автореферат диссертации по транспорту, 05.22.08, диссертация на тему:Технология и методы интеллектуального мониторинга автотранспортных потоков и состояния автомобильных дорог

На рукописи

ии^457272 Кузьмин Дмитрий Михайлович

ТЕХНОЛОГИЯ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОГО МОНИТОРИНГА АВТОТРАНСПОРТНЫХ ПОТОКОВ И СОСТОЯНИЯ АВТОМОБИЛЬНЫХ ДОРОГ

05.22.08 - Управление процессами перевозок,

05.23.11 - Проектирование и строительство дорог, метрополитенов, аэродромов, мостов и транспортных тоннелей

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

12 де:; ш

Москва - 2008

003457272

Работа выполнена на кафедре Высшей математики Московского автомобильно-дорожного института (государственного технического университета)

Научный руководитель:

Официальные оппоненты:

доктор физико-математических наук, профессор Буслаев Александр Павлович доктор технических наук, профессор

Трофименко Юрий Васильевич

Научный консультант: Ведущая организация:

доктор физико-математических наук, доцент

Гусейн-заде Намик Гусейнага доктор технических наук, доцент Яшина Марина Викторовна Вычислительный центр им. A.A. Дородницына РАН

Защита диссертации состоится 26 декабря 2008 г. в 10.00 часов на заседании диссертационного совета ДМ 212.126.06 ВАК РФ при Московском автомобильно-дорожном институте (государственном техническом университете) по адресу: 125319, г. Москва, Ленинградский проспект, 64, аудитория 42.

С диссертацией можно ознакомиться в библиотеке МАДИ (ГТУ).

Отзывы на автореферат в двух экземплярах с подписью, заверенной печатью организации, просим направлять в адрес диссертационного совета.

Автореферат разослан «_» _2008 г.

Телефоны для справок (499) 155-93-24

<3>/ _

Ученый секретарь ""

диссертационного совета,

кандидат технических наук, доцент Ефименко Д.Б.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Увеличение числа автомобилей в городах (со 180 в 1997 г. [авт./ЮОО чел.] до350 в 2007 г. [авт./ЮОО чел.]) приводит к росту числа дорожно-транспортных происшествий на протяжении уже многих лет (1997 г. -156515, 2007 г. - 233809). Современные автотранспортные потоки характеризуются насыщенностью, динамизмом и неустойчивостью. Организационные мероприятия по планированию и управлению транспортными потоками способствуют упорядочиванию движения автомобилей на улично-дорожных сетях и развитию транспортных сетей. Разработка новых технических и технологических решений в организации и управлении перевозочным процессом, организации и управлении автотранспортными потоками повышает уровень безопасности дорожного движения. При реализации таких мероприятий особая роль принадлежит внедрению информационно-технических средств и систем контроля и управления с применением электронно-вычислительных машин, математики, информатики, связи и телевидения для управления движением в масштабах крупного района или целого города.

В работе представлены технологии и методы построения системы стационарного и мобильного видео- (аудио-)мониторинга и анализа содержания автомобильных дорог, характеристик транспортных потоков и факторов, определяющих безопасность движения с использованием математического аппарата в разработке средств распознавания образов.

Цель работы. Основой задачей создания системы интеллектуального мониторинга и анализа является: своевременное измерение и обработка данных в режиме реального времени и передача информации о параметрах автотранспортного потока и состоянии улично-дорожной сети. Полученные данные используются для принятия решений по управлению

• увеличением пропускной способности потока,

• обеспечением безопасности движения,

• экологической безопасностью,

• условием движения автомобилистов.

Разработанная автором система ориентирована на эксплуатацию в условиях дорожной лаборатории, а ее внедрение производилось на базе передвижной мобильной лаборатории «Газель» (рис. 1). Созданная дорожная лаборатория используется для измерения интенсивности движения и состава потока, оценки качества дорожного покрытия на дорогах Подмосковья.

Использование разработанных автором технологий позволяет вести оперативный контроль условий дорожного движения с целью управления, создает предпосылки для существенного сокращения числа дорожно-транспортных происшествий (ДТП).

Рис. 1. Мобильная дорожная лаборатория (Мобильный Улично-Дорожный РЕЦептор «МУДРЕЦ»)

Для достижения поставленной цели были решены следующие задачи, выносимые на защиту:

• автором предложена технология комплексного мониторинга автотранспортного потока в режиме реального времени;

• разработаны алгоритмы регистрации транспортных средств и их параметров (тип, скорость, ускорение, направление движения);

• предложена техническая модель построения системы мониторинга и оценки качества дорожного покрытия по поиску неоднородностей (площади и объема ям, трещин, выбоин);

• разработана математическая модель и комплекс информационных технологий-программ обработки изображений.

Объект исследования - технические средства, системы контроля и процессы управления дорожным движением, состояние дорожного покрытия, безопасность движения и соблюдение правил дорожного движения.

Теоретической и методологической основой исследования послужили научные труды по проблемам оптимизации планирования, организации и управления автотранспортными потоками, снижения числа ДТП и уменьшения негативного воздействия автомобильного транспорта на окружающую среду, исследования в области безопасности движения с учетом технического состояния дорожной сети, натурные исследования, методы технического зрения, многомерного статистического анализа, системного анализа, математические методы распознавания и анализа изображений, а также методы параллельной обработки фото- и видеоинформации в режиме реального времени. При разработке данных вопросов существенные результаты получены отечественными учеными Сильяновым В.В., Власовым В.М., Блудяном И.О.,

Коноплянко В.И., Корчагиным В.А., Лобановым Е.М., Николаевым А.Б., Поспеловым П.И., Трофименко Ю.В.

Научная новизна. Создание технологии комплекса технических методов построения системы мониторинга безопасности дорожного движения, методов обеспечения безопасности дорожного движения с учетом технического состояния дорожного покрытия, разработка алгоритмов мониторинга дорожного покрытия и автотранспортных средств в режиме реального времени для управления перевозочным процессом.

Практическая значимость работы состоит в разработке и внедрении аппаратно-программного комплекса мониторинга, объединяющего в едином модуле технологические, организационные и диспетчерские функции.

