точка poi в видеорегистраторе что это значит

Обновление speedcam (POI) на стареньком регистраторе.

Вся эпопея началась с того, что в моем стареньком регистраторе «Видеосвидетель 4405 FHD G» начала умирать флешка и я, в начале не разобравшись в причинах проблемы, приволок его домой. Флешка была успешно куплена на китайском сайте (оооочень важно качество флешки, многие ругают этот регистратор, а дело как раз в дешёвых флешках…) и пока почта ее доставляла, регистратор валялся на столе без дела.
И тут я вспомнил, что напрягают меня старые speedcam (POI) – они как бы работают, но уже совсем не актуальны и больше раздражают.

Для тех, кто не в теме, POI — достопримечательность или другой объект, отмеченный точкой на карте. В нашем случае это камеры на дорогах, а если быть точным – список координат возможных установок камер, по которому видеорегистратор (или навигатор) предупреждает водителя при превышении скорости.

Легкое гугление показало, что последний раз прошивку и файл с POI официальный сервис выкладывал на форуме аж в 2014 году (у меня как раз эта прошивка и стояла). После этого – тишина. Но есть пример файла для загрузки. Выглядит он вот так – текстовый файл с названием speedcam22.txt с содержанием:

Судя по всему, это обычный файл с разделителем «, », где (по первой строке):
1 – номер по порядку (не повторяется)
38.9355361- долгота
56.7228591- широта
1 — индекс статичной камеры
90 — разрешенная скорость
1 — индекс направлении камеры (0 — все направления, 1 смотреть направление, 2 направления вперед и назад)
62 — Направление камеры в градусах (0 — север, 90 — восток, 180 — юг, 270 — запад)

Этот состав я подсмотрел так же на форуме, как оказалось, это достаточно распространенный вид файлов POI.

Но где же взять новый файл? Опять же поиск в интернете подсказал кучу сайтов, где выкладывают POI, но для более новых устройств.
Найден был вариант, близкий к нужному – на сайте speedcamonline.ru (не реклама, вариантов много, это просто для примера) вариант для «SpeedCam для MySpeed». Отличие только в наличие первой строки и отсутствии номера по порядку в начале каждой строки:

X, Y, TYPE, SPEED, DirType, Direction
38.9355361,56.7228591,1,90,1,62
38.5974450,55.8535189,5,60,1,276
35.3013700,55.4927900,5,90,2,282
…

Убираем первую строку, грузим файл в Excel (это обычный текстовый файл с разделителем), добавляем в начало еще столбец, а в него нумерацию строк. Сохраняем все обратно (csv файл с разделителем «запятая»).
Все! Файл готов, можно грузить в регистратор и проверять! У меня загрузился сразу и без проблем. Камеры «видит» просто отлично.

Думаю мой рецепт достаточно универсален, т.к. регистратор тестя так же удалось обновить (там какой-то китаец без названия, но файл подошел!).

Желаю всем без аварийной езды, соблюдайте правила и не кормите ДПС!

Источник

Загрузить навигационные точки POI в ваш Nissan

Объекты POI или точки интереса (от англ. points of interest) — это объекты инфраструктуры, достопримечательности, природные объекты и важные точки на дорогах, координаты и информация о которых нанесены на GPS карту.
К точкам POI относятся: гостиницы, рестораны, АЗС, больницы, магазины, кинотеатры, музеи, банкоматы, аптеки и множество других объектов. Также к точкам POI относятся стенции метро, вокзалы, аэропорты и прочие транспортные узлы. Отдельно выделяются дорожные POI: это посты ДПС, «лежачие полицейские», камеры, радары, железнодорожные переезды и прочие зоны повышенного внимания. Точки POI могут сопровождаться аудио предупреждениями.

Как загрузить точки в Ваш Nissan Connect:

1. Вам понадобится Flash-карта, лучше всего отформатированная в формате FAT. На карте необходимо будет создать папки со следующей последовательностью

X:\myPOIs\myPOIWarnings\speedcam.csv, где X — имя диска флэшки.

2. Необходимо загрузить свежие точки POI с ресурса mapcam.info/speedcam/, где вы должны зарегистрироваться, что бы получить доступ к загрузке.
Снимок

Выбираем необходимые нам данные
(Во вкладке «дополнительные опции» можно выбрать тот тип POI, которые Вам нужны)
Снимок2

Файл не должен превышать более 2мб в размере, иначе Nissan Connect не сможет их загрузить!

