечеткие, их невозможно идентифицировать. То есть это может быть совершенно другое транспортное средство.
За стоп-линией находится только бампер авто, передние колеса не заехали на разметку.
На кадрах с вашего видеорегистратора запечатлено, что машина пересекла стоп-линию на зеленый свет светофора.

Если обнаружится хоть одно из перечисленных условий, то вполне вероятно оспорить штраф за невыполнение требований разметки стоп-линии.

Порядок действий будет такой:

Написать ходатайство на имя руководителя подразделения, где был выписан штраф за нарушение ПДД. Если он сочтет ваши доводы убедительными, то постановление будет отменено, и оплачивать штраф вам не придется.
Если ваше ходатайство не возымело нужного действия, то оспаривание продолжить в судебном органе. Для подачи иска об отмене постановления необходимо заручиться показаниями свидетелей, записями вашего видеорегистратора, документами, подтверждающими вашу правоту. Например, приказом о командировке. Если вы отсутствовали в населенном пункте на дату, указанном в постановлении, то никаких нарушений совершить не могли.

Совет! Если придется обращаться к суду за установлением истины, штраф все-таки лучше оплатить, чтобы избежать двойных санкций и вменение дополнительного нарушения за несоблюдение сроков оплаты.

Узнать, как обжаловать постановления ГИБДД более подробно, вы можете на страницах нашего сайта.

К сведению! Статья написана по состоянию требований законодательства на 2018 год. И также все вышеперечисленные требования Правил Дорожного Движения относятся к 2018 году, в дальнейшем они могут быть законодательно изменены или прекратить свое юридическое действие в силу изменений в Законе. Советуем сверяться с актуальностью информации по автотематике на нашем сайте.

Просмотрите новостной сюжет о сбое в работе камеры видеофиксации остановки транспорта на стоп-линии.

К сожалению, повсеместно внедряемая автоматическая система фиксации с помощью камер на дорогах нарушений ПДД не лишена изъянов в работе в результате которых водителям приходят неправомерно выписанные штрафы ГИБДД. Отстоять свои права и обжаловать штраф без квалифицированной помощи юриста бывает непросто. Обратитесь за бесплатной консультацией к нашим правовым экспертам, задав свой вопрос в режиме онлайн в конце статьи.

Прочесть другие статьи по этой тематике можно на страницах нашего сайта.

Получите бесплатную юридическую консультацию прямо сейчас

Как работают средства автоматической фото- видео фиксации нарушений ПДД на перекрестках / Хабр

Выезд за стоп-линию, пересечение сплошной и прочие не поддающиеся радарному определению нарушения ПДД контролируются видеоаналитикой, одним из основоположником которой является Спецлаб.

За несколько лет практической работы систем «Спецлаб-Перекресток» мы увидели, как мучительно меняется отношение людей к самой идеи – видеофиксации нарушений ПДД. Чаще мучения связаны с тем, что по стране установлено немало подобных средств с сомнительной достоверностью. Людям приходят непонятные квитанции с непонятными фотографиями из непонятных мест.

Спецлаб старается не подстраиваться под несовершенные законы и требования, каждый свой продукт разрабатывает с учетом целесообразности, разумности применения и – главное – ответственности перед людьми. Это не высокопарные слова, а скорее инстинкт самосохранения. В системе «Спецлаб-Перекресток» четко показывается, как произошло нарушение, какой при этом горел свет на светофоре, как располагались относительно нарушителя другие участники дорожного движения. Нам кажется, это должно снять напряжение населения относительно недоверия к подобным системам, но все-таки мы хотим услышать отзывы населения.

Отметим, что процесс точного определения видеоаналитикой факта нарушения в условиях помех и постоянного перекрытия камер посторонними объектами, не тривиален. Оператор ЦАФАП – по закону – не может проверять качество определения нарушения программой, его функции ограничиваются сличением госномера. Процесс должен быть полностью автоматическим, поэтому, если программа ошибется, человек получит несправедливую квитанцию. Во избежание ложных срабатываний, Спецлаб разработал алгоритм двойной проверки факта нарушения ПДД. Каждый случай регистрируется два раза со смещением в несколько долей секунд. Вероятность, что похожий номер есть у другого ТС, причем рядом идущего, и оба нарушили, и при этом оба номера были ошибочно распознаны на одни и те же символы в порядке расположения и в противоположном значении, и программа спутала траектории ТС…, практически равна нулю. Это и дает право на существование системе на принципе ОШИБКА ИСКЛЮЧЕНА!

