2025-02-28 ParkExpert Novērtējums Tracking Sistēmai

Sistēmas uzdevumi:

1. Atpazīt numura zīmi un iebraukšanas virzienu kamerās, kuras atradas stāvvietu galos

2. Atpazīt un saglabāt datu bāzē mašīnas unikālās iezīmes no vizuālās daļas

3. Veikt mašīnas tipa klasifikāciju (busiņš, sedans, utt)

4. Veikt mašīnas markas klasifikāciju

5. Veikt mašīnas krāsas klasifikāciju

6. Spēt mašīnas unikālās iezīmes atpazīt stavvietu kamerās, kurās nevar redzēt pašas numura zīmes, lai uzlabotu precizitāti izmantot klasifikācijas modeļus

7. Noteikt ar laika intervālu cik ilgi un kurā vietā dotā mašīna stāv

Komerciāli risinājumi apgalvo, ka precizitāte ir 75%-95%. Konkrētajā risnājumā, kurš nepieciešams ParkExpert, precizitātei jābūt augstākai, jo ir zināms iebraukšanas brīdis. http://spectrico.com/car-make-model-recognition.html

Ievades dati:

1. Video kameru RTSP no iebrauktuves, izbrauktuves, N zonām, kurās atpazīt stāvvēšanu, bet kur nevar redzēt numura zīmi

Izvades dati:

1. Iebraukšanas, izbraukšanas notikumi zonas abos galos

2. Stāvēšanas notikums ar 1 min intervālu STANDING no kamerām, kurās potenciāli pēc iebraukšanas var stāvēt dotais auto

Nepieciešamie darbi:

1. [3 nedēļas] Izveidot jaunus modeļus un apmācīt 4 dažādus modeļus uz open-source datu kopām:

   1. Atpazīt pēc vizuālām iezīmēm

   2. Atpazīt krāsas

   3. Atpazīt tipus

   4. Atpazīt markas (vēlak modeļus)

2. [1 nedēļa] Ievākt datus no esošajām kameru sistēmām nepieciešamajā formātā

3. [2 nedēļas] Veikt datu marķēšanu, identifikācijai, mašīnas tipam, markai, krāsai - vismaz 10k paraugus.

4. [2 nedēļas] Apmācīt modeļus ar gala datiem un panākt pieņemamu preciitāti

5. [1 nedēļa] Izmaiņas datu struktūrās un esošājā sistēmā. Atsevišķa kameru apstrāde ar krāsainiem attēliem Atsevišķa apstrāde, kur katrai numura zīmei un auto līdzi tiek glabātas automašīnas iezīmes (vizuālās), marka, krāsa, tips.

6. [1 nedēļa] Pirmkods ar loģiku, kura savelk kopā notikumus

7. [2 nedēļas] Uzstādīt modeļus, lai tie spētu strādāt reālā laikā konkrētajām kamerām, būs nepieciešams server upgrade vai atsevišķs serveris. Mērķa servera izmaksas uz 100 kamerām, pievienojot šādu papildus sistēmu līdz 750 EUR/mēn.

8. [2 nedēļas] Optimizācijas, lai sistēma spētu darboties viena servera ietvaros ar 100 kamerām.

Līdz testēšanai no izstrādes brīža 2 mēneši. Nodošana ekspluatācijā 3-4 mēneši.

Izmaksās vidēji mēnesī 10k EUR, kopā 30-40k EUR. Var arī lēnāk veikt izstrādi ar mazākām izmaksām mēnesī.

Zinātniskie darbi un Open-Source risinājumi:

1. 55k datu kopa ar automašīnām no dažādiem leņķiem https://github.com/sekilab/VehicleReIdentificationDataset

2. Datu kopa - Veri-Wild 50k no 776 auto https://vehiclereid.github.io/VeRi/, https://github.com/VehicleReId/VeRidataset

3. Datu kopa - VehicleID, https://pkuml.org/resources/pku-vehicleid.html

4. CityFlow - https://www.aicitychallenge.org/

5. Synthehicle - https://github.com/fubel/synthehicle

6. BoxCars - https://medusa.fit.vutbr.cz/traffic/research-topics/fine-grained-vehicle-recognition/boxcars-improving-vehicle-fine-grained-recognition-using-3d-bounding-boxes-in-traffic-surveillance/

7. Implementācija, kura spēj atpazīt automašīnu iezīmes 88% gadījumu https://github.com/videturfortuna/vehicle_reid_itsc2023

8. https://github.com/fubel/stmc

9. https://github.com/csyizhou/Vehicle-Re-ID

10. https://github.com/Jakel21/vehicle-ReID-baseline

11. https://github.com/AlexXiao95/Multi-Camera-Vehicle-Tracking-and-Reidentification

Kombinēt nVidia modelis ar visām nepieciešamajām daļām: https://github.com/NVlabs/PAMTRI

Potenciāli laba platforma uz kuras apmācīt jaunos reidentifikācijas modeļus https://github.com/JDAI-CV/fast-reid

Kameras paraugs iebrauktuvei

Kameras paraugs stavvietai