Источник

Как работает датчик движения в видеорегистраторах

Содержание

Содержание

По статистике крупнейшей в мире немецкой страховой компании Allianz SE, около 40 % всех ДТП происходит на парковке, и это число постоянно растет.

Осторожно, злой регистратор!

Автомобилисты шутят: «Самое честное в мире СМИ — видеорегистратор». И расскажет все, и докажет, и даже ночью на стоянке снимет любителя парковаться «на слух». Или соседа-подростка, поупражнявшегося в граффити на капоте.

Главное, чтобы видео этих преступлений сохранилось, а не было затерто бесполезными кадрами пустынных переулков. Именно с целью сохранения самых важных событий, произошедших на парковке рядом с вашим авто, в видеорегистратор и были внедрены датчики движения.

Что такое датчик движения в видеорегистраторе

Само определение «датчик движения» может многих ввести в заблуждение, так как этот термин более знаком по классическим охранным системам, которые реагируют на тепловые, звуковые или радиоволны. В случае же с авто-видеорегистратором речь идет не о техническом детекторе, а о программном обеспечении — программа под названием «датчик движения» анализирует не пространство, а его изображение.

Принцип работы программы простой: процессор запоминает статическую картинку в поле обзора камеры и сравнивает ее со следующим кадром. Если ничего не изменилось, сравнение продолжается. Если изменилось, регистратор начинает записывать видео до тех пор, пока изображение снова не станет статичным.

Для чего нужен датчик движения

Видеорегистраторы могут осуществлять запись видео тремя способами:

В отличие от первых двух вариантов, которые могут использоваться как при движении, так и на парковке, режим датчика предназначен исключительно для стоянки авто. При этом он решает важную задачу — экономит место на карте памяти, фиксируя и сохраняя только значимые события. В случае происшествия вам не придется просматривать многочасовое видео, чтобы найти нужный момент.

Как обеспечить питание видеорегистратора с датчиком движения

Для работы видеорегистратора на парковке необходим постоянный источник энергии. Многие модели имеют собственный аккумулятор, но его заряда обычно хватает на несколько часов съемки, поэтому при длительной стоянке нужно предусмотреть питание от бортовой сети автомобиля.

В зависимости от марки авто часть его приборов обесточивается в момент отключения зажигания. Поэтому важно правильно выбрать точку подключения.

Есть два основных способа подключения к бортовой сети:

Некоторые автомобили VIP-класса не позволяют подключать «неродные» гаджеты к бортовой сети — они обнаруживают место утечки тока и блокируют соответствующее устройство. В таком случае придется приобретать автономный источник питания.

Алгоритм работы видеорегистратора

При подключении к постоянному источнику питания видеорегистратор переводится в парковочный режим вручную или автоматически — в зависимости от модели.

Режим парковки — это «спящий режим». Работает так же, как в обычном компьютере:

При переходе в режим парковки текущая запись останавливается, потребление энергии сводится к минимуму. При этом камера продолжает отслеживать изображение, датчик активен и готов включить запись при обнаружении движения.

Выход из режима парковки аналогичен входу — производится автоматически при запуске двигателя или вручную после отключения датчика в меню регистратора.

Нажатие кнопки ON/OFF на корпусе видеорегистратора после остановки авто позволяет принудительно отключить режим парковки. В этом случае датчик движения и камера будут неактивны, записываться ничего не будет.

Если видеорегистратор имеет встроенный контроллер питания, он отключится самостоятельно при падении заряда аккумулятора ниже определенного уровня или через выбранный промежуток времени. Это позволяет защитить АКБ от полной разрядки. Если встроенного контроллера нет, его можно приобрести отдельно.

Что видно на записи, активированной датчиком движения

В зависимости от модели регистратора видео может состоять только из записи самого события, произошедшего после срабатывания датчика, либо же дополняться сохраненными в памяти кадрами.

В последнем случае оно компонуется из трех частей:

Первая буферизация — «предзапись». Это те самые три-пять секунд текущего статичного момента, используемые для сравнения с последующей картинкой. Предзапись циклически обновляется и постоянно хранится в памяти регистратора. В случае же срабатывания датчика движения она автоматически добавляется в начало видео.

Запись движения. После срабатывания датчика запись производится непрерывно, пока изображение не перестанет меняться.

Вторая буферизация — «послезапись». Через несколько секунд после прекращения движения видеорегистратор останавливает запись и запоминает новую статичную картинку, которая добавляется в конец видео. В случае повторного срабатывания датчика послезапись первого видео совпадает с предзаписью следующего.

Такая компоновка позволяет увидеть полную картину произошедшего на парковке, не засоряя карту временными отрезками, в течение которых ничего не происходило.