Результаты диссертационной работы внедрены в деятельность Федерального управления автодорог Центральной России (ФУАД ЦР). Предложенные автором математические модели и алгоритмы программных средств вычислительной техники используются в МАДИ (ГТУ) при преподавании ряда дисциплин студентам и аспирантам.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на:

• Международном транспортном форуме по проблемам безопасности дорожного движения (г.Москва, Кремль, Государственный Кремлевский дворец, 15 декабря 2004 г.);

• семинаре «Научно-практические задачи развития автомобильно-дорожного комплекса в России», (г.Москва, МАДИ, 26 октября 2005 г.);

• IX Международной конференция «Интеллектуальные системы и компьютерные науки» (г.Москва, МГУ, 23-27 октября 2006 г.);

• семинаре «Научно-практические задачи развития автомобильно-дорожного комплекса в России» (РАН, МТУ СИ, 27 ноября 2007 г.);

• выставке «Достижения МАДИ (ГТУ)» (2005-2007 гг.).

Публикации. По результатам исследований опубликовано 9 работ, в том числе 3 статьи, включенные в Перечень ведущих рецензируемых научных изданий ВАК РФ.

Структура и объем диссертации. Диссертация состоит из введения, 4-х глав, общих выводов, библиографического списка из 101 наименования и 4 приложений.

Работа содержит 205 страниц основного текста, 157 иллюстраций и 17 таблиц.

СОДЕРЖАНИЕ ДИССЕРТАЦИОННОЙ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, приведено краткое изложение основных разделов диссертации.

В первой главе автором проведен подробный обзор существующих систем технического зрения (СТЗ) по организации мониторинга транспортных сетей, дано описание алгоритмов их работы. Приведено аналитическое исследование предмета разрабатываемой системы мониторинга дорожного покрытия и характеристик автотранспортных потоков, организации и управления, а также обеспечения экологической и дорожной безопасности.

СТЗ или компьютерное зрение (КЗ) призваны и во многих случаях уже решают задачи по дополнению или даже замене человека в областях деятельности, связанных со сбором и анализом зрительной информации. Уровень их использования в прикладных областях является одним из наиболее ярких и наглядных интегральных показателей уровня развития высоких технологий в самых различных отраслях промышленности.

В течение достаточно продолжительного времени проблема распознавания привлекает внимание специалистов в различных областях наук. Большая часть основополагающих работ в области распознавания образов относятся к 50-60 годам XX века. В это время на основе теории статистических решений были найдены алгоритмы, обеспечивающие отнесение нового объекта к одному из заданных классов, что явилось началом планомерного научного поиска и практических разработок. В рамках кибернетики сформировалось новое научное направление, связанное с разработкой теоретических основ и практической реализации устройств, а затем и систем, предназначенных для распознавания объектов, явлений, процессов.

Отечественные ученые, внесшие существенный вклад в развитие данного направления: Журавлев Ю.И., Михалевич B.C., Глушков В.М. и др.

Первым массовым примером системы распознавания в автомобильном транспорте является система распознавания автомобилей по номерам государственной регистрации. В настоящее время на территории стационарных постов ДПС Московской области установлены системы идентификации транспортных средств по государственным регистрационным знакам - «Поток» (концерн «Росси» и АО «Мегапиксел»), Компания «Alparysoft R&D» разработала технологию формирования фотографии дорожного покрытия и анализа его неоднородности по результатам видеосъемки дороги с движущегося автомобиля. Видеоданные обрабатываются специальными алгоритмами и в результате обработки формируется фотография дорожного покрытия. Следует заметить, что разработка предназначена для работы с отснятым видеоматериалом дорожного покрытия в лаборатории, а не в реальном времени. Помимо этого, технология не позволяет дать оценку площади неоднородности в физических единицах, наличие которой является ключевой деталью в системах подобного класса.

За период 1995-2008 гг. парк легковых автомобилей в России вырос почти на 100% - с 14,7 млн. до 29,4 млн. единиц, а грузовых автомобилей - до 5,17 млн. единиц, в то время как протяженность городских улиц увеличилась всего на 4,5%. По прогнозам Департамента обеспечения безопасности дорожного движения МВД РФ в российских городах к 2020-2025 гг. уровень автомобилизации может достичь порядка 550 автомобилей на тысячу человек, при 400 в 2008 г. Данные показатели свидетельствуют о том, что уже сегодня необходимо пересмотреть стратегию развития городов с точки зрения организации транспорта и пешеходов.

Увеличение числа автомобилей ведет к увеличению числа ДТП. Среди причин ДТП по вине водителя стабильно (около 30%) составляет несоответствие скорости конкретным условиям движения («не справился с управлением»), сюда же можно отнести нарушение очередности проезда (10%), выезд на полосу встречного движения (15%), управление в нетрезвом состоянии (15%) и управление без права (15%). Следует признать, что спектр водительских нарушений ПДД широк. Это свидетельствует о недостаточном уровне надзора за соблюдением ПДД. Решение этой задачи предполагает привлечения большого числа сотрудников ГИБДД, что является трудно выполнимой задачей. Эффективным средством контроля за обстановкой на дорогах является применение автоматизированных информационных систем, оборудованных устройствами распознавания объектов наблюдения.

Необходимость введения мониторинга автотранспортного потока определяется несколькими причинами. Во-первых, координирование перемещений больших потоков АТС - очень сложная, требующая формализации задача. Современные технические средства позволяют автоматизировать процесс управления потоками автотранспорта, но для этого требуется информация об их интенсивности. Во-вторых, эти данные необходимы дорожным организациям как для реконструкции существующих автомобильных дорог, так и для строительства новых (не говоря уже об обязательных отчетах, содержащих данные об интенсивности дорожного движения). В-третьих, информация об интенсивности на определенных участках используется для прогноза и предупреждения транспортных заторов, что дает косвенный эффект в виде экономии топлива и, как следствие, -уменьшение выбросов в атмосферу. Решение данных задач необходимо для построения целостной системы управления движением на сети дорог.

Измерения интенсивности можно проводить и без использования технических средств. Но в условиях насыщенных транспортных потоков традиционная для России методика «ручного» счета на многополосной дороге начинает давать сбои: человеческий зрительный аппарат, конечно, совершенен, однако фиксировать сотни автомобилей, проходящих через сечение многополосной дороги, без значительных ошибок на большом временном отрезке он не способен. Именно этим и объясняется необходимость разработки и внедрения информационно-автоматизированных или автоматических электронных средств наблюдения.

