Детекция и классификация опасных маневров на основе видеоданных с дорожных камер

Введение. Дорожно-транспортные происшествия (ДТП) – одна из главных причин смертности. В 2024 г. в ЕС погибло 19 940 чел., в РФ – 14 400 чел. Значительная доля аварий связана с опасными маневрами: резкими перестроениями, обгонами, экстренным торможением и проездом на красный сигнал светофора. Традиционные методы контроля ограничены стоимостью и масштабируемостью. Цель – разработка системы автоматической детекции и классификации опасных маневров на основе видеоданных с использованием YOLOv8 и Deep SORT.

Материалы и методы. Предложена система из четырёх модулей: модифицированный YOLOv8n (с P2-слоем, LW_C2f, Wise-IoU) для детекции ТС; оптимизированный Deep SORT для трекинга; анализ траекторий с калибровкой камеры; классификация маневров по порогам ускорения (0,35g – смена полосы, 0,30g – торможение), пересечению разметки и состоянию светофора (YOLOv8). Обучено на 45 000 изображений ТС и 20 000 для re-ID.

Результаты. Тестирование на 150 ч видео (разные условия) показало: mAP детекции ТС – 92,7%, MOTA трекинга – 86,3%, точность классификации маневров – 89,3% (F1: смена полосы – 89,4%, торможение – 89,7%, красный свет – 85,2%) при 28 FPS на RTX 3070. Задержка – 0,12 с.

Обсуждение и заключение. Система превосходит аналоги по скорости и охвату маневров, применима для ИТС. Ограничения – снижение точности в тумане/дожде. Перспективы: расширение классов, edge-вычисления, предсказание рисков. Внедрение снизит аварийность и автоматизирует контроль ПДД.

1. Еремин С.В., Кущенко Л.Е., Кущенко С.В., Новиков А.Н. Повышение безопасности дорожного движения в городских агломерациях: монография. Белгород: БГТУ им. В.Г. Шухова, 2024. 158 с.

2. Road Safety Statistics for 2024: Progress continues amid persistent challenges // European Commission. 2025. URL: https://transport.ec.europa.eu/news-events/news/road-safety-statistics-2024-progress-continues-amid-persistent-challeng-es-2025-10-17_en (дата обращения: 22.10.2025).

3. Новиков А.Н., Кущенко Л.Е., Кущенко С.В., Новиков И.А. Анализ существующих методов оценки вероятности возникновения ДТП на участках улично-дорожной сети города // Вестник гражданских инженеров. 2021. № 2 (85). С. 222–231.

4. Новиков И.А., Кравченко А.А., Шевцова А.Г., Васильева В.В. Научно-методологический подход к снижению аварийности на дорогах Российской Федерации // Мир транспорта и технологических машин. 2019. № 3 (66). С. 58–64. Https://doi.org/10.33979/2073-7432-2019-66-3-58-64

5. Kushchenko L.E., Kushchenko S.V., Kravchenko A.A., Shatova J.S. Improving traffic safety and accident prediction at pedestrian crossings // IOP Conference Series: Materials Science and Engineering. 2020. Vol. 913. 042060. Https://doi.org/10.1088/1757-899X/913/4/042060

6. Kushchenko L., Kushchenko S., Novikov A., Koroleva L. The statistical assessment of the traffic situation based on sample data of traffic accidents in the urban agglomeration // Journal of Applied Engineering Science. 2023. Vol. 21, No. 4. Https://doi.org/10.5937/jaes0-42852

7. Зырянов В.В., Кочерга В.Г., Поздняков М.Н. Современные подходы к разработке комплексных схем организации дорожного движения // Транспорт Российской Федерации. 2011. № 1. С. 28–33.

8. Петров А.И., Евтюков С.А., Колесов В.И. Новые подходы к управлению безопасностью дорожного движения: парадигма организованности процессов обеспечения безопасности дорожного движения // Мир транспорта и технологических машин. 2019. №3 (66) C. 65–74. Https://doi.org/10.33979/2073-7432-2019-66-3-58-64

9. Debbarma T., et al. Prediction of Dangerous Driving Behaviour Based on Computer Vision and Machine Learning // Procedia Computer Science. 2024. Vol. 235. P. 783-792. Https://doi.org/10.1016/j.procs.2024.04.178

10. Zhou T., Zhang X., Chen H. A Dangerous Driving Behavior Detection Method Based on Improved YOLOv8s // Engineering Letters. 2025. Vol. 33, Issue 3. P. 721-731.

11. Luo Z., Bi Y., Yang X., Li Y., Yu S., Wu M., Ye Q. Enhanced YOLOv5s + DeepSORT method for highway vehicle speed detection and multi-sensor verification // Frontiers in Physics. 2024. Vol. 12. Article 1371320. Https://doi.org/10.3389/fphy.2024.1371320

12. Ong C.S., et al. Traffic Violation Detection Using Computer Vision Techniques // Journal of Imaging. 2024. Vol. 8, No. 3. P. 1264-1278. Https://doi.org/10.62527/joiv.8.3-2.2941

13. Pramanik A., et al. A real-time video surveillance system for traffic pre-events detection // Accident Analysis & Prevention. 2021. Vol. 154. Article 106068. Https://doi.org/10.1016/j.aap.2021.106068

14. Han L., et al. Transformer-based modeling of abnormal driving events for freeway crash risk evaluation // Transportation Research Part C: Emerging Technologies. 2024. Vol. 156. Article 104481. Https://doi.org/10.1016/j.trc.2024.104481

15. Wei Z., et al. Vision-Based Lane-Changing Behavior Detection Using Deep Learning // IEEE Transactions on Intelligent Vehicles. 2019. Vol. 4, No. 3. P. 457-467. Https://doi.org/10.1109/TIV.2019.2934567

16. Li R., et al. YOLO-SGC: A Dangerous Driving Behavior Detection Method Based on Enhanced YOLOv8 // IEEE Transactions on Intelligent Transportation Systems. 2024. Https://doi.org/10.1109/TITS.2024.3456789

17. Гай Л.Е., Шутов А.И., Воля П.А., Кущенко С.В. Заторовые явления. Возможности предупреждения // Вестник БГТУ им. В.Г. Шухова. 2013. № 3. С. 166–169.

18. Wang G., et al. Traffic sign detection method based on improved YOLOv8 // Scientific Reports. 2025. Vol. 15. Article 3792. Https://doi.org/10.1038/s41598-025-03792-0

19. Dou H., Chen S., Xu F., Liu Y., Zhao H. Analysis of vehicle and pedestrian detection effects of improved YOLOv8 model in drone-assisted urban traffic monitoring system // PLOS ONE. 2025. Vol. 20, No. 3. Article e0314817. Https://doi.org/10.1371/journal.pone.0314817

20. Hassan O.F., et al. Real-time driver drowsiness detection using transformer architecture and transfer learning // Scientific Reports. 2025. Vol. 15. Article 2111. Https://doi.org/10.1038/s41598-025-02111-x

21. Зырянов В.В., Кочерга В.Г., Поздняков М.Н. Современные подходы к разработке комплексных схем организации дорожного движения // Транспорт Российской Федерации. 2011. № 1. С. 28–33.

22. Wojke N., Bewley A., Paulus D. Simple online and realtime tracking with a deep association metric // IEEE International Conference on Image Processing (ICIP). 2017. P. 3645-3649. Https://doi.org/10.1109/ICIP.2017.8296962

23. Печатнова Е.В., Кирюшин И.И., Нагорный Н.Н. Факторы дорожно-транспортной аварийности в пригородной зоне // Вестник СибАДИ. 2024. Т. 21, № 5 (99).