Автоматизированная информационно-управляющая система мониторинга чрезвычайных ситуаций на автомобильном транспорте

Во введении к диссертации охарактеризована актуальность исследования, сформулированы цель и задачи исследования, научная новизна, практическая значимость полученных результатов, их достоверность, приведены результаты диссертации, выносимые на защиту и сведения об их апробации.
В первой главе «Анализ современного состояния и тенденций развития систем прогнозирования и мониторинга последствий чрезвычайных ситуаций на транспорте» представлены результаты анализа состояния вопроса обеспечения транспортной безопасности с учетом применения современных видеоинформационных технологий и методов обработки и передачи видеоинформации, а также постановка задач исследования.
Проведен анализ нормативно-правовой базы в сфере обеспечения транспортной безопасности, позволяющий сделать вывод о чрезвычайной важности реализации мероприятий по повышению уровня безопасности в транспортной отрасли, играющей ключевую роль для ускоренного экономического развития страны и имеющей огромное социальное значение.
Проведен обзор функциональных подсистем, организованных в рамках министерств и ведомств, входящих в соответствии с утвержденной структурой в Единую государственную систему предупреждения и ликвидации чрезвычайных ситуаций (РСЧС), а также
Общероссийской комплексной системы информирования и оповещения населения в местах массового пребывания людей (ОКСИОН), Системы защиты от чрезвычайных ситуаций природного и техногенного характера, информирования и оповещения населения на транспорте (СЗИОНТ) и АПК «Безопасный город». Отмечено, что несмотря на выстроенную структурно-организационную систему взаимодействия между органами власти, федеральными министерствами и ведомствами наблюдается отставание в фактическом развитии и применении в существующих системах мониторинга и прогнозирования ЧС составляющих средств автоматизации процессов сбора, хранения, обработки и передачи информации, в том числе видеоинформации, а также внедрении современных методов обработки и передачи видеоданных, позволяющих решить проблему доставки высококачественных видеоданных в условиях дефицита пропускной способности каналов передачи данных в информационные центры органов повседневного управления РСЧС. Этот факт существенно затрудняет обеспечение должного взаимодействия между подсистемами РСЧС и негативно сказывается на качестве выполнения функций наблюдения и прогнозирования ЧС, на эффективности снижения рисков возникновения ЧС и масштабах последствий. Для решения данной проблемы и разработана в процессе диссертационного исследования АИУСМ ЧС АТ, использующая преимущества современных видеоинформационных систем. Мониторинг ЧС на автомобильном транспорте в целом осуществляется в целях получения объективных видеоданных о безопасном состоянии автотранспортной инфраструктуры в различных условиях интенсивности движения, на основе которых выполняется предупреждение, прогнозирование, выявление ЧС и организация мероприятий по ликвидации их последствий с последующей оценкой эффективности проведения работ по ликвидации ЧС, а также обеспечения безопасности жизнедеятельности человека.
Для оценки преимуществ и недостатков методов спектральной обработки и передачи изображений, используемых в современных видеоинформационных системах, выполнен их анализ, на основании которого сделаны следующие выводы:
общий недостаток всех существующих алгоритмов сжатия без потерь заключается в отсутствии учета статистических и корреляционных свойств исходного сигнала изображений;
для решения проблемы оперативной доставки видеоинформации, полученной от различных камер наблюдения с учетом пропускной способности канала и заданной точности, необходимо совершенствовать известный подход на основе косинусного преобразования путем снятия ограничения по размеру блоков ДКП и применения адаптивных способов сканирования трансформант после преобразования.
С учетом выявленных недостатков и предложений по усовершенствованию используемых в современных видеоинформационных системах методов обработки и передачи видеоинформации разработана и предложена обобщенная модель АИУСМ ЧС АТ, включающая две важнейшие подсистемы:
передачи и анализа, включающая три основных компонента: приём, первичная обработка и кодирование видеоинформации для передачи по каналу связи. Эта подсистема является основной составляющей частью диссертации;
анализа, включающая три основных компонента: обучение, распознавание и структурирование изображений.