Во второй главе автором приведено описание технологии построения системы работы ЭВМ с цифровыми устройствами для построения системы технического зрения.

Важность взаимодействия между различными компонентами и устройствами в компьютерной технике очень важна. Не менее важен и выбор типа устройства и принцип реализации работы с ним. На современном этапе развития компьютерной инженерии пользователю представлен широкий ряд технических устройств, с которым он может осуществлять взаимодействие.

Приведенные технологии мониторинга и сбора данных основаны на взаимодействии с устройствами видео- и фотонаблюдения и системой глобального позиционирования.

В главе 3 приведена методика и алгоритм получения и обработки данных о параметрах автотранспортного потока. Дано описание системы по сбору данных о параметрах потока автомобилей, таких как оценка интенсивности, плотности и состава потока в режиме реального времени.

Для качественных статистических заключений в задаче принятия решений к управлению дорожным движением необходим большой объем данных. Технология мониторинга автотранспортного потока основана на анализе изображений потока автомобилей, полученных с видеоисточника. Источником данных изображений является цифровая видеокамера - устройство генерации цифровых изображений с использованием технологии приборов с зарядовой связью (ПЗС). Это наиболее гибкий и часто используемый тип устройства ввода изображения для систем машинного зрения.

Компьютерная программа, обрабатывающая цифровое изображение (матрицу цветовых компонент), может обращаться к значениям пикселов как к элементам массива 1[г, с], где / - имя массива, а г и с - номера строк и столбцов, соответственно. В системах, работающих с цветовыми моделями (видеокамеры, фотокамеры, сканеры), для представления цветов автором используется цветовая система RGB (engl., red-green-blue, красный-зеленый-синий). Цветовая модель RGB - аддитивная цветовая модель, описывающая воспроизведение любого цвета путем сложения трех основных цветов: красного, зеленого и синего.

Цифровое изображение - это двумерное изображение 1[г, с], представленное в виде двумерного массива дискретных значений интенсивности. Каждый кадр представляет собой проекцию видимых объектов на матрицу камеры и, следовательно, набор пикселов, каждый из которых имеет собственный физический размер, зависимый от ракурса съемки. В главе представлен анализ технологий видеокадров методами пиксельного и матричного сканирования. Анализ одного пиксела полосы движения потока АТС не достаточен, т.к. координаты пиксела не являются постоянными в проекции на дорожное покрытие, происходит колебание камеры. Дорога может также иметь неоднородное покрытие, автомобили маневрируют между полосами. Все эти факторы мешают точному детектированию и, следовательно, необходимо ввести область детектирования движения АТС по заданной полосе,

как массив заданных пикселов, а именно матрицу для мониторинга полосы движения (рис. 2).

вймиш (а), кадр № О

(б), кадр № 10

(в), кадр № 20

Рис.

2. а - объект отсутствует в контрольной области (КО), б - объект присутствует в КО, в - объект отсутствует в КО

Значения цветов пикселов КО № 1 запишем в матрицу Мк. Далее для каждого кадра видеофрагмента и заданного участка получим матрицу значений цветов пикселов Mk[i,j],

Индекс матрицы Мк равен номеру кадра. Таким образом, при скорости воспроизведения видеопотока с частотой 25 кадров в секунду количество полученных матриц за минуту составляет 1500=25*60.

Матрица значений М0 для заданной области кадра видеофрагмента, где отсутствуют АТС, рис. 2а. При воспроизведении видеофрагмента матрица заданной области Мк будет создаваться для каждого кадра и затем сравниваться с матрицей М0.

Сравнение элементов матриц М(1 и Мк позволяет получить новую двоичную матрицу М\, где fij] элементы матрицы М'к формируются по формуле

Если d(Ml),Mt) = - RUt )2 + (G„n - G,Ui )2 + (BK - BUt f > A,

то M'k = 1 иначе M'k = 0, где А - коэффициент сравнения.

Используя описанный метод сравнения двух контрольных областей, для заданной контрольной области получаем двоичную матрицу М\ Анализ матрицы позволяет произвести идентификацию АТС как ограниченную область единиц матрицы М\. Построим график распределения количества единичных элементов в матрице М\. Для этого определим функцию summa(k):

summa(k) = ['V/D . (2)

' j

Данный график summa(k) при к= 60 и размере контрольной области 30x16 пикселов.

Summa (к)

(1)

■ ■ ■

/

1

1

1

1

J

/

1

-1 \т

Рис. 3. График функции summa(k), к - номер кадра

Анализ полученного графика показывает интервал кадров, в котором находилось АТС. Как видно из графика, при проезде АТС через область фиксации значение .ттта(к) резко возрастает, что свидетельствует о заполнении контрольной области пикселами, цвета которых отличны от базовых. Также, когда АТС «покидает» область фиксации, то значение $итта(к) резко падает. Исходя из характера изменения значения .ттта(к), можно сделать вывод, что АТС покинуло заданную контрольную область. Полученные характеристики .читта(к) позволяют дать оценку не только о наличии АТС в контрольной области, но о параметрах, таких как тип АТС и скорость. Также анализ матрицы М,\ дает оценку направления движение автомобилей, посредством смещения 0 и 1 в матрице М\.

Оценивая характеристику изменения Мможно зафиксировать количество (X) кадров видеопотока, в которых АТС находились в КО, что дает оценку скорости движения АТС.

Пусть мы имеем установившийся поток АТС, тогда: V - скорость АТС [м./с.]; X - длина сигнала (кадры); Ь - длина АТС [м.]; / - пороговая длина фиксации АТС [м.].

Тогда имеем:

(1-21)= УХ/25, где I ~ КЛГ/25 + 21[м]. (3)

Оценка скорости АТС в данном методе осуществляется путем фиксирования времени прохождения АТС через две контрольные области фиксации (контрольные детекторы). Расстояние между областями измеряется предварительно. Исходя из разницы времени прохождения АТС между двумя областями, определяется скорость движения АТС по следующей формуле:

Г=—-—[м/с], (4)

|/1-/2 Г

где 5 - расстояние между контрольными областями[м], //, Ь - время прохождения АТС через контрольные области.

Временем прохождения ТС расстояния £ считается интервал кадров от // до /2 при известной частоте £> (25 кад./сек.). Кадр, в котором АТС идентифицировано в контрольной точке, выбирается как первый кадр, в котором значение зитта(к) больше заданного порогового значения.

