Artificial Intelligence Elements for the Task of Determining the Position of the Vehicle in the Image

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The article is devoted to solving the problem of determining the boundaries of the vehicle on the image. This task is an intermediate step to solve other, more local tasks related to the identification of vehicles in the image or video stream. The article in detail considers existing methods and approaches to solving problems of computer vision, including modern architectures of neural networks. Tiny-YOLO-InceptionResNet was chosen as the primary neural network and was modified during the research process. The architecture of the resulting neural network is given in this paper. The training of the neural network was preceded by the preparation of a data set that allowed for a more rational use of computing resources during training. As a result of the research the model of finding the boundaries of the vehicle on the image was developed. The accuracy of this model is 88%.

About the authors

Tatyana S. Katermina

Nizhnevartovsk State University

Email: nggu-lib@mail.ru
Cand. Sci. (Eng.); associate professor at the Department of Informatics and Methods of Teaching Informatics Nizhnevartovsk, Khanty-Mansi Autonomous Okrug - Yugra, Russian Federation

Evgenij V. Lazorenko

Nizhnevartovsk State University

Email: rolaraltis@hotmail.com
student Nizhnevartovsk, Khanty-Mansi Autonomous Okrug - Yugra, Russian Federation

References

  1. Atibi M., Atouf I., Boussaa M., Bennis A. Real-time detection of vehicles using the haar-like features and artificial neuron networks // Procedia Computer Science. 2015. Vol. 73. Pp. 24-31. ISSN 1877-0509. URL: https://doi.org/10.1016/j.procs.2015.12.044.
  2. Dongpo Xu, Shengdong Zhang, Huisheng Zhang, Danilo P. Mandic. Convergence of the RMSProp deep learning method with penalty for nonconvex optimization // Neural Networks. 2021. Vol. 139. Pp. 17-23. ISSN 0893-6080. URL: https://doi.org/10.1016/j.neunet.2021.02.011.
  3. Fan Q., Brown L., Smith J. A closer look at Faster R-CNN for vehicle detection // IEEE Intelligent Vehicles Symposium. 2016. Vol. IV. Pp. 124-129. doi: 10.1109/IVS.2016.7535375.
  4. Hoanh Nguyen. Improving faster R-CNN framework for fast vehicle detection // Mathematical Problems in Engineering. 2019. Article ID: 3808064. 11 p. URL: https://doi.org/10.1155/2019/3808064
  5. Khokhlov et al. Tiny-YOLO object detection supplemented with geometrical data // IEEE 91st Vehicular Technology Conference (VTC2020-Spring). 2020. Pp. 1-5. doi: 10.1109/VTC2020-Spring48590.2020.9128749.
  6. Laroca R. et al. A Robust real-time automatic license plate recognition based on the YOLO detector // International Joint Conference on Neural Networks (IJCNN). 2018. Pp. 1-10. doi: 10.1109/IJCNN.2018.8489629.
  7. Maity M., Banerjee S., Sinha Chaudhuri S. Faster R-CNN and YOLO based Vehicle detection: A survey // 5th Inter-national Conference on Computing Methodologies and Communication (ICCMC). 2021. Pp. 1442-1447. doi: 10.1109/ICCMC51019.2021.9418274.
  8. Manana M., Tu C., Owolawi P.A. Preprocessed faster RCNN for vehicle detection // International Conference on Intelligent and Innovative Computing Applications (ICONIC). 2018. Pp. 1-4. doi: 10.1109/ICONIC.2018.8601243.
  9. Miao Y., Liu F., Hou T. et al. A nighttime vehicle detection method based on YOLO v3 // Chinese Automation Congress (CAC). 2020. Pp. 6617-6621. doi: 10.1109/CAC51589.2020.9326819.
  10. Rybski P.E., Huber D., Morris D.D., Hoffman R. Visual classification of coarse vehicle orientation using Histogram of Oriented Gradients features // IEEE Intelligent Vehicles Symposium. 2010. Pp. 921-928. doi: 10.1109/IVS.2010. 5547996.
  11. Shi K., Bao H., Ma N. Forward vehicle detection based on incremental learning and fast R-CNN // 13th International Conference on Computational Intelligence and Security (CIS). 2017. Pp. 73-76. doi: 10.1109/CIS.2017.00024.
  12. Shin H.-C. et al., Deep convolutional neural networks for computer-aided detection: CNN architectures, dataset characteristics and transfer learning // IEEE Transactions on Medical Imaging. 2016. Vol. 35. No. 5. Pp. 1285-1298. doi: 10.1109/TMI.2016.2528162.
  13. Xu Y., Yu G., Wu X. et al. An enhanced Viola-Jones vehicle detection method from unmanned aerial vehicles ima-gery // IEEE Transactions on Intelligent Transportation Systems. 2017. Vol. 18. No. 7. Pp. 1845-1856. doi: 10.1109/TITS.2016.2617202.
  14. Zehang Sun, Bebis G., Miller R. On-road vehicle detection using Gabor filters and support vector machines // 14th International Conference on Digital Signal Processing Proceedings. DSP 2002 (Cat. No. 02TH8628). 2002. Vol. 2. Pp. 1019-1022. doi: 10.1109/ICDSP.2002.1028263.
  15. Zoev V., Beresnev A.P., Markov N.G. Convolutional neural networks of the YOLO class in computer vision systems for mobile robotic complexes // International Siberian Conference on Control and Communications (SIBCON). 2019. Pp. 1-5. doi: 10.1109/SIBCON.2019.8729605.
  16. Katermina T.S., Sibagatulin A.F. Application of artificial intelligence methods to the task of diagnosing respiratory diseases. Computational Nanotechnology. 2022. Vol. 9. No. 2. Pp. 92-103. doi: 10.33693/2313-223X-2022-9-2-92-103. (In Rus.)]
  17. Razinkin V.B., Katermina T.S. Face recognition by photography. International Journal of Advanced Studies. 2018. Vol. 8. No. 1-2. Pp. 171-180. (In Rus.)]

Supplementary files

Supplementary Files
Action
1. JATS XML


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».