Но и водитель, получивший квитанцию, имеет право оспорить постановление по закону. Поэтому мы даем ему не только приглашение на оплату, но и доказательную базу. Все высылаемые гражданам материалы имеют очевидный, не имеющий двойного трактования, характер. На картинках отчетливо видно пересечение запрещенных линий, на этих же картинках виден светофор, и при этом показано местоположение относительно других участников движения.

Тем не менее, нам нужны отзывы для дальнейшего развития этой социальной программы. Вместо рекламных роликов, где обычно показывается короткий удачный пример, мы дали развернутую запись на полчаса реальной работы, чтобы люди могли видеть все нюансы, коллизии и, может быть, даже огрехи программы, а также ее реакцию на них – как она выходит из сложных ситуаций. Ничего не осталось за кадром!

Учитывая, что на дорогах России ежегодно погибает и получает увечья население в целый город, тема актуальна. И не надо думать, что мы просто хотим набить кошельки, приводя эту статистику, мы готовы отказаться от денег и технологий, если это вредно людям. Тем более, что здесь нет наших клиентов. Ответьте, пожалуйста, на вопросы, они составлены с учетом российских проблем, нам важно ваше мнение!

Обнаружение нарушений правил дорожного движения и система мониторинга с использованием глубокого обучения | By Great Learning Snippets

Авторы-

Kumaran S
RAJ DHILIP KUMAR R
SARAVANAN S
SUDHEN RAJU S
RAJEEV KUMAR S

#AIFORALL IS TRNDEN

#AIFORAl Внедряйте ИИ в наши повседневные процессы, чтобы у нас была систематическая возможность поддерживать цель, состоящую в том, чтобы Индия стала одним из лидеров экономики, богатой ИИ, и обеспечить разумный рост в различных областях, таких как здравоохранение, сельское хозяйство, коммунальные услуги и т. д. ..

Для служб общественной безопасности в Индии управление дорожным движением и обеспечение соблюдения различных правил дорожного движения по-прежнему представляют собой серьезную проблему из-за ручных процедур обнаружения. В месте с миллионами людей многие склонны нарушать правила дорожного движения, поскольку шанс быть пойманным намного меньше из-за ручных систем.