Их.....% ж 1. ь

Рис. 4. Движение АТС по заданному пути 51 и образ АТС на двух контрольных

точках

Как видно из рис. 4, графическое представление идентифицированного АТС отличается в разных КО, так как они расположены на разных расстояниях и, следовательно, по-разному проецируются. Для повышения точности

синхронной идентификации АТС необходимо произвести сравнение графиков фиксирования АТС, чтобы выявить идентичность проезжающего ТС через контрольные точки, используя коэффициент сравнения ширины диапазона кадров х' где идентифицировано АТС (х'=х/х/). Данный коэффициент (х') сравнивается с текущим коэффициентом и вычисляется как средняя величина начальной выборки АТС на заданном промежутке времени (-10 автомобилей).

Разработанная автором технология мониторинга автотранспортного потока позволяет улучшить точность детектирования АТС методом установки векторов контрольных детекторов на полосах движения АТС (рис. 5). Как видно из представленной схемы, детектируемое АТС с большой вероятностью пройдет через установленные контрольные области и будет идентифицировано. Общая оценка интенсивности может быть вычислена как среднее значение проезжающих АТС по конкретной полосе. Полученные данные о нахождении АТС в заданных контрольных областях позволяют построить матрицу оценки движения потока на заданном участке дороги.

Рис. 6. График оценки точности алгоритма Оказывается, очень близкие значения в разностной схеме

х(/0+/г)-х(?0-/г)

2й

(5)

брать невыгодно и наилучшей среди функций с ограниченной второй производной является формула

х(ги + У£)-х(/0-У1)

Ш ' (6)

КО 2-[ 1,2,3]

0 0 0

1 0 0

0 0 1

-[1,2,3]

Вектор КО

Оценку точности представленного алгоритма можно получить, используя классическую задачу Стечкина С.Б. (1920-1995), где имеется функция х(1), значения которой могут быть вычислены с точностью е, и необходимо восстановить первую производную х(1п).

Рис. 5. Задание вектора КО для полос движения 2 (левая) и 1 (правая)

В данном случае ошибка е связана с расстоянием от камеры до ТС, качеством цифровой матрицы источника изображения и высотой камеры над дорогой, а также частой кадров 1/25 сек. Представленная формула позволяет получить первую производную x(tn), ограниченность второй производной означает условие на физическую величину-ускорение ТС.

В параграфе 4 представлен алгоритм анализа состояния дорожного покрытия (ямы, трещины, заплаты) и оценки найденных неоднородностей в физических величинах с целью построения системы безопасности дорожного движения с учетом технического состояния покрытия дороги. Цветовой анализ неприкосновенного динамического габарита мобильной лаборатории позволяет выявить на дорожном покрытии такие его компоненты, как заплаты, трещины, ямы, посторонние предметы, грязь, лужи. Каждый из компонентов имеет физическую природу и, следовательно, может быть представлен в виде суммарных компонентов цвета. Динамическим габаритом называется расстояние, равное длине автомобиля и расстоянию до следующего автомобиля, при котором обеспечиваются безопасные условия движения. АТС в потоке обязаны его соблюдать для обеспечения безопасности дорожного движения.

Архитектура программного комплекса использует такие устройства, как видеокамера, фотоаппарат, устройство GPS (от англ. Global Position System) навигации. Видео- и фотокамера предназначены для получения кадров, содержащих информацию о дорожном покрытии, a GPS устройство служит для навигации и маршрутизации мобильной лаборатории.

Использование автором технологий и алгоритмов кластеризации, сравнение образов и их распознавание в заданных цветовых областях обеспечивают сбор необходимых данных. Независимо от выданной команды, полученная информация сохраняется в компьютере, что позволяет в дальнейшем осуществить анализ и обработку данных в лаборатории. Также компьютер запоминает в памяти координаты навигации (GPS) и сохраняет их в базе данных, что позволяет осуществить привязку с точностью до 1 м. и вычислить расстояние от нулевого километра дороги. Внедренное устройство беспроводной связи позволяет обеспечить передачу собранной информации в единый центр сбора данных для принятия решений по управлению дорожным движением.

Программная реализация алгоритма сканирования дорожного покрытия предназначена для анализа текстуры дорожного покрытия и выявления неоднородности. Под неоднородностью понимается ограниченная область на дорожном покрытии искусственного или инородного содержания, явно отличная от дорожного покрытия как по составу, так и по цвету. Здесь речь идет об анализе, по крайней мере, части дорожного покрытия, находящегося в неприкосновенной для других АТС зоне - динамическом габарите MJ1.

Пусть матрица М - матрица пикселов динамического габарита МЛ. Для анализа матрицы М необходимо ввести значение интенсивности каждого из векторов М']. Получаем матрицу М\ где

Щ1,П = У1Я2 + С2 + В2 , (7),

где И.,в,В - цветовые компоненты интенсивности, полученные с матрицы

фото- и видеоаппаратуры.

_

г, т—г* ^

[126, 127, 119] [126, 127, 1191 [125, 126, 1181 [125. 126, 118] [126. 127, 119]

[126, 127, 119] [124, 126, 1171 [124, 125, 117] [125. 126, 1181 [124, 126, 117]

[124, 126, 117] [124. 125, 117] [122. 124. 1161 [123. 125, 1171 [124, 125, 117]

[123, 125, 116] [124. 126, 117] [123, 124, 116] [121, 122, 115] [123, 124, 116]

[123, 124, 116] [123, 124, 115] [122, 123, 1151 [122, 124, 1151 | [121, 122, 114]

Таблица 1. Фрагмент матрицы М [К,С,В]

214 8627 214,8627 213,1314 213,1314 214.8627

214,8627 211.9929 211,4001 213,1314 211,9929

211,9929 211,4001 209,0837 210,8151 211,4001

210.2617 211,9929 209,6688 206,7607 209,6688

209,6688 209,1172 207.9375 208,5306 206,2062

Таблица 2. Фрагмент матрицы М'

Для каждой строки Л///,// при фиксированном у можем построить график изменения значений М'[г,)] п0 строке. В таблицах I и 2 приведены строки матрицы М' для представления суммарных компонентов цвета.