Простые и «продвинутые» датчики движения — в чем разница?

В ценовом сегменте до 2 000 руб. большинство видеорегистраторов комплектуется самыми простыми датчиками движения, не имеющими каких-либо дополнительных настроек.

Включение датчика в них производится вручную: остановился, заглушил двигатель, выбрал в меню «датчик движения» — запись будет включаться/отключаться автоматически по детектору.

Возможности модернизированных датчиков движения

Автоматический переход в режим парковки. Видеорегистратор сам останавливает текущую запись и включает все парковочные датчики после:

Сохранение видео в отдельный файл и блокировка от перезаписи. На карте памяти выделяется папка для хранения видео, записанных при срабатывании датчиков. Эти файлы помечаются как нестираемые и не удаляются. Количество нестираемых файлов варьируется в зависимости от модели регистратора и в среднем составляет 50 событий.

Удаленное информирование и резервирование. Отправка уведомления о срабатывании датчика на телефон или электронную почту, сохранение записи на облаке — для регистраторов с функцией Wi-fi.

Настройка качества видео.Можно изменить разрешение, включить черно-белую запись, активировать функцию замедленной съемки timelaps. Это позволит до 20 раз сократить объем записей на карте, что крайне полезно при длительной парковке.

Настройки чувствительности. Уменьшают чувствительность датчика к движению мелких объектов типа капель дождя или хлопьев снега. Кроме того, вы можете зонировать кадр — выбрать область в поле обзора камеры, на которую будет реагировать датчик. Например, если вы регулярно паркуетесь рядом с деревом, его ветки попадают в объектив и при движении активируют запись. Эту область можно исключить из поля «зрения» камеры — детектор не будет срабатывать на движение в выбранной зоне. Некоторые устройства позволяют фрагментировать кадр на 50 зон.

Источник

Точка poi в видеорегистраторе что это значит

К точкам POI относятся: гостиницы, рестораны, АЗС, больницы, магазины, кинотеатры, музеи, банкоматы, аптеки и множество других объектов. Также к точкам POI относятся стенции метро, вокзалы, аэропорты и прочие транспортные узлы. Отдельно выделяются дорожные POI: это посты ДПС, «лежачие полицейские», камеры, радары, железнодорожные переезды и прочие зоны повышенного внимания. Точки POI могут сопровождаться аудио предупреждениями.

В программе АВТОСПУТНИК 5 набор объектов POI полностью интегрирован в карту. Расширение этого набора невозможно.

Для программы АВТОСПУТНИК 3 Вы можете скачать дополнительные наборы POI, который можно доустановить на навигатор.

Дополнительные объекты POI для АВТОСПУТНИК 3

Только для АВТОСПУТНИК 3

Примечание

Как обновить точки POI

Только для АВТОСПУТНИК 3

Скачайте архив c дополнительными точками POI для нужной страны. Распакуйте файл, удалите из каталога \POI-waypoints\ старый файл для обновляемой страны (road_poi* для дорожных POI или poi* для общих) и замените его новым. Если старый файл не удалить, на карте появятся дубликаты точек POI.

Источник

Как мы персонализировали POI

Мы в 2ГИС хотим облегчить пользовательскую поисковую рутину и потому стремимся предугадывать запросы пользователей. Под катом расскажем про то, как мы придумали алгоритм для персонализации интересных мест и что из этого вышло.

POI (point of interest) — маленькая круглая иконка на карте. Обозначает место или компанию, которые могут представлять интерес для пользователя.

Вот они — POI 2ГИС. У каждой рубрики своя иконка

Объекты POI — популярные у большинства городские объекты в разных рубриках. А хочется учитывать ещё и интересы каждого пользователя отдельно. Поэтому мы решили добавить на карту персонализированные POI, которые будут отвечать за это.

Удачно подобранные POI ещё и сокращают цепочку шагов поиска на карте. Обычно пользователь ищет что-то так: открыл приложение → ввёл поисковый запрос → просмотрел выдачу → открыл карточку объекта.

С персонализированными POI пользователь может без поискового запроса сориентироваться на карте и найти информацию: открыл приложение → увидел нужный POI на карте → открыл карточку объекта.

Карта без персонализированных POI и с ними — интересными для пользователя рестораном, кофейней и клиникой

Данные

В качестве потенциальных объектов для POI логично брать те, к которым пользователь уже проявлял интерес. А среди них искать такие, к которым он вернётся с наибольшей вероятностью. При этом желательно, чтобы объекты интересовали пользователя как можно дольше — чтобы он привык искать их на карте.

