Améliorer la sécurité à vélo avec la détection vidéo

Le vélo, c'est super populaire pour se déplacer parce que c'est bon pour la santé et pour l'environnement. Mais, beaucoup de gens n'en font pas assez souvent car ils se sentent pas en sécurité près des voitures. Les accidents et les frayeurs peuvent décourager les gens d'utiliser leur vélo. Comprendre ces rencontres proches entre cyclistes et voitures est crucial pour améliorer la sécurité et encourager le vélo.

Détecter les situations à risque en pédalant peut aider les cyclistes et les décideurs à comprendre les interactions dangereuses sur la route. Ce papier lance un nouveau repère appelé Cyc-CP, qui se concentre sur la détection des presque accidents-des situations où une voiture passe trop près d'un cycliste-grâce à des enregistrements vidéo.

#L'Importance de la Sécurité à Vélo

Le vélo a plein d'avantages, comme améliorer la santé physique, réduire les bouchons et diminuer la pollution. Pourtant, dans beaucoup de villes, le vélo représente un petit pourcentage des trajets. Une grosse raison, c'est la peur de se faire renverser en étant près des voitures. Beaucoup de villes n'ont pas les infrastructures adéquates pour les cyclistes, ce qui les amène souvent à partager la route avec les véhicules, augmentant ainsi le risque d'accidents.

À Melbourne, par exemple, la plupart des pistes cyclables ne sont que des lignes peintes et non des chemins séparés physiquement. Ça peut mener à beaucoup d'interactions dangereuses entre cyclistes et véhicules. Des études ont montré que ces rencontres rapprochées peuvent rendre les cyclistes mal à l'aise, ce qui influence leur envie de rouler.

#Détecter les Événements de Presque Accident

Plusieurs méthodes peuvent être utilisées pour détecter ces presque accidents. Ça peut passer par l'utilisation de capteurs accrochés aux vélos, comme des caméras, du GPS et des capteurs de distance. Les enregistrements vidéo sont super utiles car ils peuvent être facilement collectés par les cyclistes avec des appareils comme des caméras GoPro ou des téléphones mobiles. Les vidéos donnent plein d'infos sur l'environnement routier et les véhicules qui passent à proximité.

Cette étude se concentre sur la détection de presque accidents à partir de flux vidéo. Les recherches précédentes ont traité cela comme un problème de classification vidéo, où des modèles sont entraînés pour identifier si une vidéo contient un presque accident. Cependant, des modèles plus avancés peuvent aussi identifier le véhicule spécifique impliqué dans le passage trop près.

#Évaluation de la Détection

Notre repère, Cyc-CP, divise la tâche de détection en deux catégories principales : détection au niveau de la scène et détection au niveau de l'instance.

• Détection au Niveau de la Scène : Ici, on demande si un clip vidéo contient un événement de presque accident. Le système répond par oui ou non en fonction du contenu de la vidéo.

• Détection au Niveau de l'Instance : Ça identifie quel véhicule spécifique a causé le presque accident. Ce type de détection offre des infos plus détaillées et aide à mieux comprendre la situation.

Pour faciliter cette recherche, on a créé un jeu de données synthétique (avec un logiciel de simulation) et un jeu de données du monde réel. En entraînant des modèles sur ces Jeux de données, on vise une grande précision dans la détection des presque accidents.

#Jeux de Données pour Entraîner les Modèles

Les modèles s'entraînent avec deux jeux de données principaux. Le jeu de données synthétique est généré dans un environnement contrôlé, nous permettant de simuler divers scénarios avec un vélo et d'autres véhicules. Cela permet de créer différentes distances de passage et vitesses, en se concentrant sur les rencontres où un véhicule passe à une distance dangereuse du cycliste.

Le jeu de données du monde réel comprend des enregistrements de vraies sorties à vélo, capturant plein d'événements de passage. Ces enregistrements ont été collectés dans différentes conditions, comme diverses conditions météorologiques et à différents moments de la journée. Chaque événement de passage est examiné et étiqueté selon ses circonstances, permettant une analyse complète des rencontres proches.

#Défis de la Détection

Détecter les presque accidents a ses défis. Une mauvaise qualité vidéo à cause d'un mauvais éclairage, de la pluie ou des caméras tremblantes peut rendre la détection difficile. Parfois, des objets peuvent ne pas être visibles dans le champ de la caméra jusqu'à ce qu'ils soient déjà passés, ce qui complique l'évaluation de leur distance.