Представленная характеристика показывает интенсивность значений векторов на заданной строке. Для первичного анализа заданной КО необходимо произвести обработку изображения как для ручного анализа, так и для дальнейшей автоматической обработки. Данные могут потребоваться для понижения шума на изображении или для усиления или подавления его деталей, а также сглаживания, повышения контраста и усиления краев.

Для улучшения изображений также применяется операция выравнивания гистограммы цветовых компонентов. При этом к изображению применяется оператор, на который накладываются два условия: (а) в выходном изображении должны использоваться все допустимые значения интенсивности и (б) выходное изображение должно содержать примерно равное количество пикселов для каждого значения интенсивности. Условие (а) обеспечивает хорошее восприятие изображения, а условие (б) является дополнительным и его эффективность должна оцениваться из экспериментов.

Как правило, значение пиксела изображения мало отличается от соседних. Пусть на изображение влияет такой шум, при котором это свойство сохраняется. Например, изредка попадаются «мертвые» пикселы или пикселы, к значениям которых добавляются случайные числа с нулевым средним значением. Желательно уменьшить влияние этого шума, заменив каждый пиксел взвешенным средним значением его соседей. Такой процесс называют сглаживанием.

Алгоритм сглаживания необходим для усреднения цветовых компонентов на кадре и реализуется методом усреднения заданных интервалов по следующей формуле:

М"[i = 0..N* Л, j = O..N*&] = (¿¿М'[/,У])/Л2, (8)

1=0 ;=0

где М' - матрица кадра видеопотока с усреднением векторов RGB, М" -матрица сглаженного кадра видеопотока, К - коэффициент сглаживания, N -шаг.

Для полученной матрицы М" заданного кадра применяется горизонтальное и вертикальное сканирование, в котором используется поиск минимального и максимального значения разницы значений двух соседних пикселов на заданном направлении вектора сканирования.

Рис. 7. Сканирование КО (а - заданная контрольная область, б -горизонтальное сканирование, в - вертикальное сканирование) и результат

работы алгоритма (г)

Алгоритм нахождения расстояния значений соседних элементов матрицы заданной строки позволяет выявить области, в которых происходит переход цвета от светлых к темным тонам.

Применение данных процедур горизонтального и вертикального сканирования матрицы КО позволяет выявить область, отличную от цвета дорожного покрытия. В данном случае в число таких областей попадают следующие неоднородности: заплаты, ямы, трещины.

Матрица пикселов идентифицированного объекта на кадре соответствует форме-объекту неоднородности на дорожном полоне. Данную форму необходимо сопоставить с формой известных неоднородностей. Преобразование перспективы формы на плоскости и соотнесение матриц пикселов позволит решить данную задачу.

Кадр Форма неоднородности Преобразование проекции

h 1 заплата

г , + трещина

f»! / яма

Таблица 3. Преобразование проекции для основных типов неоднородности:

заплата, трещина, яма

Разработанный автором метод определения площади неоднородности основан на задании параметров контролируемой области, таких как: ширина, длина, расстояние от камеры до области и высота камеры над дорожным покрытием. Размерность полученной матрицы можно преобразовать в физические единицы (м~), используя следующий алгоритм.

.........I I I I

I I I I I I

Структура КО.

Рис. 8. Схема проецирования изображения

Пусть (рис. 8):

• к- высота камеры на ДП;

• I - проекция на плоскости ДП части МЛ, находящейся перед камерой;

• Ь- расстояние от МЛ до ближайшей стороны КО;

• ¿/-ширина КО;

• т - число строк проекции КО на экране камеры;

• у-угловой раствор области. Тогда,

х+1 + ь х+1+ь 1+1 /пч

у = агс^----= агЩ----агс¡£ ——, (У)

п п п

L + 1

У

У 0 = агс/я ' &У =

где " . Положим т

Имеем:

Ах, = 4tg(y0 + (/ + \)Ау) - tg(y0 + /А/)) - h{Ay)- 1

cos (10)

Пусть р, - доля занятых объемом клеток (пикселов) в /-ой строке. Тогда интегральная сумма, соответствующая площади области, приближенно равна

S^PMd. (11)

В случае получения качественного снимка неоднородности дорожного покрытия с помощью цифрового фотоаппарата можно вычислить объем неоднородности.

Идентификация глубины неровности основывается на структурированном анализе и поиске цветового компонента части неровности, являющейся следствием проецирования глубины дефекта дорожного покрытия на кадр фотоснимка.

Имеем:

Ах, = Ktg(y0+(i + l)Ay)-tg(y0 + iAy))~h(Ay) 1 (12)

cos (у0 +1Ay)

Akt =tg(90-y0 - (i + 1)A/) * At, =ctg(y0+(i + i)Ay)*Axi. (i3)

Высота области приблизительно вычисляется как сумма Ак,, то есть . Объем неоднородности приблизительно равен произведению

площади неоднородности и ее высоты

V, ~S*H П4)

объем ■

Используя данные GPS приемника, программа идентифицирует координату мобильной лаборатории, километр от нулевой точки мониторинга, на котором находится заплата, направление движения лаборатории, например, из Москвы, в Москву, дату и время полученного снимка. Полученные данные сохраняются в базе данных формата mdb (Microsoft Access), который является универсальным форматом для работы с полученными данными различным числом пользователей.

Используя базу данных, можно создать отчет, который будет представлен заказчику исследования дороги в текстовом формате для удобства печати и представления.

Проведенную автором работу в области распознавания изображений можно использовать для решения помимо приведенных еще и следующих задач теории автотранспорта:

1. Определение собственной скорости мобильной лаборатории как функции времени и пройденного расстояния (реализовано посредством GPS технологий).

2. Контроль сплошных линий разметки, который реализован в нескольких модификациях. Во-первых, при стационарном наблюдении с высокой точки за большим фрагментом сплошной линии (двойной сплошной линии). При нарушении происходит идентификация АТС и запись в базу. Во-вторых,

проверка качества разметки и локализация участков, где необходимо ее обновление.

3. Анализ дорожного покрытия на наличие посторонних компонентов (отдельных предметов, грязи, снега и т.д.).

4. Охрана динамического габарита (ДГ) - части полосы перед мобильной лабораторией, необходимой для безопасности движения динамического габарита зависит от скорости MJI и определяется автоматически. В случае вторжения в область ДГ какого-либо АТС происходит видеозапись и идентификация нарушителя. ДГ необходим для анализа дорожного покрытия по описываемой технологии в условиях насыщенных потоков.

