Published 2026-05-26
Keywords
- video ma’lumot, avtomobilni tanib olish, kompyuter ko‘rishi, chuqur o‘rganish, obyekt deteksiyasi, ko‘p obyektli kuzatuv, YOLO, Faster R-CNN, DeepSORT, ByteTrack, UA-DETRAC, KITTI, AP, MOTA, IDF1, HOTA, real vaqt tizimi.
Abstract
mazkur ilmiy maqolada video ma’lumotlardan avtomobillarni tanib olish tizimini ishlab chiqish masalasi kompyuter ko‘rishi, chuqur o‘rganish va ko‘p obyektli kuzatuv nazariyasi kesishgan nuqtada tadqiq etiladi. Tadqiqotning dolzarbligi shundan iboratki, zamonaviy transport infratuzilmasi, aqlli shahar konsepsiyasi, yo‘l harakati xavfsizligi, tirbandliklarni boshqarish, avtoturargoh monitoringi, transport oqimini statistik tahlil qilish va huquqbuzarliklarni avtomatik aniqlash kabi vazifalarda video kuzatuv materiallaridan tezkor va ishonchli tarzda avtomobilni tanish tizimlariga ehtiyoj jadal ortib bormoqda. Maqolada avtomobilni tanish jarayoni oddiy “kadrda mashina bor-yo‘qligini topish” bilan cheklanmasdan, obyektni aniqlash, sinflarga ajratish, ketma-ket kadrlar bo‘ylab kuzatish, identifikatorni saqlash, qisman yopilish va yoritilish o‘zgarishlariga chidamlilik, shuningdek, real vaqt rejimida ishlash talablarini birlashtiruvchi murakkab intellektual tizim sifatida talqin qilinadi. Tadqiqot doirasida ikki bosqichli va bir bosqichli detektorlar evolyutsiyasi, xususan Faster R-CNN hamda YOLO oilasining nazariy va amaliy ustunliklari, SORT/DeepSORT va ByteTrack kabi kuzatuv algoritmlarining imkoniyatlari, UA-DETRAC hamda KITTI kabi benchmark to‘plamlarining roli, shuningdek, AP, MOTA, IDF1 va HOTA kabi baholash mezonlarining mazmuni tizimli tahlil qilinadi. Maqolada video oqimdan avtomobilni tanish uchun deteksiya–filtrlash–kuzatuv–tasnif–hodisa tahlili–vizualizatsiya zanjiriga asoslangan konseptual arxitektura taklif qilinadi; ushbu arxitektura real sharoitda yomg‘ir, tuman, soyalanish, kamera burchagining keskinligi, fonning murakkabligi va obyektlar zichligi kabi omillar mavjud bo‘lgan holatda ham ishlash uchun optimallashtirish mezonlari bilan boyitiladi. Muallif tomonidan tizimni ishlab chiqishda aniqlik va tezlik o‘rtasidagi muvozanat, lokal ma’lumotlar bilan qayta o‘qitish, sinf nomutanosibligini kamaytirish, kontekstual xususiyatlardan foydalanish hamda chekka qurilmalarda inferensni tezlashtirish bo‘yicha ilmiy-amaliy yondashuv taklif etiladi. Tadqiqot natijasida avtomobilni video ma’lumotlar asosida tanib olish faqat deteksiya muammosi emas, balki ko‘p komponentli, baholash metrikalari va foydalanish stsenariylariga sezgir, moslashuvchan intellektual tizimlar muammosi ekani asoslab beriladi.
References
- 1. Redmon, J., Divvala, S., Girshick, R., Farhadi, A. You Only Look Once: Unified, Real-Time Object Detection. arXiv, 2016.
- 2. Ren, S., He, K., Girshick, R., Sun, J. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. NeurIPS, 2015.
- 3. Wojke, N., Bewley, A., Paulus, D. Simple Online and Realtime Tracking with a Deep Association Metric. arXiv, 2017.
- 4. Zhang, Y., Sun, P., Jiang, Y., et al. ByteTrack: Multi-Object Tracking by Associating Every Detection Box. ECCV, 2022.
- 5. Wen, L., Du, D., Cai, Z., et al. UA-DETRAC: A New Benchmark and Protocol for Multi-Object Detection and Tracking. Computer Vision and Image Understanding, 2020.
- 6. Geiger, A., Lenz, P., Stiller, C., Urtasun, R. Are We Ready for Autonomous Driving? The KITTI Vision Benchmark Suite. CVPR, 2012.
- 7. Luiten, J., Osep, A., Dendorfer, P., et al. A Higher Order Metric for Evaluating Multi-Object Tracking. International Journal of Computer Vision, 2020.
- 8. Padilla, R., Passos, W. L., Dias, T. L. B., Netto, S. L., da Silva, E. A. B. A Comparative Analysis of Object Detection Metrics with a Companion Open-Source Toolkit. Electronics, 2021.
- 9. Mandal, V., Adu-Gyamfi, Y. Object Detection and Tracking Algorithms for Vehicle Counting: A Comparative Analysis. arXiv, 2020.
- 10. MOTChallenge benchmark materiallari va unga tayanuvchi tracking baholash yondashuvlari.