Vestnik of the Far East Branch of the Russian Academy of SciencesVestnik of the Far East Branch of the Russian Academy of SciencesВестник Дальневосточного отделения Российской академии наук0869-7698The Russian Academy of Sciences67603310.31857/S0869769824020033ldnkmoEarth and Environment SciencesНауки о Земле и окружающей средеResearch ArticleDevelopment of a method for detecting traffic flow objects from satellite photographs with high image qualityРазработка метода детектирования объектов транспортных потоков по спутниковым фотоснимкам сверхвысокого разрешенияhttps://orcid.org/0000-0003-0345-4350PugachevIgor N.ПугачевИгорь Николаевич
Russian Federation

Doctor of Technical Sciences, Associate Professor

доктор технических наук, доцент

ipugachev64@mail.ruhttps://orcid.org/0000-0002-5628-858XTormozovVladimir S.ТормозовВладимир Сергеевич
Russian Federation

Candidate of Technical Sciences, Associate Professor

кандидат технических наук, доцент

007465@pnu.edu.ruKhabarovsk Federal Research Center, FEB RASХабаровский федеральный исследовательский центр ДВО РАНPacific State UniversityТихоокеанский государственный университет150420242334128022025Copyright ©; 2024, Russian Academy of SciencesCopyright ©; 2024, Российская академия наук2024Russian Academy of SciencesРоссийская академия наукhttps://journals.eco-vector.com/0869-7698/article/view/676033

A set of algorithms used to recognize objects in high-quality satellite photographs is described. This method has a unique ability to detect objects whose dimensions in images do not exceed several tens of pixels. In a photograph, each distinctive area of the image is examined to determine the presence of an object of a certain class, and the probability of this presence in the area in question is calculated. Based on the results of image analysis, a conclusion is drawn about the presence and probable location of the object. A detailed explanation is also given of how the algorithms used in the detection process are learned and parameterized. Taking into account the research results, a wide range of processes can be automated, for example, simplifying the collection and analysis of data in numerous analytical systems. The method has enormous potential and can be effectively used in various fields related to image processing and data analysis, in particular, used for effective traffic management, ensuring uniform loading of the transport network at the limit of its capacity, avoiding overloading of vulnerable areas, as well as forecasting the development of the transport situation. It helps speed up the algorithm for detecting vehicles on satellite images, allows you to assess the state of road traffic and the effectiveness of its organization, identify and predict the development of processes affecting the state of road traffic, as well as monitor the field of safety and traffic management.

Описывается набор алгоритмов, использующихся для распознавания объектов на спутниковых фотографиях высокого качества. Этот метод обладает уникальной возможностью обнаруживать объекты, размеры которых на изображениях не превышают нескольких десятков пикселей. На фотографии исследуется каждый отличительный участок изображения, чтобы определить присутствие объекта определенного класса, и рассчитывается вероятность этого присутствия на рассматриваемом участке. По результатам анализа изображения делается вывод о наличии и вероятном местонахождении объекта. Дается также подробное объяснение того, как изучаются и параметризуются алгоритмы, используемые в процессе обнаружения. С учетом результатов исследования можно автоматизировать широкий спектр процессов, например, упростить сбор и анализ данных в многочисленных аналитических системах. Метод обладает огромным потенциалом и может быть продуктивно использован в различных областях, связанных с обработкой изображений и анализом данных, в частности, применен для эффективного управления дорожным движением, обеспечения равномерной загрузки транспортной сети на пределе ее пропускной способности, не допуская перегрузки уязвимых зон, а также прогнозирования развития транспортной обстановки. Он способствует ускорению алгоритма детектирования транспортных средств на спутниковых снимках, позволяет оценивать состояние дорожного движения и эффективность его организации, выявлять и прогнозировать развитие процессов, влияющих на состояние дорожного движения, а также контролировать сферу безопасности и организации дорожного движения.