5. Интегральная оценка ровности дорожного покрытия путем построения функции изменения положения фиксированной точки на экране компьютера MJI, движущейся с фиксированной скоростью.

6. Построение матрицы перемешивания для идентификации режима работы и оценки пропускной способности сложного перекрестка.

Задачи оценки интенсивности, плотности, состава автотранспортных потоков были реализованы автором в реальном режиме времени без промежуточной лабораторной обработки видеоматериала. Проведена также работа распознавания автотранспортного потока по аудиосигналам, что имеет практический смысл в условиях недостаточной видимости. В процессе работы выяснилось, что спектр практических задач, которые можно решать посредством обработки сигнала видеоисточника, чрезвычайно широк. Пакет алгоритмов по автоматическому мониторингу на автодороге получил название MonStr (Street Monitoring). Данный пакет программ основан на анализе видео-или фотопотока, получаемого с видео- и фотокамер, которые установлены на мобильной лаборатории и позволяют проводить исследования и многоцелевой мониторинг. Среди целей можно отметить: мониторинг состояния автомобильной дороги, оценка количественных и качественных характеристик состава автотранспортного потока, оценка средств управления дорожным движением, оценка соблюдения водителями правил дорожного движения.

Таким образом, предложены технологии непрерывного и дискретного мониторинга и анализа состояния автомобильных дорог, управления транспортными и технологическими процессами, характеристиками транспортных потоков и факторов, определяющих безопасность движения. Принятие решений по управлению дорожным движением осуществляется в центрах управления, и использование описанной технологии позволит вести оперативный контроль условий дорожного движения с целью его управления и развития транспортной сети, создаст предпосылки для существенного сокращения числа ДТП и неотвратимости наказания за нарушение ПДД. Получаемая информация интегрируется в более высокий уровень для создания комплексной интеллектуальной транспортной системы (КИТС).

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

На основе разработанных теоретико-методологических и прикладных положений, методик и математических алгоритмов появилась возможность решать важную научно-практическую задачу повышения уровня безопасности движения автотранспортного потока и технического состояния дорожной сети.

Современное оборудование позволяет создать относительно недорогую систему интеллектуального мониторинга. Реализация и построение данной системы позволяют реализовать механизмы управления дорожной обстановкой. Реализация комплексного мониторинга автотранспортных потоков и получение большого массива данных позволяют создать систему принятия решений и управления за дорожным движением на магистралях страны. Реализация задачи мониторинга состояния дорожного покрытия связана с качеством движения всего парка АТС и своевременное управление ремонтным процессом позволяет повысить качество обслуживания всей сети. Использование описанных технологий позволит вести оперативный контроль условий дорожного движения с целью его управления, создаст предпосылки для существенного сокращения числа ДТП и неотвратимости наказания за нарушение ПДД.

В процессе выполнения диссертационной работы были получены следующие результаты:

1. Автором разработаны алгоритмы построения системы технического зрения для мониторинга автотранспортных потоков. Решена задача измерения интенсивности движения и характеристик автотранспортных потоков на многополосной дороге в режиме реального времени.

2. Разработаны алгоритмы построения системы технического зрения для мониторинга состояния дорожного покрытия и дорожной инфраструктуры. Решены задачи оценки качества и проверки однородности дорожного покрытия, определения площади и объема дорожных заплат, ям и трещин.

3. Разработаны алгоритмы и модели сбора, хранения, автоматической обработки, обновления и представления данных о качестве обслуживания дорог для их систематизации и учета.

4. Создано программное обеспечение, предназначенное для центров управления и обслуживания дорожных сетей, позволяющее оперативно решать описанные автором задачи.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Кузьмин Д.М. Видеомониторинг и обработка изображений в теории автотранспортных потоков / Кузьмин Д.М. // Вестник МАДИ (ГТУ), вып. 4, 2005.-С. 94-101.

2. Кузьмин Д.М. Распознавание изображений и мониторинг состояния дорог, автотранспортных потоков и безопасности движения / Буслаев А.П., Дорган В.В., Кузьмин Д.М., Приходько В.М., Травкин В.Ю., Яшина М.В. П Вестник МАДИ (ГТУ), вып. 4, 2005. - с. 102-109.

3. Кузьмин Д.М. К вопросу об интеллектуальных системах в автомобильно-дорожном движении / Буслаев А.П., Кузьмин Д.М. // Журнал «Наука и техника в дорожной отрасли», вып. 2, 2006. - с. 33-40.

4. Кузьмин Д.М. Компьютерные методы обработки информации и распознавание образов в задачах транспорта и связи. 4.1. Пакет Mathlab / Буслаев А.П., Кузьмин Д.М., Яшина М.В. // МТУСИ. - М., 2008. - 86 с.

5. Кузьмин Д.М. Компьютерные методы обработки информации и распознавание образов в задачах транспорта и связи. 4.2. Алгоритмы обработки цифровых изображений в применении к задачам распознавания образов / Буслаев А.П., Кузьмин Д.М., Яшина М.В. // МТУСИ. - М., 2008. -57 с.

6. Кузьмин Д.М. Компьютерные методы обработки информации и распознавание образов в задачах транспорта и связи. Ч.З. Интеллектуальные системы на транспорте и в связи / Буслаев А.П., Кузьмин Д.М., Яшина М.В. // МТУСИ. - М., 2008. - 42 с.

7. Кузьмин Д.М. Компьютерные методы обработки информации и распознавание образов в задачах транспорта и связи. 4.4. Учебные и научно-практические задачи / Буслаев А.П., Кузьмин Д.М., Яшина М.В. // МТУСИ.-М., 2008.-61 с.

8. Кузьмин Д.М. Компьютерные методы обработки информации и распознавание образов в задачах транспорта и связи. Часть 5: Мобильный Улично-Дорожный РЕЦептор «МУДРец» / Буслаев А.П., Кузьмин Д.М., Яшина М.В.//МТУСИ.-М., 2008,- 101 с. (.

9. Кузьмин Д.М. Основы технологии по мониторингу и анализу состояния дорог, характеристик автотранспортных потоков (АТП) и правил дорожного движения (ПДД), дисциплины водителей. Материалы IX международной конференции «Интеллектуальные системы и компьютерные науки» 23-27 октября 2006 г. / Кузьмин Д.М. // Москва: Изд-во ЦПИ при МехМат МГУ, 2006, т.2, 4.1 - с. 166-168.