Но как классифицировать эти данные? Можно разметить выборку объектов, обогатить множеством признаков и применить бустинг или нейронные сети. Но можно пойти другим путём — и придумать эмпирическое правило.

Эмпирическое правило

У эмпирического правила есть и плюсы, и минусы. Да, это даст более слабое качество классификации. Но главное преимущество — мы можем быстро и легко проверить востребованность POI. Подготовка данных, обучение такой модели и её внедрение займёт значительно меньше времени, чем, например, бустинг. А если фича окажется успешной как для пользователя, так и для компании, мы всегда сможем переключиться на более сложные и затратные модели.

Для эмпирических моделей важен хороший контекст в предметной области. Исследуя поведение пользователей в продукте, мы выяснили, что вероятность повторного обращения пользователя к продукту (retention rate) имеет экспоненциальное распределение.

Такое свойство есть не только у retention rate продукта, но и у многих других явлений, связанных с повторным обращением — например, повторное обращение к объекту, как в нашем случае. Это знание помогло нам разработать алгоритмы по определению «домашнего» города для пользователя, краткосрочных и долгосрочных пользовательских интересов.

Первый алгоритм

Первым делом сформировали выборку вида

— n-мерный вектор признаков i-го объекта, а в качестве объекта классификации рассматриваем все объекты, которыми интересовался пользователь за определённое время до даты расчёта. В нашем случае это два месяца.

— класс i-го объекта — отклик, который принимает значение, равное 1, если пользователь посетил фирмы в контрольный период времени, и 0, если не посетил.

Так как нам важны объекты, которые будут долго интересны пользователю, то в качестве контрольного периода выбрали месяц через две недели после даты расчёта. Этот лаг в две недели нужен, чтобы не захватить в число успешных объекты мгновенного/краткосрочного интереса — те, которые пользователь ищет прямо в дату расчёта или рядом с ней, но не факт, что вернётся к ним. Успешными считаем объекты с y=1 — то есть те, к которым пользователь вернулся во время контрольного периода.

Правило , которое множеству признаков объекта Х ставит в соответствие его класс Y, выглядит так:

где k — общее количество дней (или любой другой единицы времени) в обучающей выборке.

равно 1, если в день с номером i пользователь интересовался объектом, иначе 0. ​​Номер дня равен 1 в первый день обучающей выборки и k в последний.

— параметр, отвечающий за скорость изменения значимости дня взаимодействия с объектом по мере удаления от даты расчёта.

— пороговое значение.

Идея в том, что чем дальше день, когда пользователь интересовался объектом, тем меньший вес будет у этого дня при оценке этого объекта. Параметры функции и подбираются путём максимизации целевой переменной:

где F — это F-мера с соответствующим соотношением желаемой точности и полноты модели. В этой задаче основной акцент на точности алгоритма, поэтому брали параметр .

Результаты 1.0

Проверили алгоритм больше чем на 450 млн объектов. Среди них доля объектов с откликом, равным 1, составляет примерно 5%. Полнота алгоритма — 0.153, точность — 0.401, а F-мера — 0.303.

Качество такого алгоритма может показаться недопустимо низким. Дело в том, что в число объектов для классификации входят объекты, которые мы не можем отнести к долгосрочным интересам на основе данных метрик — пользователи интересовались ими слишком мало, чтобы делать какие-то выводы.

Только 3% объектов интересовали пользователя больше двух дней за обучающий период. В этом нет ничего удивительного: туда входят объекты из сфер с низким retention. Таких много, они могут быть очень крупными — например, аптеки, бары или просто объекты, которые не заинтересовали пользователя.

Среди объектов с откликом, равным 1, такой процент выше — 22%. Это тоже мало, но объясняется большим периодом между посещениями объекта.

Если исключить такие объекты, то при тех же параметрах модели полнота вырастает с 0.153 до 0.684 при той же точности в 0.401, а F-мера с акцентом на точности становится равной 0.437 — классическая, конечно, выше.

Однако при таком виде модели остаётся ещё две проблемы. Во-первых, у пользователей разный уровень активности: кто-то пользуется приложением раз в день, а кто-то — раз в месяц. Поэтому использование общего порогового значения и одних параметров весовой функции может занижать качество классификации.

Во-вторых, у объектов может быть разная частота посещения в зависимости от их сферы деятельности. Например, за продуктами в гипермаркет пользователь ездит стабильно раз в неделю, в парикмахерскую ходит раз в месяц, а при простуде может посещать поликлинику так часто, как скажет врач. Так что мы можем упускать объекты с большими интервалами посещения.

