از دید نرم افزاری، تکنولوژی تشخیص پلاک خودرو (LPR﴾ مطرح ترین و رایج ترین آنالیتیک ویدئویی استفاده شده برای مدیریت ترافیک به حساب می آید. از این تکنولوژی برای کنترل دسترسی، صورت حساب گیری، تعیین زمان مسافرت و کاربردهای امنیتی استفاده میشود. با این حال، با کمک استفاده ی گسترده تر از تکنولوژی هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، سیستم های مدیریت ترافیک در حال بکارگیری عملکردهای آنالیتیکی پیشرفته تر هستند.
معمولا عملکردهای آنالیز ویدئویی عمدتا از جنس تشخیص همزمان وضعیت غیرعادی ترافیک (همچون، توقف وسایل نقلیه، ایجاد صف خودروها، وجود راننده ای در جهت مخالف جاده و غیره) و مجموعه ای از داده های آماری مربوط به ترافیک (همچون، شمارش تعداد خودروها، طبقه بندی وسایل نقلیه، سرعت متوسط آنها، فواصل میان خودروها و غیره) هستند. در ساز و کار شهری، مدیریت چراغ راهنمایی و رانندگی و پر شدن محوطه ی پارکینگ نیز به عنوان عملکردهای مضاعف آنالیتیک های تصویری ارائه میشوند.
آنالیتیک های ویدئویی پیشرفته را میتوان با اضافه کردن چند چیز کوچک به اکوسیستم سخت افزاری موجود، روی سیستم های بازمانده ی موجود فعال کرد. برای انجام این کار لازم است که سرورهای قادر به یادگیری ماشین در مرکز داده نصب شوند که این کار موتوری که طبق سیاست های تعریف شده کار میکند را در خود جای خواهد داد؛ موتوری که ویدئوهای ورودی ضبط شده را پردازش میکند و قوانین تعیین شده طبق موارد استفاده ی تعریف شده با توجه به نیازهای مشتریان را به کار میبندد.
هرچند که آنالیتیک های ویدئویی که طبق دید کامپیوتری استاندارد هستند، وقتی که تنها از دوربین های موجود که هدف اصلی آنها نظارت تصویری است استفاده میکنند، نمیتوانند پتانسیل کامل خودشان را نشان بدهند. تلفیق تکنولوژی های یادگیری عمیق در یک سیستم آنالیز ویدئویی حرفه ای این امر را ممکن میسازد که با بکارگیری دوربین هایی که با هدف آنالیز ترافیک نصب نشده اند، یک سیستم آنالیز ویدئویی را تطبیق پذیر و سازگار ساخت.
پردازش ویدئویی پیشرفته یا پردازش مرکزی اِج-محور نیز تاثیر مثبتی روی سیستم های مدیریت ترافیکی داشته است. برای کم کردن جریان های ویدئویی در شبکه های اشباع شده یا با پهنای باند کم، روند کلی به سمت گنجاندن این پردازنده ها در داخل خود دوربین ها یا سیستم های موجود در محل حرکت کرده است.
مخصوصا در مناطق شهری، وجود ساختمان های عموما پراکنده و با پوشش دهی شبکه ی ناکافی، افراد را بدان سو سوق داده است تا به جای تهیه ی لوازم جدید، به فکر راهکارهای تحلیلی بکار گرفته شده در داخل خود سیستم ها باشند.
در حال حاضر داده ها و اقدامات صورت گرفته در حال حرکت از سوی سیستم های میدانی به سمت سیستم-های سطح بالای موجود در مراکز مدیریت ترافیک هستند. در چنین زمانی، مدل های یادگیری ماشین که در کامپیوترهای توسعه یافته آموزش دیده و ایجاد شده اند و دارای ویژگی های جی.پی.یو مناسب هستند را میتوان به پردازنده های آسانتر موجود در محل منتقل کرد.
با این حال، با پیچیده تر شدن آنالیزهای ویدئویی، تکنولوژی های یادگیری ماشین و یادگیری عمیق کار کدگشایی داده ها را امکان پذیر میسازند. به عنوان مثال، از تکنولوژی یادگیری ماشین برای بهینه سازی الگوریتم ها و پوشش دهی نقاط ضعف تکنیک های قدیمی استفاده میشود. استفاده از یادگیری ماشین همیشه مورد ترجیح است... چرا که این تکنولوژی سیستم مربوطه را قادر میسازد تا به صورت مداوم الگوها را شناسایی کند، یاد بگیرد و خودش را برای بهبود بخشیدن عملکرد، بروزرسانی کند.
این موضوع در فضاهای باز و با شرایط سختی که در آن سیستم های مدیریت ترافیک به کار گرفته میشوند، بسیار حائزاهمیت است. تکنولوژی یادگیری ماشین به تشخیص پلاک هایی که برخی قسمت های آنها مخفی یا کثیف شده کمک میکند، قسمت های خط و خش دار تصویر و اطلاعات حذف شده ی ترافیکی ایجاد شده به خاطر سایه های در طول روز را کنار میگذارد، و اطلاعات تهیه شده در شب را قابل اعتمادتر میسازد. این چرخه ی پیوسته از یادگیری و بروزرسانی در خود محل، میزان دقت پیش بینی سیستم را بالا میبرد و از این رو نتیجه ی بهتری را ایجاد میکند.
از تکنولوژی یادگیری عمیق میتوان برای داشتن قابلیت های پیشرفته تر استفاده کرد؛ با کمک آموزش دهی با راهنمایی انسان ها میتوان مدل های تشخیصی ایجاد کرد که بعدها بتوان به صورت کلی مورد استفاده قرار داد.
پس از آن، دوربین های هوشمند میتوانند این قابلیت را با سنسورهای قدیمی خود ترکیب کنند و اطلاعات خود را با مشخصه هایی چون مناطق داخلی/خارجی، ارزیابی ریسک های مربوط به خرابی سیستم و تجزیه و-تحلیل ها و هشدارهای رفتاری کامل کنند. این کار میتواند با کمک داده های غیرمرسوم، سیستم های مدیریت موبایلی را تقویت کند و فرصتی را برای قدرتمند کردن چنین سیستم هایی فراهم سازد؛ با کمک انتخاب نوع فرآیند تصمیم گیری و سایر مواردی که برای برنامه ریزی های مربوط به صورت دادن عکس العمل بکار گرفته میشوند، این سیستم ها قدرتمند میشوند.
هنوز هم یکی از مهمترین چیزهایی که باید به یاد آورد این است که سیستم های آنالیز ویدئویی ترافیک را نباید به عنوان یک سیستم منفرد و به صورت تکی تلقی کرد و باید آن را به عنوان بخشی از یک ساختار مدیریت ترافیکی پیچیده تر دید. چیزی که باید ارائه شود و مورد تضمین قرار بگیرد، یک اینترفیس ساده نیست و شامل یک یکپارچه سازی عمیق با سایر اجزا میشود (به عنوان مثال، حافظه، دستگاه های تحت شبکه، VMS، SCADA، پلتفرم های ITS و غیره.﴾
برگرفته از مجله a&s