neural networktraffic flow control systemdetectionpattern recognitionselective searchtraining setsatellite imagescomputer visionнейронная сетьсистема управления транспортным потокомдетектированиераспознавание образовселективный поискобучающая выборкаспутниковые снимкикомпьютерное зрениеThe work was supported by the Ministry of Science and Education of the Russian Federation, supplementary agreement dated April 21, 2020 N075-02-2020-1529/1Работа выполнена при поддержке Минобрнауки РФ, дополнительное соглашение от 21.04.2020 № 075-02-2020-1529/1Pugachev I. N., Markelov G. Ya., Tormozov V. S. Technique for counting vehicles using space images of ultra-high spatial resolution. Bulletin of Pacific National University. 2017;45(2):13–20. (In Russ.).Пугачев И. Н., Маркелов Г. Я., Тормозов В. С. Методика подсчета транспортных средств с использованием космических снимков сверхвысокого пространственного разрешения // Вестн. ТОГУ. 2017. № 2 (45). С. 13–20.Pugachev I. N., Markelov G. Ya., Tormozov V. S. Acceleration of the vehicle detection algorithm on satellite images using the hypothesis filtering procedure. Bulletin of the Russian New University. Series: Complex Systems: Models, Analysis, Control. 2019;(1):130–139. (In Russ.).Пугачев И. Н., Маркелов Г. Я., Тормозов В. С. Ускорение алгоритма детектирования транспортных средств на спутниковых снимках с помощью процедуры фильтрации гипотез // Вестн. Рос. нов. ун-та. Серия: Сложные системы: модели, анализ, управление. 2019. № . 1. С. 130–139.Chen Ch., Minald A. A., Bogush R. P., Ma G., Weichen Y., Ablameiko S. V. Detection and classification of vehicles in ultra-high resolution images using neural networks. Journal of Applied Spectroscopy. 2022;89(2):275–282. (In Russ.).Chen Ch., Минальд А. А., Богуш Р. П., Ma G., Weichen Y., Абламейко С. В. Обнаружение и классификация транспортных средств на снимках сверхвысокого разрешения с помощью нейронных сетей // Журн. прикл. спектроскопии. 2022. Т. 89. № 2. С. 275–282.Pugachev I. N., Markelov G. Ya., Tormozov V. S. Training and use of a convolutional neural network for the detection and classification of vehicles on ultra-high resolution satellite images. Industrial ACS and Controllers. 2019;(10):20–25. (In Russ.).Пугачев И. Н., Маркелов Г. Я., Тормозов В. С. Обучение и использование сверточной нейронной сети для детектирования и классификации транспортных средств на спутниковых снимках сверхвысокого разрешения // Пром. АСУ и контроллеры. 2019. № 10. С. 20–25.Golovnin O. K. System analysis and modeling of objects, processes and phenomena of transport infrastructure in technical control systems. Proceedings of the Samara Scientific Center of the Russian Academy of Sciences. 2018;20(6–2):301–310. (In Russ.).Головнин О. К. Системный анализ и моделирование объектов, процессов и явлений транспортной инфраструктуры в технических системах управления // Изв. Самар. науч. центра РАН. 2018. Т. 20, № 6–2 (86). С. 301–310.Bobyr M. V., Arkhipov A. E., Yakushev A. S., Bhattacharya S. Building a depth map using the upgraded Canny filter. Part 2. Industrial ACS and Controllers. 2021;(5):3–15. (In Russ.).Бобырь М. В., Архипов А. Е., Якушев А. С., Бхаттачарья С. Построение карты глубины с использованием модернизированного фильтра Канни. Ч. 2 // Пром. АСУ и контроллеры. 2021. № 5. С. 3–15.Pashaev M. Ya. Management of transport logistics systems based on GLONASS. Bulletin of the Astrakhan State Technical University. Series: Management, Computer Technology and Informatics. 2017;(3):143–148. (In Russ.).Пашаев М. Я. Управление системами транспортной логистики на основе ГЛОНАСС // Вестн. Астрахан. гос. техн. ун-та. Серия: Управление, вычислительная техника и информатика. 2017. № 3. С. 143–148.Filippova N. A., Mushta B. M., Sidorenko A. V. Analysis of the development of the navigation system of dispatch control of freight transport. Synergy of Sciences. 2019;(36):734–751. (In Russ.).Филиппова Н. А., Мушта Б. М., Сидоренко А. В. Анализ развития навигационной системы диспетчерского управления грузовым транспортом // Синергия наук. 2019. № 36. С. 734–751.Isaeva E. I., Sorokin E. A. Evaluation of the effectiveness of the implementation of navigation satellite technologies for transportation in international traffic. In: Topical Issues of the Organization of Road transport, Traffic Safety and Operation of Vehicles: Collection of scientific papers based on the materials of the XIV International Scientific and Technical Conference. Saratov; 2019. P. 97–104. (In Russ.).Исаева Е. И., Сорокин Е. А. Оценка эффективности от внедрения навигационных спутниковых технологий при перевозках в международном сообщении // Актуальные вопросы организации автомобильных перевозок, безопасности движения и эксплуатации транспортных средств: сб. науч. тр. по материалам XIV Междунар. науч.-техн. конф. Саратов, 2019. С. 97–104.Petrova E. A. Reducing the costs of a transport enterprise with the help of digital technologies. In: Problems of improving the organization of production and management of industrial enterprises: Interuniversity collection of scientific papers. Samara; 2021. N1. P. 228–231. (In Russ.).Петрова Е. А. Снижение издержек транспортного предприятия с помощью цифровых технологий // Проблемы совершенствования организации производства и управления промышленными предприятиями: межвуз. сб. науч. тр. Самара, 2021. № 1. С. 228–231.Mikheeva T. I., Golovnin O. K., Fedoseev A. A. Intelligent geoinformation platform for the study of transport processes. In: Information technologies and nanotechnologies (ITNT-2017). Proceedings of the III International Conference and Youth School. Samara; 2017. P. 753–761. (In Russ.).Михеева Т. И., Головнин О. К., Федосеев А. А. Интеллектуальная геоинформационная платформа исследования транспортных процессов // Информационные технологии и нанотехнологии (ИТНТ-2017): сб. тр. III Междунар. конф. и молодежной школы / Самар. нац. исслед. ун-т им. акад. С. П. Королева. Самара, 2017. С. 753–761.