1.1 Результаты нашего опроса
В Индии более 78% транспортных средств на дорогах являются двухколесными, и на их долю приходится около 29% дорожно-транспортных происшествий, и эта статистика неуклонно растет с годами. Согласно отчету о дорожно-транспортном происшествии, не менее 9В 2017 году из-за отсутствия шлемов ежедневно погибало 8 водителей двухколесных транспортных средств.
1.2 Постановка проблемы
Это ставит перед регулирующими органами серьезную задачу по внедрению эффективной системы принуждения водителей к ношению шлемов, потому что даже в таком мегаполисе, как Бангалор, всего около 2684 штатных сотрудников дорожного движения развернуты для поддержания правопорядка. Очень сложно увеличить количество трафика, так как это увеличит расходы для правительства. Также проблема с общественным мнением, кто за нами наблюдает? Большинство несчастных случаев происходит в ранние и поздние часы дня, поэтому к этому времени отключается большинство дорожных работников и сигнальных систем. Нам нужна помощь ИИ, чтобы решить проблему во всех измерениях (человеческое вмешательство, стоимость , точность, извлечение данных и наказание нарушителей)
Чтобы решить эту проблему, мы воспользовались помощью CNN для обеспечения безопасности дорожного движения, чтобы спасти невинные человеческие жизни от агрессивных водителей, где путем внедрения автоматизированной системы контроля для идентификации и захвата изображений мотоциклистов без шлема по сигналам и отправки их в бэк-офис Центра управления дорожным движением для создания событий о нарушениях и чатов.
2.1 Как это работает?
Не будем усложнять! Фотографии, сделанные камерами, размещенными в определенных местах, будут захватывать изображения и отправлять их в центр обработки данных. Созданное нами приложение будет передавать эти изображения модели CNN, которая будет распознавать мотоциклистов без шлемов.
Затем другая модель, которая идентифицирует номерные знаки и отправит координаты в модель OCR, которая извлечет номер автомобиля. Наконец, данные хранятся в централизованном месте для дальнейшей обработки инициирования нарушения, чтобы опубликовать электронные чаты для правонарушителей.
2.2 Только нарушения шлема?
О нет! Есть более масштабный план, чтобы вселить страх в людей, и когда они выйдут, они будут знать, что кто-то наблюдает за нами на дорогах, а не только на шоссе или каких-либо сигналах.
Даже запрет на въезд, вождение с неправильной стороны и парковку в запретной зоне будут покрыты в будущем.
2.3 Давайте поговорим о практических задачах?
Данные! Данные!! Данные !!! Да мы плакали, каждые выходные рыскали по дорогам ловить нарушителей в скрытом режиме. Мы сделали более 3000 снимков. Так это главная проблема? Это как в истории о пересечении 7 гор: каждый раз, когда мы преодолеваем одно препятствие, мы преодолеваем большее. Следующим шагом является маркировка всех этих изображений, что является утомительной задачей, поверьте мне! Затем размер и пиксели для обучения, на обработку которых ушли долгие часы 🙂 Затем наш Гуру (Раджив) нашел нам решение, позволяющее сократить долгие часы до минут.
Давайте посмотрим на детали реализации
3.1 Данные: Данные недоступны для нас, мы сделали 3000 изображений для этого проекта нарушения правил дорожного движения, и мы использовали инструмент с открытым исходным кодом labelme для маркировки функций.
3.2 Классификация CNN: Используя Yolo, мы классифицируем изображения для обнаружения нарушений.
3.3 OCR: Чтобы извлечь номер транспортного средства, мы используем tesseract для распознавания и извлечения необходимых деталей.
3.4 Пользовательский интерфейс: Создан внешний интерфейс с использованием ReactJS (ES6) и сервера узлов для получения изображений для моделей.
3.5 Хранение: Все сведения о номерах транспортных средств хранятся в централизованном месте с использованием PostgreSQL
4.1 Labelme
Labelme — это инструмент графического аннотирования изображений, вдохновленный (MIT). Он написан на Python и использует Qt для своего графического интерфейса. Он был разработан wkentaro.
Он имеет функции
Аннотация изображения для многоугольника, прямоугольника, круга, линии и точки.
Аннотация флага изображения для классификации и очистки.
Аннотации к видео
Настройка графического интерфейса (предопределенные метки/флаги, автосохранение, проверка меток и т. д.)
# python2
conda create — name=labelme python=2. 7 источник pyside2 conda install pyqt pip install labelme
# если вы хотите использовать последнюю версию. запустить ниже:
pip install git+https://github.com/wkentaro/labelme.git # python3
conda create — name=labelme python=3.6 source активировать labelme
conda install -c conda-forge pyside2
conda install pyqt pip install pyqt5
# pyqt5 можно установить через pip на python3
pip install labelme
В командной строке используйте labelme, чтобы открыть инструмент и запустить аннотации. Аннотации сохраняются в виде файла JSON.