Кузьмин Дмитрий Михайлович

ТЕХНОЛОГИЯ И МЕТОДЫ ИНТЕЛЛЕКТУАЛЬНОГО МОНИТОРИНГА АВТОТРАНСПОРТНЫХ ПОТОКОВ И СОСТОЯНИЯ АВТОМОБИЛЬНЫХ ДОРОГ

Автореферат

Принято к исполнению 24/11/2008 Заказ №3443

Исполнено 24/11/2008 Тираж 100 экз

ООО «СМСА» ИНН 7725533680 Москва, 2й Кожевнический пер , 12 +7(495)604-41-54 www.cherrypie.ru

Введение.

Глава 1. Обзор систем мониторинга.

1.1. Задачи мониторинга автотранспорта и состояния дорог.

1.2. Автотранспортные потоки и дорожные условия как объекты управления

1.3. Методы мониторинга транспортных потоков и состояния автомобильных дорог.

1.4. Существующие решения в задачах распознавания образов и анализа изображений.

Выводы по главе 1. Цели и задачи исследования.

Глава 2. Аппаратные средства реализации задачи мониторинга.

2.1. Цифровые источники информации.

2.2. Программная реализация взаимодействия с цифровым устройством.

2.3. Системы технического зрения.

2.3.1. Использование методов сегментации.

2.3.2. Применение движения.

2.3.3. Описание свойств объекта.

2.3.4. Качество изображения.

Выводы по главе 2.

Глава 3. Мониторинг автотранспортных потоков.

3.1. Матрица изображения.

3.2. Описание цветовой модели.

3.3. Представление информации на кадре видеопотока.

3.4. Анализ кадров видеопотока.

3.5. Метод базового пикселя и базовой матрицы.

3.6. Оценка направления движения.

3.7. Оценка ускорения.

3.8. Оценка типа АТС.

3.9. Оценка скорости АТС с использованием контрольных детекторов.

3.10. Оценка скорости АТС по длине задержки.

3.11. Метод базовых матриц.

3.12. Фиксация АТП на многополосной дороге с ограниченной видимостью

3.13. Идентифицирование одновременной фиксации АТС для двух КО.

Выводы по главе 3.

Глава 4. Анализ качества дорожного покрытия.

4.1. Постановка задачи.

4.3. Анализ матрицы изображения.

4.4. Детектирование движения в кадре.

4.5. Идентификация формы зафиксированных объектов.

4.6. Вычисление площади.

4.7. Вычисление объема неоднородности.

4.8. Вычисление площади больших неоднородностей.

4.9. Сканирование фотопотока.

4.10. Оценка точности.

4.11. Навигационные системы мониторинга.

Выводы по главе 4.

Актуальность работы. Увеличение числа автомобилей в городах (со 180 в 1997 г. [авт./ЮОО чел.] до 350 в 2007 г. [авт./ЮОО чел.]) приводит к росту числа дорожно-транспортных происшествий на протяжении уже многих лет (1997 г. — 156515, 2007 г. - 233809). Современные автотранспортные потоки характеризуются насыщенностью, динамизмом и неустойчивостью. Организационные мероприятия по планированию и управлению транспортными потоками способствуют упорядочиванию движения автомобилей на улично-дорожных сетях и развитию транспортных сетей. Разработка новых технических решений в организации и управлении автотранспортными потоками повышает уровень безопасности дорожного движения. При реализации таких мероприятий особая роль принадлежит внедрению информациоино-технических средств, систем контроля и управления с применением электронно-вычислительных машин, математики, информатики, связи и телевидения для управления движением в масштабах крупного района или целого города.

В работе представлены технологии и методы построения системы стационарного и мобильного видео- (аудио-) мониторинга и анализа содержания автомобильных дорог с использованием математического аппарата в разработке средств распознавания образов.

Цель работы. Основой задачей создания системы интеллектуального мониторинга и анализа является своевременное измерение и обработка данных в режиме реального времени и передача информации о параметрах автотранспортного потока и состоянии улично-дорожной сети. Полученные данные используются для принятия решений с целью:

• увеличения пропускной способности дороги (перекрестка),

• обеспечения безопасности движения,

• минимизации вредного воздействия на окружающую среду,

• обеспечения относительно комфортного движения автомобилистов.

Разработанная автором система ориентирована на эксплуатацию в условиях дорожной лаборатории, а ее внедрение производилось на базе передвижной мобильной лаборатории (МЛ) «Газель» (рис. I). Созданная дорожная лаборатория используется для измерения интенсивности движения и состава потока, оценки качества дорожных покрытий в Подмосковье.

Использование разработанных автором технологий позволяет вести оперативный контроль условий дорожного движения, создает предпосылки для сокращения числа дорожно-транспортных происшествий (ДТП).

Рис. 1. Мобильная дорожная лаборатория (Мобильный У лично-Дорожный РВЦептор «МУДРЕЦ»)

На защиту выносятся следующие основные научные результаты:

• автором предложена технология комплексного мониторинга автотранспортного потока в режиме реального времени;

• разработаны алгоритмы регистрации транспортных средств и их параметров (тип, скорость, ускорение, направление движения);

• предложена техническая модель построения системы мониторинга и оценки качества дорожного покрытия по поиску неоднородностей (площади и объема ям, трещин, выбоин);

• разработана математическая модель и комплекс информационных технологий-программ обработки изображений.

Объект исследования — технические средства, системы контроля и процессы управления дорожным движением, состояние дорожного покрытия, безопасность движения и соблюдение правил дорожного движения.

Теоретической и методологической основой исследования послужили научные труды по проблемам оптимизации планирования, организации и управления автотранспортными потоками, снижения числа ДТП и уменьшения негативного воздействия автомобильного транспорта на окружающую среду, исследования в области безопасности движения с учетом технического состояния дорожной сети, натурные исследования, методы технического зрения, многомерного статистического анализа, системного анализа, математические методы распознавания и анализа изображений, а также методы параллельной обработки фото- и видеоинформации в режиме реального времени.

