DeepSegmenter: Un Nuovo Approccio all'Analisi del Comportamento di Guida

Riconoscere comportamenti di guida insoliti è fondamentale per migliorare la sicurezza stradale e ridurre gli incidenti. Prima si trattava questo problema come una questione di Classificazione, assumendo che i video di guida naturale arrivassero in parti fisse. Ma i video di guida mostrano azioni continue, il che significa che dobbiamo sia separare le attività sia classificarle per capire cosa sta succedendo.

Questo articolo presenta un nuovo metodo chiamato DeepSegmenter, che gestisce entrambi i compiti contemporaneamente. DeepSegmenter è composto da quattro parti principali: organizzare i dati, suddividere il video in segmenti, classificare le azioni e affinare i risultati.

#L'importanza di identificare comportamenti di guida insoliti

Guidare richiede molta concentrazione e coordinazione. Tuttavia, le distrazioni possono portare i conducenti a compiere azioni rischiose come usare il telefono, essere aggressivi o guidare sotto l'influenza. Riconoscere questi comportamenti può portare a strategie di prevenzione migliori per gli incidenti stradali.

Per identificare e categorizzare efficacemente questi comportamenti, abbiamo bisogno di un dataset dettagliato che mostri varie abitudini di guida pericolose e come differiscono dalle pratiche di guida sicura.

Le telecamere installate nelle auto vengono spesso utilizzate per raccogliere dati sulle azioni dei conducenti in situazioni reali. Questi dati possono fornire spunti sulle abitudini di guida, permettendoci di individuare schemi e tendenze che rivelano quando si verificano comportamenti insicuri.

#Approcci tradizionali all'analisi del comportamento di guida

Molti metodi esistenti nell'analisi del comportamento di guida si basano su dati visivi da telecamere che inquadrano i conducenti. Tecniche comuni includono l'estimazione della postura e il tracciamento dei movimenti del conducente. Alcuni studi hanno persino esaminato dove i conducenti guardano, combinando queste informazioni con i dati del veicolo.

Sebbene i metodi basati su regole siano stati efficaci, hanno delle limitazioni. Potrebbero non adattarsi bene a nuove situazioni o tenere conto della varietà negli stili di guida. Di conseguenza, i ricercatori si sono orientati verso tecniche di deep learning per riconoscere comportamenti di guida insoliti.

#Il passaggio ai metodi di deep learning

I metodi di deep learning tendono a essere migliori rispetto agli algoritmi tradizionali perché possono apprendere schemi complessi nei dati. Questi modelli possono elaborare grandi quantità di informazioni ed estrarre automaticamente caratteristiche rilevanti senza dipendere molto dall'input manuale.

Tuttavia, una sfida con i metodi di deep learning è che spesso richiedono grandi set di dati pre-etichettati per essere addestrati accuratamente. Anche se abbiamo a disposizione molti dati di guida naturale, questi modelli richiedono che i videoclip siano segmentati in eventi specifici in anticipo.

I video di guida naturale sono continui, il che significa che catturano azioni in tempo reale senza modifiche. Per far funzionare bene il deep learning, abbiamo bisogno di un modo per identificare quando si verificano comportamenti di guida insoliti e classificare quale sia quel comportamento. Questo processo può essere suddiviso in tre passaggi principali:

1. Estrazione delle caratteristiche visive dai fotogrammi del video
2. Determinazione dello stato del comportamento di guida sulla base di queste caratteristiche
3. Classificazione del tipo di guida osservata in quel momento

I modelli basati su regole funzionano bene nei primi due passaggi, ma faticano con la classificazione accurata, specialmente quando ci sono molte attività simili. I modelli di deep learning sono migliori nei passaggi uno e tre, ma hanno bisogno di clip video pre-segmentati per funzionare efficacemente.

#Presentazione di DeepSegmenter: un modello ibrido

Per affrontare queste sfide, lo studio presenta DeepSegmenter, un metodo che combina tecniche basate su regole e deep learning. Questo nuovo modello può individuare casi di comportamenti di guida insoliti e classificarli all'interno di un unico framework.

DeepSegmenter è stato messo alla prova nella sfida NVIDIA AI City 2023, dove ha mostrato prestazioni forti nel localizzare casi di guida insolita, indipendentemente da quanto tempo durasse l'attività. Questo approccio potrebbe portare a miglioramenti nei sistemi di assistenza alla guida esistenti.

#Struttura di DeepSegmenter

DeepSegmenter è composto da quattro moduli principali:

#Modulo Dati

Questa parte si occupa di organizzare e preparare i video di guida per l'analisi. Garantisce una struttura coerente normalizzando la risoluzione e i valori dei pixel di ogni video. In questo modo, tutti i video possono essere confrontati in modo uniforme.

#Modulo di Segmentazione delle Attività

Questo modulo suddivide il video continuo in segmenti che possono essere classificati. Ha due parti:

1. Rilevamento di Punti Chiave: Questa parte identifica punti importanti in ogni fotogramma, come il volto e le mani del conducente.
2. Segmentazione dell'Attività: Questa parte classifica le attività identificate come comportamenti insoliti o guida sicura, in base ai movimenti del conducente. Se determinati angoli o movimenti superano soglie stabilite, l'azione viene contrassegnata come insolita.

#Modulo di Classificazione delle Attività

Una volta che il video è segmentato, questo modulo classifica l'azione osservata in uno dei 15 diversi tipi di comportamenti di guida insoliti. Utilizza una struttura CNN 3D avanzata, progettata per analizzare i dati video in modo efficiente e preciso.

#Modulo di Post-elaborazione

Dopo la classificazione, questo modulo rimuove eventuali falsi positivi, concentrandosi principalmente su eventi brevi della durata di meno di un secondo. Controlla la durata degli eventi classificati e mantiene quelli che superano un secondo per il rapporto finale.

#Valutazione di DeepSegmenter

L'efficacia di DeepSegmenter è stata testata utilizzando un dataset composto da 210 clip video, per un totale di circa 34 ore di riprese. Vari conducenti hanno eseguito compiti diversi mentre venivano registrati, permettendo una valutazione approfondita delle prestazioni del modello.

L'addestramento è stato effettuato utilizzando tecnologia grafica all'avanguardia, e il dataset è stato suddiviso in parti di addestramento e convalida. Dopo aver completato l'addestramento, DeepSegmenter ha raggiunto un'alta precisione nel riconoscere e classificare azioni di guida insolite durante il test.

#Risultati Sperimentali

DeepSegmenter è stato valutato in un contesto di competizione, dove ha ottenuto un notevole successo. Si è classificato all'8° posto nella sfida NVIDIA AI City 2023 Track 3, con un punteggio di sovrapposizione competitivo che riflette la sua capacità di segmentare e classificare efficacemente le anomalie.

#Conclusione

Questo lavoro presenta una soluzione completa per identificare e classificare comportamenti di guida insoliti attraverso l'innovativo framework DeepSegmenter. Combinando i punti di forza degli algoritmi basati su regole con tecniche di deep learning potenti, DeepSegmenter dimostra la sua efficacia nell'analizzare scenari di guida complessi.

Le ricerche future possono costruire su queste scoperte per migliorare la sicurezza delle nostre strade e ridurre i tassi di incidenti sviluppando sistemi più avanzati capaci di riconoscere e affrontare comportamenti di guida rischiosi.