Esiselvitys kameroiden tekemän analyysin hyödyntämisestä automaattisessa liikenteenseurannassa

Abstract

Fintraffic Tie on valtion erityistehtäväyhtiö, jolla on laissa määrätty velvollisuus pitää yllä tilannekuvaa Suomen maanteiden tieliikenteestä. Fintraffic Tie käyttää tällä hetkellä Boschin kameroita tiekelin ja liikenteen seurantaan, mutta kummassakaan ei hyödynnetä kameroiden sisäänrakennettua analysointikykyä. Tässä työssä tutkittiin Boschin kameroissa olevaa sisäänrakennettua analyysikykyä, verrattiin sitä tosielämän tilanteeseen ja tämän hetken standardina toimivaan induktiolla ajoneuvoja tunnistavaan automaattiseen liikenteen seurantalaitteeseen.

Hyvissä olosuhteissa kamerat tunnistivat ja luokittelivat ajoneuvoja hyvin, mutta olosuhteiden huonontuessa esimerkiksi päivän pimetessä, kameran yksinkertainen liikkuvien kohteiden ääriviivoja etsivä algoritmi alkoi toimia huonommin ja virheelliset tunnistukset ja luokittelut lisääntyivät. Kamera pärjäsi kuitenkin optimiolosuhteissa hyvin nykyisin käytössä olevalle teknologialle, mutta luokiteltavien luokkien vähäinen määrä ja haastavissa olosuhteissa esiin nousevat ongelmat sekä testauksen vaikeus vähensivät kameroiden houkuttelevuutta. Kamerat eivät myöskään sovellu kriittisiin kohteisiin ainoaksi seurantalaitteeksi, mutta voivat tarjota lisäapua tietyissä tilanteissa.

Fintraffic Road is a state-owned company that has a legal obligation to maintain situational picture of Finnish road network. Currently Fintraffic Road uses cameras from Bosch to view road weather and traffic conditions but neither takes advantage of the built-in analytical capabilities of the cameras. The goal of this thesis was to examine the analytical capabilities of Bosch’s cameras, compare the results to real world situation and the current standard way of detecting traffic with inductive loops inside the roads.

With the right conditions the cameras could identify and categorize vehicles admirably but with worsening conditions for example during nighttime the relatively simple way that the algorithm was recognizing the outlines of moving targets proved inadequate and faulty identifications and categorizations started to be more frequent. However, in optimal conditions the camera could rival currently used systems but the low number of categories the camera was able to divide vehicles in and the problems that incurred in adverse conditions lessened their attractiveness. Cameras also weren’t suitable to be the only way to monitor in critical applications but could offer extra help in certain situations.