Научная новизна. Создание комплекса технических методов построения системы мониторинга дорожного движения, методов обеспечения безопасности дорожного движения с учетом технического состояния дорожного покрытия, разработка алгоритмов мониторинга дорожного покрытия и автотранспортных средств (АТС) в режиме реального времени.

Практическая значимость работы состоит в разработке и внедрении аппаратно-программного комплекса мониторинга, объединяющего в едином модуле технологические, организационные и диспетчерские функции.

Результаты диссертационной работы приняты к использованию Федеральным Управлением автодорог Центральной России (ФУАД ЦР). Предложенные автором математические модели и алгоритмы программных средств вычислительной техники используются в МАДИ (ГТУ) при преподавании дисциплин студентам первого («Аппаратные и программные средства информатики»), второго и третьего курсов («Компьютерная графика») специальности Прикладная математика.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на:

• Международном транспортном форуме по проблемам безопасности дорожного движения (г.Москва, Кремль, Государственный Кремлевский дворец, 15 декабря 2004 г.);

• семинаре «Научно-практические задачи развития автомобильно-дорожного комплекса в России», (г.Москва, МАДИ, 26 октября 2005 г.);

• IX Международной конференция «Интеллектуальные системы и компьютерные науки» (г.Москва, МГУ, 23-27 октября 2006 г.);

• семинаре «Научно-практические задачи развития автомобильно-дорожного комплекса в России» (РАН, МТУ СИ, 27 ноября 2007 г.);

• выставке «Достижения МАДИ (ГТУ)» (2005-2007 гг.).

Публикации. По результатам исследований опубликовано 9 работ, в том числе 2 статьи, включенные в Перечень ведущих рецензируемых научных изданий ВАК РФ.

Структура и объем диссертации. Диссертация состоит из введения, 4-х глав, основных и общих выводов, библиографического списка из 101 наименования и 4 приложений.

ВЫВОДЫ ПО ГЛАВЕ 1. ЦЕЛИ И ЗАДАЧИ ИССЛЕДОВАНИЯ

Основное внимание данной главы уделено системам технического зрения, используемым в дорожной отрасли. В данной главе автором проведен подробный обзор существующих систем технического зрения по организации мониторинга транспортных сетей, дано описание алгоритмов их работы и оценка качества функционирования. Приведено аналитическое исследование предмета разрабатываемой системы мониторинга дорожного покрытия и характеристик автотранспортных потоков, организации и управления.

Для реализации цели построения технологии интеллектуального мониторинга автотранспортных потоков и состояния автомобильных дорог автором поставлены следующие задачи:

1. Разработать систему технического зрения для реализации задач анализа и распознавания изображений.

2. Разработать алгоритм построения системы технического зрения для мониторинга автотранспортных потоков.

3. Разработать алгоритмы построения системы технического зрения для мониторинга состояния дорожного покрытия и дорожной инфраструктуры.

4. Разработать алгоритмы и модели сбора, хранения, автоматической обработки, обновления и представления данных о качестве обслуживания дорог для их систематизации и учета.

Современная аппаратно-программная база позволяет создать относительно недорогую систему интеллектуального мониторинга. Реализация комплексного мониторинга автотранспортных потоков и получение большого массива данных позволяют создать систему принятия решений и управления за дорожным движением на магистралях страны. Реализация задачи мониторинга состояния дорожного покрытия связана с качеством движения всего парка АТС, а своевременное управление ремонтным процессом позволяет повысить качество обслуживания всей сети.

ГЛАВА 2. АППАРАТНЫЕ СРЕДСТВА РЕАЛИЗАЦИИ ЗАДАЧИ МОНИТОРИНГА

В данной главе диссертационной работы автором приведено описание технологии построения системы работы ЭВМ с цифровыми устройствами для реализации системы технического зрения.

Важность связи между различными компонентами и устройствами в компьютерной технике очень важна. Не менее важен и выбор типа устройства и принцип реализации работы с ним. На современном этапе развития компьютерной инженерии пользователю представлен широкий ряд технических устройств, с которым он может осуществлять связь. Приведенные технологии мониторинга и сбора данных основаны на связи с устройствами видео- и фотонаблюдения.

1. Рис. 12, Структура программной реализации

2. Рассмотрим технологию мониторинга и анализа изображений, полученных с использованием камер цифрового видеонаблюдения, как информацию входных данных внешних устройств (рис. 12).

3. В процессе разработки технологии по мониторингу транспортных потоков были использованы и внедрены все из перечисленных типов устройств. Рассмотрим технологии получения и передачи изображений с устройств, описанных выше.

4. Современный видеоряд базируется на цифровой основе, однако практически все цифровые видеоформаты до сих пор в качестве носителя исходного сигнала используют пленку с последовательным доступом.

5. Цифровое видео характеризуется четырьмя основными факторами: частота кадра (Frame Rate), экранное разрешение (Spatial Resolution), глубина цвета (Color Resolution) и качество изображения (Image Quality).

6. Величина каждого отсчёта заменяется округлённым значением ближайшего уровня квантования, его порядковым номером.

7. Таким образом, информация об изображении, представленная в цифровом виде, может быть передана на жёсткий диск компьютера для последующей обработки и монтажа без каких-либо дополнительных преобразований.

8. Запись на ленту производится со скоростью 25 кадров в секунду. Кадру на DV-ленте соответствуют 12 наклонных строк, которые содержат видеоданные, информационно связанные с ними аудиоданные, а также адресно-временной код (timecode).

9. Рис. 13. Полный видеокадр, состоящий из двух полей

10. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ВЗАИМОДЕЙСТВИЯ С ЦИФРОВЫМ УСТРОЙСТВОМ

11. Рассмотрим архитектуру программной реализации взаимодействия с цифровым устройством для решения прикладных задач.

12. Рис. 15. Компоненты DirectX Foundation Программное взаимодействие с данными компонентами позволяет разработчику получить доступ к работе программной архитектуры компьютера, в частности, к работе со звуком, анимацией, видео.

13. Audio Capture Захват аудиопотока

14. AVI Compressor Сжатие потока AVI

15. AVI Decompressor Декомпрессия потока AVI1. AVI Draw Вывод AVI файла

16. AVI/WAV File Source Чтение AVI файла

17. DV Video Decoder Декодирование DV видеопотока

18. DV Video Encoder Кодировка видеопотока

19. MSDV Driver The Microsoft® Windows® Driver Model (WDM) драйвер для видеокамер формата DV