При этом при обработке видеоинформации предлагается использовать адаптивный спектральный подход, который заключается в формировании неравномерная полигональной сетки с различными размерами сегментов изображения и последующим выполнением над ними дискретного косинусного преобразования (ДКП).
Во второй главе «Классификация изображений транспортных аварий по статистическим и амплитудным характеристикам» представлены результаты классификации изображений дорожно-транспортных происшествий с целью определения области применения разработанного адаптивного алгоритма обработки изображений с учетом их характеристик и свойств.
В главе предложена методика классификации изображений ЧС на АТ по статистическим и амплитудным свойствам по двум признакам: интегрированной оценке неопределенности (IUA − integrated uncertainty assessment) и максимальному размаху амплитуды (MAS − maximum amplitude span) исходного сигнала, а также предложен порядок оценки эффективности алгоритмов изображений ЧС для создания видеосистем мониторинга реального времени.
На основе классификации методика позволяет сравнивать эффективности различных алгоритмов обработки изображений и включает следующие шаги:
 задание значений порогов нестационарности и неопределенности изображений ЧС, т.е. значений MAS и IUA;
 исследование и разработку алгоритма вычисления заданных значений порогов;
 вычисление границ интервалов при изменении значений заданных порогов значений признаков классификации;
 разбиение шкалы изменения заданных порогов на три интервала (по возможности равных);
 выбор из множества изображений видов ЧС на автомобильном транспорте подмножества сюжетов для полученных интервалов по порогам IUA и MAS;
 тестирование каждого алгоритма на полученной представительской выборке ИДТП;
 вычисление информационных показателей качества системы передачи таких, как точность восстановления изображения, характеризующаяся значением среднеквадратической ошибки (СКО), битовая скорость и сложность;
 при отсутствии информации о вероятностях появления того или иного сюжета ДТП следует считать их равновероятными;
 усреднение по сформированной выборке в случае получения разных величин битовой скорости для каждого тестируемого алгоритма или, наоборот, усреднение СКО полученных при обработке изображений ДТП с учетом выбранной битовой скорости;
 оценка результатов обработки всех алгоритмов путем сравнения и выбор алгоритма, обеспечивающего минимальную битовую скорость передачи с учетом заданной ошибки − СКО, или, другими словами, поиск алгоритма с высокой точностью восстановления при заданной битовой скорости.
Методика классификации изображений ЧС состоит из вычисления значений порогов IUA и MAS:
1. Вычисление IUA. Для оценки значений порогов IUA и MAS представительской выборки ИДТП необходимо воспользоваться общеизвестными в статистической радиотехнике методиками, в которых многомерные сигналы характеризуются таким понятием, как нестационарность и при этом рассматриваются два варианта: процессы с фиксированным/переменным значением величины дисперсии и процессы с фиксированным/переменным значением автокорреляционной функции.
Следовательно, при расчёте пороговых значений признаков IUA и MAS необходимо учесть статистические свойства или характеристики сигнала изображения (CTn). При этом каждая статистическая характеристика определяется для определенного размера интервалов (сегментов), оцененных по конкретным адаптивным алгоритмам. Интервалы между пороговыми значениями IUA и MAS следует выбирать такие, чтобы они удовлетворяли следующим двум условиям:
1) величина интервала не должна быть меньше значения, приводящего к получению неприемлемых значений погрешностей при вычислении статистических характеристик;
2) величина интервала не должна быть больше значения, когда в рамках интервала пропадает корреляция между соседними пикселями и анализ статистических свойств сигнала изображения становится бессмысленным.
Изучив техническую документацию известных стандартов сжатия изображения (JPEG / MPEG), можно сделать вывод, что именно такой подход был использован разработчиками при определении оптимального размера интервала кодирования и составил 88 пикселей.
