С.Я. Криволапов1, Е.Д. Соловьев2

1,2 Финансовый университет при Правительстве Российской Федерации (Москва, Россия)
1 skrivolapov@fa.ru, 2 solzhen@inbox.ru

Постановка проблемы. В настоящее время актуальна проблема определения марки автомобиля по его колее, имеющей параметры, сходные для определенной группы автомобильных средств. Для решения этой проблемы используется средство машинного обучения – наивный байесовский классификатор. Для обучения классификатора используется база данных, содержащая сведения о параметрах (колее и колесной базе) 18 марок автомобилей. Предполагается, что по результатам замеров следов, оставленных транспортным средством на местности, будут получены приближенные значения его параметров. Используя эту информацию как тестовую, обученный классификатор дает предсказание, касающееся марки автомобиля, оставившего следы. Реализация описанного алгоритма предсказания выполнена на языке Python.

Цель. По результатам измерений колесной базы и ширины колеи, полученных по следам, оставленных транспортным средством на дорожном покрытии, определить марку автомобиля.

Результаты. Рассмотрен метод идентификации марки автомобиля по следам, оставленным на местности (в виде колесной базы и ширины колеи), использующий гауссовский наивный байесовский классификатор.

Практическая значимость. Вычисления, проведенные для тестовой выборки, с высокой степенью соответствия реальным условиям измерений на местности показали работоспособность предложенной процедуры.

Криволапов С.Я., Соловьев Е.Д. Применение машинного обучения в задаче проведения автомобильных экспертиз // Нелинейный мир. 2024. Т. 22. № 4. С. 63–69. DOI: https://doi.org/10.18127/j20700970-202404-08

1. Бурнаев Е., Коптелов И., Новиков Г., Ханипов Т. Автоматизированное построение классификаторов на основе рекуррентных нейронных сетей для детекции проездов транспортных средств // Сборник трудов 40-й междисциплинарной школы-конференции ИППИ РАН. 2016.
2. Коптелов И., Григорьев А., Ханипов Т., Емельянов С., Николаев Д. Макет автоматического классификатора транспортных средств // Сборник трудов 38-й междисциплинарной школы-конференции ИППИ РАН. 2014. № 2.
3. Юдин Д.А., Кныш А.С., Капустина Е.О. Обнаружение автомобилей на статических изображениях с использованием метода ВиолыДжонса // Сборник материалов III междунар. науч.-практ. конф. «Инновационное развитие автоматизации, информационных и энергосберегающих технологий, металлургии и металловедения. Современное состояние, проблематика и перспективы». М.: МИСиС. 2015. С. 280–287.
4. Юдин Д.А., Горшкова Н.Д., Кныш А.С., Фролов С.В. Распознавание транспортных средств и регистрация их траектории движения на последовательности изображений // Вестник БГТУ им. В.Г. Шухова. 2016. № 6. С. 139–147.
5. Ohn-Bar E., Trivedi M.M. Go with the flow: Improving Multi-View vehicle detection with motion cues. International Conference on Pattern Recognition. 2014. DOI 10.1109/ICPR.2014.709.
6. Rezaei M., Terauchi M. Vehicle Detection Based on Multi‐feature Clues and Dempster‐Shafer Fusion Theory. Conference: 6th Pacific-Rim Symposium on Image and Video Technology, PSIVT 2013. DOI:10.1007/978-3-642-53842-1_6.
7. Viola P., Jones M.J. Rapid object detection using a boosted cascade of simple features. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR’01). 2001. V. 1. S. I-511–I-518.
8. Кошкин А.А. Классификация следов дорожно-транспортных происшествий. Novainfo. 2018. № 80. С. 65–67.
9. Максимов Н.В. Значимость следов при расследовании экологических преступлений. Национальная безопасность в экологической сфере: проблемы теории и практики // Сб. матер. Междунар. науч.-практич. конф. 2017. С. 543–546.