Второй алгоритм

Чтобы учесть эти проблемы, мы добавили в функцию признак, показывающий максимальный период пользовательского интереса, и немного иначе учли интенсивность посещения объекта и его актуальность. Разделили пользователей на три группы по частоте посещения продукта. Для каждой из них подобрали свои параметры этой модели:

k — количество дней в обучающей выборке.

— номер последнего дня взаимодействия пользователя с объектом (равен 1 в первый день обучающей выборки и k в последний).

— количество дней взаимодействия пользователя с объектом в рассматриваемом периоде.

— количество дней между первым и последним днём взаимодействия пользователя с объектом в рассматриваемом периоде.

— параметры функции, которые подбираются путём максимизации целевой переменной (в нашем случае это F-мера) аналогичным для первой модели образом.

Результаты 2.0

Оценили параметры и получили следующие результаты по кластерам пользователей.

Кластер	Полнота	Точность	F-мера
1. Объекты пользователей, которые заходят в 2ГИС реже трёх раз в месяц	0.072	0.349	0.197
2. Объекты пользователей, которые заходят в 2ГИС чаще трёх раз в месяц	0.162	0.457	0.335
3. Объекты пользователей, которые заходят в 2ГИС чаще десяти раз в месяц	0.194	0.514	0.386
Итого по 2-му алгоритму	0.177	0.492	0.363
Итого по 1-му алгоритму	0.153	0.401	0.303

F-мера увеличилась для всех кластеров, кроме первого — ему соответствует самая неактивная часть аудитории и на неё приходится не так много объектов.

Количество истинно-положительных объектов увеличилось на 17%. Прирост в точности составил 9.1%, а в полноте — 2.4%. Общая F-мера увеличилась на 6%.

Если исключить объекты с слишком маленьким количеством уникальных дней, то при тех же параметрах модели полнота вырастает с 0.177 до 0.802 (для первой модели 0.684, то есть прирост на 11.8%) при той же точности в 0.492 (для первой модели 0.401, то есть прирост на 9.1%). И если исходя из этого оценить F-меру , то для второго алгоритма она будет 0.533, а для первого 0.437, то есть прирост составляет 9.6%.

Итог эксперимента на бою

Декомпозиция данных и ввод дополнительных параметров значительно улучшили качество модели. Значит, более сложные модели могут повысить качество результата. Но прежде чем улучшать алгоритм, решили проверить фичу на бою и посмотреть, понравится ли она пользователям.

Персонализированные POI чуть больше обычных и появляются на карте раньше них

За месяц 500 000 пользователей сделали 1 млн кликов по персонализированным POI. Это примерно 12% от тех пользователей, кому мы их подобрали — но это не значит, что остальные пользователи не обратили на них внимание.

Примерно 40% от тех, кому подобрали персонализированные объекты, обращались к этим объектам другими способами. И это тоже хорошо — значит, есть потребность в персонализации не только на карте, но и в других составляющих продукта.

POI vs Избранное

Чтобы оценить, достаточно ли для нас таких результатов, мы решили сравнить персонализированные нами POI с объектами, которые пользователь персонализировал сам — с Избранным.

У персонализированных POI и Избранного похожая цель — запомнить места, в которые хочется вернуться. Похож и внешний вид — они отмечены иконками на карте и имеют примерно один и тот же масштаб отображения. Разница во внешнем виде: значок у всех объектов Избранного всегда один и тот же — белый флажок на оранжевом или красном фоне, а у персонализированных POI цвет и пиктограмма иконки меняется и зависит от отрасли объекта.

Персонализированные POI ещё и подскажут текстом, что за объект нас интересовал — в отличие от иконок Избранного без подписей

Оказалось, что доля пользователей с кликами в персональные POI больше, чем доля пользователей с кликами в Избранное с карты — в два раза среди тех, кому POI вообще были подобраны, и в полтора раза среди всех пользователей.

Фактически, мы сделали для пользователя обновляемое Избранное на карте, за которым ему не надо следить и вообще что-либо самому делать. Это довольно неплохой результат — поэтому есть смысл развивать персональные POI и дальше.

Выводы

Эмпирические модели могут быть полезны и эффективны на начальных этапах запуска фич и в условиях ограниченности ресурсов, потому что они могут дать результат быстро и дёшево. Главное — формировать предположения, исходя из глубокого понимания логики продукта, его природы и поведения пользователей.

Ну и ещё один вывод — будущее за персонализацией.

Источник