Общая оценка IUA должна вычисляться как сумма интегрированных статистических характеристик неопределенности отдельных статистик:
∑ (1) где i – текущее значение сегмента исходного изображения, I − число сегментов
изображения.
Если для непрерывных функций используется формула отношения интегралов от
квадрата производной сигнала к интегралу от квадрата самого сигнала, то для дискретной функции, в нашем случае изображения, используется первая конечная разность в виде следующей формулы:
∑
∑
(2)
Исследования различных классов изображений показали, что наилучшим способом для определения размера блока нестационарности является дискриминантный анализ с учетом его применения в рамках статистической теории нестационарности сигналов. Выбор
характеристики, которая определяла бы величину меры нестационарности или, как часто на практике отмечают, меры неопределенности сигнала, необходимо сделать только на основе статистических характеристик исходного сигнала изображений.
Вычисление значений признака IUA осуществляется путём разбиения исходного изображений на блоки размером , в каждом из которых вычисляются значения статистических характеристик. В работе в качестве основных были выбраны следующие:
1) дисперсия (IUA1):
2) коэффициент корреляции (IUA2):
∑∑
√∑ ∑ ( )∑ ∑ ( )
где IUA и IUA’ – матрицы исходного и результирующего изображений.
∑∑( )
(3) (4)
3) Автокорреляционная функция (IUA3) при условии эргодичности сигнала может быть рассчитана по формуле:
{∫∫[][ ]}
(5)
где S − площадь изображения, по которой производится интегрирование, ‒ значение яркости в точке с координатами (x, y); x, y ‒ сдвиги по осям x и y между точками
изображения, для которых рассчитывается корреляционная связь, яркости.
4) среднеквадратическое отклонение (IUA4): √∑∑( )
‒ среднее значение
(6)
(7) (8)
5) среднее значение (IUA5): простое ∑ ∑
взвешенное ∑
∑ ∑∑
где pij – весовой коэффициент.
В результате вычисления всех вышеперечисленных статистик IUA определяется по следующей формуле:
∑() ∑
(9)
Для вычисления IUA изображений ЧС указанных выше классов предлагается два способа:
1) вычислением первой разности значений яркости, т.е. дифференциала исходного сигнала:
а) из каждой i-ой строки исходного изображения размером пикселей вычитается ее среднее значение;
б) для каждой i-ой строки изображения определяется величина IUAi, т.е:
√∑
где x(i, p) – величина яркости пикселя в i-ой строке, p-ом столбце изображения; в) полученные значения IUA усредняются для N строк исходного изображения:
(10)
(11)
∑
∑
2) на основе эквивалентного размаха спектра сигнала изображения, полученной усреднением спектра всех строк изображения по формуле:
√∑ ⁄ | | (12) ∑⁄| |
2. Вычисление MAS. Для вычисления MAS изображений ЧС в работе применена процедура, широко применяемая в статистической радиотехнике в качестве меры широкополосности сигнала:
√∑ | | (13) ∑||
где f(w) – величина спектральной составляющей, полученная путем усреднения значений спектральных составляющих по всем строкам исходного изображения.
Интеллектуальные видеосистемы мониторинга ЧС можно разделить на два типа: системы сбора для передачи видеоинформации и системы анализа видеоинформации.
Цель систем первого типа состоит в оперативной доставке видеоинформации о ЧС в ЦУКС региональных ГУ МЧС России для быстрого реагирования и контроля, следовательно, главной задачей для достижения данной цели является разработка эффективной методики, позволяющей добиться максимального уменьшения битовой скорости передачи данных по каналу связи при сохранении качества восстановленной видеоинформации. А целью систем второго типа является анализ видеоинформации для обнаружения и распознавания ЧС еще на раннем этапе возникновения, следовательно, для этого необходимо разработать эффективные методики и алгоритмы, позволяющие с высокой точностью обнаруживать и распознавать любые ЧС в условиях шума и помех.
