ट्रेन के बारे में हमने कैसे खोज की

हर समय जब हम वीडियो एनालिटिक मॉड्यूल विकसित कर रहे थे, हमें ट्रेनों द्वारा आराम नहीं दिया गया था। हमारे विकास को ट्रेन स्टेशनों, रेलवे जंक्शनों और मेट्रो सहित कई प्रकार की सुविधाओं में लंबे समय तक सफलतापूर्वक उपयोग किया गया है। और हम अपने एल्गोरिदम में बहुत उच्च सटीकता प्राप्त करने में सक्षम थे, उदाहरण के लिए, एक रेल स्थान पर किसी वस्तु (व्यक्ति, वस्तु) के गिरने का पता लगाने या एक क्रॉसिंग पर एक कार के "अटक", या एक मेट्रो प्लेटफॉर्म पर लड़ाई का पता लगाने के द्वारा। लेकिन कार्य इस तथ्य से जटिल है कि, एक नियम के रूप में, यह उस ट्रेन का पता लगाने के लिए नहीं है जो आवश्यक है, लेकिन फ्रेम में इसकी पूरी उपेक्षा। सहमत हूँ, एक वस्तु को अनदेखा करना मुश्किल है जो आधी स्क्रीन पर रहती है। इसलिए हमारे सामान्य गति डिटेक्टर ने एक खराब काम किया: जब एक चलती ट्रेन दिखाई दी, तो हमें कई कलाकृतियों के कारण झूठी सकारात्मकता मिली, जो इसके साथ दिखाई दीं। अधिक विशेष रूप से, झूठी वस्तुओं को ट्रेन में और उसके आसपास दोनों में पाया जाता है, जो उत्पन्न होने वाली छाया, प्रकाश और अन्य विकृतियों के कारण होता है जो ट्रेन के साथ "चलती" हैं ...

यह निकला और बहुत नहीं

स्वाभाविक रूप से, हम झूठी सकारात्मकता से लड़े जब ट्रेन की गति के दौरान वस्तुओं को एक से अधिक बार ट्रैक किया गया। इसलिए बोलना, दमन करना जितना वे कर सकते थे। सबसे स्पष्ट और सरल समाधान सामान्य गति डिटेक्टर को बंद करना था, जबकि ट्रेन यात्रा कर रही थी। इसके लिए, एक तरफ, फ्रेम में इसकी उपस्थिति के क्षण को ठीक से निर्धारित करना आवश्यक था - ताकि इसके द्वारा उकसाए गए झूठी सकारात्मक से बचने के लिए। दूसरी ओर, समय में यह निर्धारित करना महत्वपूर्ण था कि यह फ्रेम को कब छोड़ेगा या इसमें रुकेगा - यह जानने के लिए कि सामान्य गति डिटेक्टर को फिर से चालू करना कब संभव है। हमने ट्रेन का पता लगाने के लिए एल्गोरिथम और हार्डवेयर दोनों तरीकों का इस्तेमाल किया।



दुर्भाग्य से, सामान्य वस्तुओं के लिए एक ही मोशन डिटेक्टर के उपयोग पर आधारित एल्गोरिथम दृष्टिकोण, जैसा कि यह निकला, में कई बुनियादी कमियां हैं। हां, हमने सीखा है कि किसी निश्चित सीमा से अधिक भौतिक या स्क्रीन आकार के साथ किसी वस्तु का सही-सही निर्धारण कैसे किया जा सकता है, और उस क्षण को ठीक करने के लिए भी जब यह वस्तु दृश्य को छोड़ देती है या रुक जाती है। लेकिन ट्रेन जीत गई: अनुकूली पृष्ठभूमि पर इसका इतना मजबूत और स्थायी प्रभाव था कि यह इसे "खराब" करने में कामयाब रहा। इसने एकल वस्तु के रूप में अपने स्वयं के विभाजन के लिए इसे मुश्किल बना दिया। ट्रेन यात्रा के दौरान पृष्ठभूमि अनुकूलन की दर को कम करने या कम करने के प्रयास ने इस संभावना को काफी बढ़ा दिया कि एल्गोरिथ्म इस मोड में फंस जाएगा (उदाहरण के लिए, रोशनी में तेज बदलाव के साथ) और हमारा सामान्य मोशन डिटेक्टर कार्यक्षमता खो देगा। खैर, जिस तरह से, हमें पता चला कि भीड़, मेट्रो प्लेटफॉर्म पर कसकर व्यवस्थित, इसके बड़े आकार के कारण ट्रेन के रूप में भी माना जाता है।



"चलो हार्डवेयर विधि का प्रयास करें!" - हमने फैसला किया। और वे सफल हुए, क्योंकि रेल के संपर्क में रेल द्वारा बंद होने से हमें 100% सटीकता प्राप्त हुई। लेकिन हर जगह इस पद्धति का अवतार एक समस्या बन गया, और हमने फिर से एक एल्गोरिथम समाधान के बारे में सोचा।

संक्षेप में, अंतिम लक्ष्य को प्राप्त करने के लिए, हमें दो उपप्रकारों को हल करना था: पहला, मज़बूती से ट्रेन का पता लगाना, और फिर एक निश्चित तरीके से ट्रेन और संबंधित कलाकृतियों दोनों को "दबाना"।

यूरेका!