Un autre défi est de rassembler des données fiables pour entraîner les modèles. Des experts peuvent aider à étiqueter les vidéos, mais ce processus peut être long. De plus, il pourrait y avoir beaucoup plus d'événements de passage normaux que de presque accidents, ce qui crée des jeux de données déséquilibrés pouvant affecter la performance des modèles.

#Modèles Proposés pour la Détection

Le repère inclut deux modèles de détection basés sur des techniques d'apprentissage profond. Les deux modèles ont été entraînés et évalués sur les jeux de données pour déterminer leur efficacité.

1. Modèle au Niveau de la Scène : Pour ce modèle, on se concentre sur des techniques de reconnaissance vidéo classiques qui identifient si un clip vidéo contient un presque accident. Le modèle utilise des caractéristiques de plusieurs images pour analyser les menaces potentielles.

2. Modèle au Niveau de l'Instance : Ce modèle est plus avancé et est conçu pour détecter les véhicules individuels impliqués dans les presque accidents. Il utilise des méthodes de détection 3D pour estimer la taille et la position des véhicules par rapport au cycliste.

Les deux modèles ont été testés pour examiner leur performance et leur capacité à détecter avec précision les presque accidents.

#Résultats de l'Étude

Les modèles ont été évalués en utilisant diverses métriques, comme la précision et le score F1, qui mesurent comment les modèles se sont comportés dans la détection des presque accidents. Les résultats montrent que le modèle au niveau de la scène donne une bonne compréhension de quand ces passages rapprochés se produisent. Cependant, le modèle au niveau de l'instance peut fournir des informations plus profondes en identifiant les véhicules spécifiques impliqués dans les presque accidents.

Les résultats ont indiqué que le modèle au niveau de la scène a bien fonctionné en termes de précision. Cependant, la détection au niveau de l'instance a montré des résultats prometteurs, suggérant qu'avec plus de données et d'entraînement, il pourrait encore s'améliorer.

#Analyse Qualitative

Pour mieux comprendre comment les modèles fonctionnent, on a effectué des évaluations qualitatives des prédictions. Visualiser où les modèles se concentraient pendant les tâches de détection a offert des aperçus sur leurs processus de décision. Des cartes d'activation ont été générées pour montrer quelles zones des images vidéo ont déclenché les détections. Ce genre d'analyse peut aider les chercheurs et les développeurs à peaufiner les modèles pour de meilleures performances.

Dans la pratique, ces modèles peuvent être utilisés pour analyser les séquences vidéo collectées durant les sorties à vélo afin d'identifier les interactions dangereuses, informer les cyclistes des risques et guider les améliorations d'infrastructure.

#Directions Futures

Dans le cadre de la recherche future, on prévoit d'élargir notre focus au-delà des presque accidents. Inclure d'autres types de presque accidents et de collisions offrirait une compréhension plus complète de la sécurité à vélo. De plus, utiliser des simulateurs pour générer plus de données d'entraînement pourrait améliorer la précision des modèles.

En outre, des techniques d'augmentation des données pourraient aider à résoudre les problèmes liés au déséquilibre des jeux de données. Intégrer des caractéristiques des objets détectés dans les modèles au niveau de la scène pourrait aider à améliorer la détection des interactions entre véhicules et cyclistes.

En mettant en œuvre ces améliorations, notre objectif est de créer un système plus robuste qui fonctionne efficacement dans des scénarios réels. Le but ultime est de rendre le vélo plus sûr et plus attrayant pour tout le monde.

#Conclusion

En résumé, cette étude présente le repère Cyc-CP pour détecter les presque accidents en vélo à partir de flux vidéo. En classifiant ces événements grâce à la détection au niveau de la scène et au niveau de l'instance, on vise à améliorer la sécurité pour les cyclistes et soutenir les décisions politiques liées à la sécurité routière.

La combinaison de jeux de données synthétiques et du monde réel nous a permis d'entraîner des modèles efficaces, qui peuvent être encore améliorés avec des données et des analyses supplémentaires. Grâce à une recherche continue, on espère contribuer à des environnements de cyclisme plus sûrs et encourager plus de gens à envisager le vélo comme principal mode de transport.