Однако следует отметить, что для создания вышеуказанных систем очень важно определить класс изображений с целью достижения максимальной выгоды как с точки зрения процесса кодирования для передачи, так и процесса анализа для обнаружения и распознавания. При этом важно помнить, что каждый алгоритм обработки адаптирован к конкретному классу изображений, учитывающий его статистические и амплитудные свойства.
В результате проведенных экспериментов было исследовано значительное количество изображений транспортных аварий (более 400 кадров) и оценивались признаки: интегрированная оценка неопределенности и максимальный размах амплитуды (IUA и MAS). А также выполнено ранжирование всех изображений по вышеуказанным признакам и

впоследствии сформулирована компактная представительная выборка изображений аварий на АТ, содержащая следующие классы изображений:
а) три класса изображений по признаку IUA: малое, среднее и высокое;
б) три класса изображений по признаку MAS: малое, среднее и высокое.
Комбинация этих шести множеств кадров дает девять отдельных классов изображений
аварий на автомобильном транспорте. (Рисунок 1).
Рисунок 1 − Компактная выборка изображений ЧС на автомобильном транспорте
Третья глава «Алгоритмы передачи видеоинформации о чрезвычайных ситуациях на автомобильном транспорте» посвящена изложению результатов исследований по разработке адаптивного алгоритма передачи видеоинформации о чрезвычайных ситуациях на автомобильном транспорте, математическому аппарату и результатам моделирования алгоритмов обработки ИДТП.
В данной главе рассматривается новая методика обработки ИДТП, разработанная в результате предложенной во 2 главе классификации, предназначенной для оценки эффективности и определения области наиболее оптимального применения с учетом статистических характеристик транспортного видеопотока о ЧС.
Предлагаемый новый способ переупорядочения коэффициентов матрицы дискретно- косинусного преобразования, основанный на математическом аппарате, использующем свойства четности функции косинуса и квантованных коэффициентов, обеспечивает два набора индексов переупорядочения для доминирующих и недоминирующих коэффициентов ДКП соответственно. Предлагаемый способ переупорядочения позволяет упаковать больше последовательных нулей вместе для кодирования нулевой длины итоговой

последовательности передаваемых данных, а также использует различные варианты сканирования коэффициентов ДКП.
Основные шаги разработанного адаптивного алгоритма дискретно-косинусного преобразования (АДКП) изображения:
Рисунок 2 – Алгоритм формирования неравномерной сетки ИДТП
 рекурсивное разбиение исходного изображения на сегменты размером пикселей ( и т.д.) путем задания соответствующих порогов по яркости ( , ) с целью поиска мелких деталей и формирования неравномерной сетки сегментов ДКП в соответствии с алгоритмом представленном на Рисунке 2:
1) в каждом сегменте 1616 производится сравнение значений пикселей с заданным порогом по яркости . Если значения яркости пикселей в пределах данного блока больше заданного, то он разбивается на 4 сегмента размером 88 и выполняется переход к пункту 2, в противном случае переход к пункту 3 алгоритма;
2) в каждом полигоне 88 производится сравнение значений пикселей с заданным порогом . Если значения яркости пикселей в пределах данного блока больше заданного, то сегмент разбивается на 4 блока размером 44 и выполняется переход к следующему пункту;
3) формируется сетка с полученными размерами сегментов для выполнения последующего этапа сжатия.
 применение к каждому сегменту двумерного классического 2D-ДКП и формировании матрицы элементов ДКП;
 выполнение адаптивного квантования элементов матрицы ДКП.
Далее производится передача сигнала по каналу связи, и выполняются в обратном порядке процедуры адаптивного деквантования, обратного дискретно-косинусного преобразования и формирования восстановленного изображения (Рисунок 3).
Рассмотрим подробнее применяемый математический аппарат ДКП, содержащий следующие формулы.