ट्रेन को नजरअंदाज करना असंभव है, ट्रेन को ध्यान में रखना मुश्किल है। आयाम के अलावा, फ्रेम में अन्य वस्तुओं से क्या अंतर है? ठीक है, रेल पर आंदोलन!



इस सरल खोज के बाद, समाधान स्वयं ही आ गया: हम उस क्षेत्र (या क्षेत्र) को निर्दिष्ट करते हैं जिसमें ट्रेन गुजर सकती है। यह देखते हुए कि रेल पटरियों पर सख्ती से चलती है, यह ऑपरेटर के लिए ट्रेन के संभावित प्रवेश-निकास के दोनों किनारों पर आयतों को सेट करने के लिए पर्याप्त है, लगभग संयोग (अधिक या बराबर) दृश्य के दाहिने हिस्सों में ट्रेन के आयामों के साथ।



इन आयतों पर तथाकथित दमन क्षेत्र बनाया गया है। बेशक, इसे बढ़ाया जा सकता है, यदि आवश्यक हो, तो चलती ट्रेन के आसपास के क्षेत्र को कैप्चर करना। यहां ऑपरेटर के स्क्रीन पर सेटअप कैसा दिखता है:











फिर, निर्दिष्ट क्षेत्र को कई उप-डोमेन में अनुकूली एल्गोरिथ्म का उपयोग करके विभाजित किया गया है, जिनमें से प्रत्येक के लिए - फ्रेम के बीच विस्थापन सहसंबंध विधि द्वारा निर्धारित किया जाता है। और चूंकि ट्रेन बहुत अलग गति से आगे बढ़ सकती है (और पूर्ण गति से उड़ती है, और ट्रैक को खींचें), पहचान की सटीकता बढ़ाने के लिए, हम अलग-अलग समय अंतराल के साथ फ्रेम के लिए ऑफसेट का निर्धारण करते हैं, न कि केवल वर्तमान और पिछले फ्रेम के बीच। तस्वीर में, ऑफसेट को लाल धारियों के साथ चिह्नित किया गया है।











लेकिन यह सब नहीं है। गणना में, हमने न केवल ट्रेन के अनुमानित आकार और उसके स्थान को शामिल किया, बल्कि आंदोलन की दिशा भी। यह स्थिति मामलों में झूठी सकारात्मकता को समाप्त करती है जब एक बड़ी वस्तु फ्रेम में चलती है (उदाहरण के लिए, जब कोई वाहन रेलवे क्रॉसिंग से गुजरता है) और इसका प्रक्षेप पथ ट्रेन की गति की दिशा से मेल नहीं खाता है।



अंतरिक्ष में विस्थापन के परिणामस्वरूप सेट का विश्लेषण अलग-अलग उप-क्षेत्रों के लिए समय में किया जाता है और रेल के साथ या प्लेटफ़ॉर्म के साथ यादृच्छिक विकृतियों या छोटी वस्तुओं (लोगों / कार्य दल) की गति के कारण उत्पन्न होने वाली झूठी सकारात्मकता को कम करने के लिए किया जा सकता है: विश्लेषण के आधार पर, एक निर्णय उपस्थिति / अनुपस्थिति पर किया जाता है। किसी दिए गए क्षेत्र में एक चलती ट्रेन।











तदनुसार, यदि कोई ट्रेन किसी क्षेत्र में प्रवेश करती है (या शुरू में चलती है तो शुरू में चलती है), तो घटना "ट्रेन में प्रवेश" होती है और क्षेत्र की स्थिति "ट्रेन के अंदर" (चलती ट्रेन) का अर्थ है। जब ट्रेन क्षेत्र को छोड़ देती है या उसमें रुक जाती है, तो घटना "ट्रेन लेफ्ट" होती है, और इस क्षेत्र की स्थिति "नो ट्रेन" पर आ जाती है। यह स्पष्ट है कि ट्रेन और उसके आसपास का दमन (उपयुक्त पैरामीटर सेट करके) केवल उन क्षेत्रों के लिए मास्क लगाकर किया जाता है जिनमें वर्तमान स्थिति को "ट्रेन के अंदर" के रूप में सूचीबद्ध किया गया है।



हुर्रे, हम जीत गए! यहाँ, वास्तव में, डिटेक्टर कैसे काम करता है:







आपके ध्यान के लिए धन्यवाद, हम आपके सवालों का जवाब देने में प्रसन्न होंगे!