4.1.1 Функции Созданы следующие функции/метки для проекта
Driver_with_helmet
Driver_without_helmet
4.1.2 JSON
outploy json Структура файла для хранения подробностей (Driver_without_helmet, river_with_helmemle. (YOLO) — это современная система обнаружения объектов в реальном времени. Системы предварительного обнаружения переназначают классификаторы или локализаторы для выполнения обнаружения. Они применяют модель к изображению в различных местах и масштабах. Области изображения с высокой оценкой считаются обнаружениями.
Мы используем совершенно другой подход. Мы применяем одну нейронную сеть к полному изображению. Эта сеть делит изображение на области и прогнозирует ограничивающие рамки и вероятности для каждой области. Эти ограничивающие рамки взвешиваются по предсказанным вероятностям.
Наша модель имеет ряд преимуществ по сравнению с системами на основе классификаторов. Он просматривает все изображение во время тестирования, поэтому его прогнозы основаны на глобальном контексте изображения. Он также делает прогнозы с помощью одной оценки сети, в отличие от таких систем, как R-CNN, которым требуются тысячи для одного изображения. Это делает его чрезвычайно быстрым, более чем в 1000 раз быстрее, чем R-CNN, и в 100 раз быстрее, чем Fast R-CNN.
4.2.1 Инициализация: Инициализация настроек среды для обнаружения объектов
Также укажите метки и свойства изображения для построения сети.
4.2.2 Исследование данных: Используя конфигурацию генератора, исследуйте свойства набора данных.
4.2.3 Проверка работоспособности для образца изображения
4.2.4 Построение сети YOLO имеет 24 сверточных слоя, за которыми следуют 2 полносвязных слоя (FC). В некоторых слоях свертки в качестве альтернативы используются слои сокращения 1 × 1, чтобы уменьшить глубину карт объектов. Для последнего слоя свертки он выводит тензор формы (7, 7, 1024). Затем тензор сглаживается. Используя 2 полносвязных слоя в качестве формы линейной регрессии, он выводит 7 × 7 × 30 параметров, а затем преобразует их в (7, 7, 30), то есть 2 предсказания граничных рамок на местоположение.
Мы изменяем размер изображения до 416×416, с 3 каналами, затухание @ 0,0005, скорость обучения @ 0,001.
Полная информация о построении сети доступна в отдельном текстовом файле.
4.2.5 Сводка модели
4. 2.6 Загрузите предварительно обученные веса
4.2.7 Выполнить обучение
Определите функцию пользовательских потерь и запустите обучение
4.2.8 Предзнание В настоящее время мы можем предсказать нарушения с точностью 40%, так как нам нужно больше тренироваться, мы надеемся, что процент увеличится до более высокого уровня перед демонстрацией.
4.3 Интеграция с пользовательским интерфейсом (визуализация)
Это экран пользовательского интерфейса, на котором пользователь может ввести изображение, которое будет отправлено в модель, которую мы обучили, и классифицировать нарушения.
4.4 Tesseract — OCR Пример демонстрации, показывающий, как Tesseract извлекает номер транспортного средства из координат изображения, предоставленных моделью CNN. В настоящее время точность не очень хорошая, нужно некоторое время для ее настройки
4. 5 Память Используя PostgreSQL, мы создали структуру таблицы для хранения сведений о нарушении.
Table Name:
violations
Column Name:
id
vehicle
Number
date
violation
5. Functional Architecture Diagram
6. Диаграмма технической архитектуры
7. Последствия
Определенно, это решение привнесет большую дисциплину среди водителей, чтобы они соблюдали правила дорожного движения и подчинялись им. Для правительства это сократит усилия человека по постоянному мониторингу нарушений правил дорожного движения.
Большая часть движения происходит на улицах из-за вождения по неправильной стороне или вождения с запретом на въезд. Наше решение может быть улучшено для отслеживания таких нарушений, что определенно уменьшит ненужный трафик.
8. Ограничения
На данный момент ограничений нет, модель способна прогнозировать нарушения с точностью 60%. Нам нужно добавить больше изображений без шлема и обучить его крайним случаям.
9. Заключительные размышления
Мы хотели показать сквозную демонстрацию, и нам это удалось. Нам нужно доработать весь проект, чтобы уменьшить ручное вмешательство. Мы также хотим внедрить его в прямую видеотрансляцию, что будет хорошим дополнением.
Обнаружение нарушений правил дорожного движения с помощью более быстрых нейронных сетей RCNN | Intel DevMesh
Обзор/использование
Это программное обеспечение было создано для демонстрационных целей и в некоторых случаях не может обнаружить соответствующие нарушения. В случае дальнейшего развития он сможет автоматически обнаруживать большинство видов нарушений ПДД, а не только те, которые связаны со сплошными перекрестками и красным светом. Далее я описываю технические детали реализации и делаю несколько иллюстраций.
Методология/подход