Входной сигнал F(j, k) и ДКП коэффициенты S(u, v) связаны следующими соотношениями:

16 – прямое косинусное преобразование:
√
∑ ∑
[ ( )] [ ( )] (14)
Рисунок 3 – Схема процесса адаптивного дискретного косинусного преобразования изображений дорожно-транспортных происшествий
где j, k  координаты пикселя в пределах сегмента, n – размер сегмента ДКП (размер исходной квадратной матрицы − сегмента) изображения, u, v – координаты пикселя в пределах нового сегмента;
– обратное косинусное преобразование:
∑ ∑ [ ( )] [ ( )] (15) где √ для всех и для всех .
 адаптивное квантование полученных трансформант.
При этом адаптивность в работе алгоритмов сжатия на этапе квантования включает в себя два механизма:
1) известное формирование значений матрицы квантования, т.е. формирование для каждого элемента матрицы ДКП соответствующего элемента матрицы квантования по следующей формуле:
[ ][ ] , (16) где индексы i, j принимают значения от 0 до N−1, а − это коэффициент, отражающий
потерю качества восстановленного изображения;
2) новое адаптивное сканирование элементов полученной матрица после квантование для формирования одномерного потока с последующим сжатием для канала связи.
Адаптивное сканирование квантованных коэффициентов ДКП необходимо для того, чтобы выстроить в один ряд все элементы матрицы с целью получить распределение коэффициентов слева направо, т.е. все значимые коэффициенты будут слева, а нулевые справа, тем самым появляется возможность отсечение нулевых коэффициентов при сжатии и
√
сокращения объема передаваемой информации. Адаптивное квантование позволяет в зависимости от расположения трансформант ДКП выполнить один из следующих способов сканирования: горизонтальное, вертикальное или зигзагообразное (Рисунок 4).
Рисунок 4 – Схема процесса адаптивного квантования
В качестве реализации предложенной методики адаптивного спектрального преобразования ИДТП был разработан высокоскоростной алгоритм передачи видеоинформации о ЧС на объектах автомобильного транспорта (Рисунок 5).
Рисунок 5 – Высокоскоростной алгоритм передачи видеоинформации о чрезвычайных ситуациях на объектах автомобильного транспорта
Алгоритм позволяет исследовать уменьшение скорости цифрового потока за счет управления отбрасыванием части избыточной информации. Поэтому изображение, получаемое с помощью обратного ДКП в приемной части системы, будет идентично исходному изображению. Следовательно, данный алгоритм относится к алгоритмам кодирования без потерь. Отбрасываемая информация оказывается несущественной для

зрительного восприятия, а возникающие изменения и искажения не снижают или почти не снижают его субъективно воспринимаемого качества.
Предлагаемый параллельный адаптивный алгоритм обработки ИДТП сравнивается с известными алгоритмами сжатия JPEG и вейвлет преобразования. Различные классы и категории изображений, полученные от различных камер наблюдения, формируются для оценки производительности предложенной АИУСМ ЧС АТ. Эти классы включают представительную выборку, сформированную во второй главе.
По результатам моделирования работы алгоритмов обработки изображений (АДКП, классический ДКП и вейвлет-преобразования) можно сделать следующие выводы:
1) качество восстановления при одних и тех же значениях коэффициента сжатия, характеризующего битовую скорость передачи, для класса с малой мерой неопределенности и малой амплитудой ИДТП у разработанного алгоритма лучше в 1,6-2 раза, чем у известного метода вейвлет-преобразования и в 1,8-2,1 раза лучше, чем у классического ДКП. Это позволяет выполнять передачу видеопотока транспортных происшествий с коэффициентом сжатия равным 40 и среднеквадратической ошибкой равной 10-15;
2) качество восстановления при использовании разработанного алгоритма для класса со средней мерой неопределенности и средней амплитудой изображений ДТП лучше в 1,3-1,8 раза, чем у известного метода вейвлет-преобразования и в 1,6-1,9 раза лучше, чем у классического ДКП. Это позволяет выполнять передачу видеопотока транспортных происшествий с коэффициентом сжатия равным 35-40 и среднеквадратической ошибкой равной 15-16;
3) качество восстановления при использовании разработанного алгоритма для класса с высокой мерой неопределенности и высокой амплитудой изображений ДТП лучше в 1,2-1,4 раза, чем у известного метода вейвлет-преобразования и в 1,6-1,7 раза лучше, чем у классического ДКП. Это позволяет выполнять передачу видеопотока транспортных происшествий с коэффициентом сжатия равным 34 и среднеквадратической ошибкой равной 20;
4) при создании АИУС МЧС АТ учет статистических характеристик и амплитуды сигнала передаваемых изображений позволяет достичь высоких значений коэффициента сжатия (40-80) при сохранении качества восстановленных изображений;
5) учет особенности съемки ДТП позволяет увеличить коэффициент сжатия до 35 для съемки с высоты от 20 до 30 м; до  55 для съёмки с высоты 50 м и до  70 для съёмки с высоты 150 м (с учетом областей объекта и фона) при хорошем субъективном качестве восстановленных изображений.
В четвертой главе «Структура автоматизированной информационно-управляющей системы мониторинга чрезвычайных ситуаций на автомобильном транспорте» предлагается описание функций основных подсистем и блоков, входящих в АИУСМ ЧС АТ.
Предлагаемая АИУСМ ЧС АТ за счет реализации преимуществ разработанного высокоскоростного адаптивного алгоритма обработки и передачи ИДТП позволит:
повысить уровень ситуационной осведомленности соответствующих оперативных служб, которые смогут в режиме реального времени получать качественную картинку с места ДТП с учетом пропускной способности канала передачи данных;
повысить скорость принятия решения ответственными лицами о наиболее эффективных мероприятиях по ликвидации последствий ДТП, составе и оснащении сил и средств, выезжающих на ДТП, необходимом уровне оказания медицинской помощи пострадавшим;
минимизировать последствия ДТП, спасти жизни и здоровье пострадавших.
Структура АИУСМ ЧС АТ предполагает бесшовное встраивание в общую структуру РСЧС, по сути являясь одним из её прикладных процессов.
На основе проведенных исследований моделирования процесса обработки изображений ДТП с помощью разработанного АДКП, была предложена структурная схема АИУСМ ЧС АТ, включающая в себя следующие основные подсистемы (Рисунок 6):
Рисунок 6 – Структурная схема АИУСМ ЧС АТ
формирования последовательности ИДТП, обеспечивающая сбор поступающей видеоинформации и произошедшем дорожно-транспортном происшествии от различных источников, располагающихся на разных высотах, фиксирующих событие с разных ракурсов и передающих данные в различных форматах;
обработки и передачи ИДТП выполняет две подзадачи:
а) анализа и классификации ИДТП, выполняемого на основе предложенной методики по двум признакам: интегрированной оценке неопределенности (IUA) и максимальному размаху амплитуды (MAS) исходного сигнала. Выполняет сравнение и оценку эффективности различных алгоритмов сжатия и восстановления изображений для конкретных условий;
б) выбора наиболее эффективного для текущих условий алгоритма сжатия и восстановления изображения и выполнения спектрального преобразования ИДТП для передачи по каналам связи;
распределения потоков ИДТП, отвечающая за мультиплексирование видеопотока в зависимости от типа и уровня ЧС на АТ для передачи в ЦУКС ГУ МЧС России субъектов РФ.

Подсистема обработки и передачи ИДТП для решения задачи классификации изображений включает следующие блоки: вычисления амплитудных характеристик сигнала изображений и оценки неопределенности.