Для анализа видео и выявления нарушений, присутствующих на видео, был выбран следующий подход. Во-первых, путем обработки видеопотока получаются модели дороги и движения транспортных средств. Во-вторых, эти модели объединяются и анализируются для выявления нарушений правил дорожного движения.

При разработке этого проекта ставилась задача как можно быстрее получить MVP. Таким образом, в некоторых случаях какой-то подход выбирается вместо лучшего подхода, чтобы сэкономить время. Проект был реализован путем максимально повторного использования доступных алгоритмов и доступной кодовой базы с открытым исходным кодом, чтобы написать как можно меньше кода и потратить как можно меньше времени. Проект был разработан на Python3 с широким использованием SciPy [https://www.scipy.org/] и OpenCV [https://opencv.org/]. Пользовательский интерфейс основан на GTK [https://www.gtk.org/].

Анализ дороги
Для анализа структуры дороги используется ручной подход. В этом проекте анализируются прямые линии дорожной разметки. Сплошные прямые линии играют ключевую роль в структурировании дороги. К таким линиям относятся стоп-линии, краевые линии, двойные линии и другие.
Во-первых, фоновое изображение видео извлекается с применением алгоритма извлечения фона/переднего плана [https://sagi-z.github.io/BackgroundSubtractorCNT/]. Извлечение фона позволяет убрать из видео движущиеся объекты и получить четкое изображение дороги. Во-вторых, фоновое изображение анализируется для обнаружения прямых линий дороги.
Один из самых популярных способов найти прямые линии на изображении — предварительно обработать изображение с помощью алгоритма обнаружения границ, а затем применить преобразование Хафа [https://en.wikipedia.org/wiki/Hough_transform, https://docs .opencv.org/3.0-beta/modules/imgproc/doc/feature_detection.html?highlight=houghline#cv2.HoughLinesP ], чтобы идентифицировать линии. Реализации этих алгоритмов доступны в библиотеке OpenCV.

Хотя этот алгоритм довольно общий, он не дал требуемых результатов. Проблема заключалась в том, что параллельно с обнаружением прямых линий, которые видны на изображении, другие участки изображения, содержащие много ребер, также идентифицировались как линии. В случае увеличения порогов для линии часто не идентифицируются и линии дорог. Конечно, с дальнейшей предварительной обработкой изображения, например. при удалении мелких непрямых ребер можно было бы добиться лучшего результата, но выбран другой подход.
Затем, после обнаружения сегментов линии, чтобы определить, находятся ли несколько сегментов на одной линии, из обнаруженных сегментов составляется график. Узлы связаны друг с другом, когда соответствующие отрезки находятся почти на одной линии и достаточно близко. Далее идентифицируются компоненты связности графа, применяя соответствующий алгоритм [. Дж. Пирс, «Улучшенный алгоритм поиска сильно связанных компонентов ориентированного графа», Технический отчет, 2005 г.], реализация которого доступна в SciPy [https://docs.
scipy.org/doc/scipy/reference/generated /scipy.sparse.csgraph.connected_components.html]. Наконец, связанные компоненты идентифицируются как прямые линии.
Отслеживание транспортных средств
Следующим шагом является получение модели положения и движения транспортного средства. Для обнаружения транспортных средств нейросеть YOLO обрабатывает кадры видеопотока [https://pjreddie.com/darknet/yolo/].
Для идентификации транспортных средств и сглаживания колебаний предсказанных позиций в последовательности обнаружений к обнаружениям применяется алгоритм SORT. https://arxiv.org/pdf/1602.00763.pdf, [https://github.com/abewley/sort]. Этот алгоритм использует рудиментарную комбинацию методов, таких как фильтр Калмана и венгерский алгоритм для отслеживания компонентов, но в то же время этот подход обеспечивает точность, сравнимую с современными онлайн-трекерами. После этого по результатам слежения составляется траектория движения транспортного средства и сглаживается траектория.

Логика нарушения
До этого я описал, как получаются модели пути движущегося автомобиля и линий дорожной разметки. После обнаружения линий они отображаются в окне приложения, и пользователь может установить любой тип линии (Фронтальная, Параллельная) или оставить без указания типа. Передние линии предназначены для использования поперек проезжей части, а параллельные – вдоль проезжей части. Пересечение линий считается нарушением. В случае линии фронта также можно выбрать цвет светофора, чтобы определить, является ли пересечение этой линии в определенный момент нарушением или нет.

Иллюстрации
Следующие видеоролики иллюстрируют работу программного обеспечения. Видео создаются на основе прямых трансляций дорожных камер, найденных на YouTube. Поскольку обычно в течение короткого периода времени происходит всего несколько нарушений правил дорожного движения, линии обычно устанавливаются красными (красный свет), чтобы создать искусственные нарушения.