Подсистема передачи изображений о ЧС, позволяющая реализовать необходимую степень сжатия с учетом требуемой точности результирующих изображений, включает следующие основные блоки:
нормализации и формирования очереди кадров с соответствующим форматом,
обработки ИДТП с учетом требуемых параметров (степени сжатия, порога яркости, формата и класса изображения, пропускной способности канала связи и т.д.),
кодирования для передачи по каналу связи,
декодирования канала связи,
восстановления результирующих изображений,
распределения видеоинформации о произошедшем ЧС на автомобильном транспорте в
ЦУКС ГУ МЧС России субъектов РФ.
ЗАКЛЮЧЕНИЕ
В работе решена научная задача разработки новых научно обоснованных технических решений для мониторинга чрезвычайных ситуаций на автомобильном транспорте в реальном масштабе времени.
В рамках поставленной цели диссертационной работы были решены следующие задачи:
1. Выполнен анализ современного состояния и тенденций развития систем мониторинга чрезвычайных ситуаций на автомобильном транспорте;
2. Разработана методика классификации изображений чрезвычайных ситуаций на автомобильном транспорте по статистическим и амплитудным свойствам, позволяющая проводить классификацию ИДТП для определения эффективности и области применения предложенных алгоритмов обработки видеоинформации;
3. Разработана методика адаптивного спектрального преобразования видеоинформации о чрезвычайных ситуациях на автомобильном транспорте для передачи по каналам связи в реальном времени, отличающаяся адаптивностью к изображениям ДТП при ЧС на автомобильном транспорте, что позволяет повысить эффективность доставки высококачественной видеоинформации в реальном времени;
4. Разработан высокоскоростной алгоритм преобразования и передачи видеоданных о чрезвычайных ситуациях на объектах автомобильного транспорта, позволяющий на основе математического аппарата осуществить эффективную параллельную обработку больших объемов ИДТП;
5. Научно обоснована и разработана структура автоматизированной информационно- управляющей системы мониторинга чрезвычайных ситуаций на автомобильном транспорте, позволяющая реализовать предложенный высокоскоростной алгоритм обработки ИДТП и обеспечить оперативную доставку видеоинформации высокого качества в ЦУКС ГУ МЧС России субъектов РФ с учетом пропускной способности каналов передачи данных.
В ходе решения указанных задач были получены основные научные результаты, выносимые на защиту, а именно:
1. Методика классификации изображений ЧС на автомобильном транспорте по статистическим и амплитудным свойствам.
2. Методика адаптивного спектрального преобразования видеоинформации о ЧС на автомобильном транспорте для передачи по каналам связи в реальном времени.
3. Высокоскоростной алгоритм передачи видеоинформации о ЧС на объектах автомобильного транспорта.
4. Структура автоматизированной информационно-управляющей системы мониторинга чрезвычайных ситуаций на автомобильном транспорте.
Полученные результаты можно рекомендовать для использования при создании АИУС мониторинга ЧС на магистралях с интенсивным движением автомобильного транспорта.
Научные результаты являются достоверными, обладают необходимой степенью новизны, имеют теоретическую ценность и практическую значимость, апробированы и опубликованы в 18-и научных трудах и в совокупности свидетельствуют о достижении поставленной цели исследования – повышению ситуационной осведомленности и оперативности принятия решений в ЦУКС ГУ МЧС России субъектов РФ для минимизации последствий ЧС на автомобильном транспорте.
В рамках перспективных исследований по теме диссертации предлагается продолжить работы по расширению функционала АИУСМ ЧС АТ в области интеллектуального анализа поступающей в реальном времени видеоинформации с помощью внедрения и развития современных методов обнаружения, распознавания и классификации объектов ЧС на изображениях и реализации функции прогнозирования возникновения ЧС, что, безусловно, повысит эффективность и качество функционирования ЦУКС ГУ МЧС России субъектов РФ и будет способствовать снижению рисков и масштабов последствий ЧС.