Nova Método pra Detectar Ciclistas Indo na Contramão Usando Câmeras de Segurança

No transporte, uma grande preocupação são as atividades ilegais feitas por veículos. Uma dessas ações é andar de bicicleta na contramão, onde os ciclistas andam na direção oposta ao fluxo de trânsito. Esse comportamento pode criar situações perigosas tanto para os ciclistas quanto para os outros usuários da estrada. Este artigo discute um novo método para detectar a bicicleta na contramão usando gravações de CCTV. Nosso objetivo é encontrar uma maneira rápida e eficiente de monitorar e entender a extensão desse problema.

#O Problema da Bicicleta na Contramão

Andar de bicicleta na contramão acontece quando um ciclista viaja contra a direção estabelecida nas ruas ou ciclovias. Esse comportamento pode levar a acidentes, colocando em risco os ciclistas e os outros na estrada. Monitorar a frequência de bicicletas na contramão é crucial para melhorar a segurança e identificar áreas que precisam de mais atenção da polícia.

Com o aumento das câmeras de CCTV nas cidades para vigilância, há uma oportunidade de usar essas gravações para monitorar o trânsito. A maioria das câmeras é configurada para capturar ângulos amplos das ruas, mas os sistemas atuais para monitorar veículos motorizados são mais avançados do que os para transporte não motorizado, como as bikes. No entanto, analisar as gravações de CCTV para detectar bicicletas na contramão pode fornecer dados valiosos para ajudar as autoridades a entenderem as preocupações de segurança em áreas específicas.

#A Necessidade de Detecção Eficiente

Os métodos atuais para detectar direção errada principalmente dependem de técnicas de rastreamento direto. Esses métodos exigem muito poder computacional e longos tempos de processamento, tornando-os menos ideais para analisar gravações longas de CCTV. Em vez disso, propomos um novo método chamado WWC-Predictor que aborda essas limitações usando uma abordagem mais eficiente.

O WWC-Predictor foca em entender as taxas de bicicletas na contramão analisando menos quadros dos vídeos, o que reduz significativamente a quantidade de poder computacional necessário. Esse método capta as informações essenciais sem ser excessivamente preciso, o que não é necessário para nossos objetivos.

#O WWC-Predictor

#Visão Geral do Método

O WWC-Predictor aproveita dois tipos de informações para detectar bicicletas na contramão: informações de modelos de detecção que identificam ciclistas e a Orientação desses ciclistas com base nas imagens das gravações. Ao combinar essas duas formas de dados, o método prevê efetivamente a probabilidade de incidentes de bicicletas na contramão.

Nosso método usa um Detector de Bicicletas na Contramão de Dois Quadros para analisar pares de quadros do vídeo. Esse detector extrai informações úteis sobre ciclistas e seus movimentos. Depois disso, utilizamos um Previsor de Bicicletas na Contramão em Tempo Integral para calcular a probabilidade geral de bicicletas na contramão ao longo do tempo com base nas informações extraídas.

#O Processo de Detecção

O Detector WWC de Dois Quadros processa quadros de vídeo consecutivos. Ele utiliza um modelo de detecção para identificar ciclistas nesses quadros e rastrear seus movimentos. A parte importante é comparar esses quadros para avaliar se os ciclistas estão indo na direção certa ou errada.

Esse método é projetado para minimizar o uso de recursos enquanto ainda fornece resultados precisos. Ao se concentrar em um pequeno número de quadros, o WWC-Predictor pode operar com significativamente menos tempo de processamento do que os métodos tradicionais de rastreamento.

#Coleta de Dados para o WWC-Predictor

Para validar nossa abordagem, coletamos várias fontes de dados, incluindo gravações de vídeo de CCTV e imagens anotadas. Os dados incluem:

1. 405 imagens para detectar ciclistas.
2. 1199 imagens para prever a orientação dos ciclistas.
3. Quatro vídeos de CCTV totalizando 35 minutos para avaliar o desempenho do WWC-Predictor.

Tomamos muito cuidado para garantir que os dados usados para treinamento e validação fossem totalmente separados para evitar qualquer viés nos resultados.

#O Impacto do WWC-Predictor

#Resultados e Performance

Quando testado em nosso conjunto de dados, o WWC-Predictor alcançou uma taxa de erro incrivelmente baixa de apenas 1,475%. Isso mostra que nosso método é altamente preciso em prever casos de bicicletas na contramão. Além disso, ele usou apenas cerca de 19% do tempo de processamento em comparação com métodos tradicionais que se concentram em rastreamento direto.

#Vantagens do Método

O principal benefício do WWC-Predictor é sua eficiência. Usando menos quadros, ele conserva recursos computacionais enquanto ainda fornece resultados confiáveis. O método também permite uma identificação mais fácil de áreas com altas taxas de bicicletas na contramão, levando a medidas de segurança aprimoradas e vigilância direcionada.

#Trabalho Relacionado

Houve muitas pesquisas focadas na detecção de direção errada, muitas vezes empregando vários métodos de rastreamento de múltiplos objetos. Esses estudos geralmente envolvem segmentar as gravações de vídeo em intervalos menores para análise detalhada. No entanto, a maioria dos métodos existentes é demorada e intensiva em recursos, destacando a necessidade de melhorias na eficiência.

Alguns pesquisadores também exploraram o uso da tecnologia GPS e sistemas móveis para identificar comportamentos de bicicletas na contramão. No entanto, essas abordagens têm limitações, como a necessidade de rastreamento ativo por um dispositivo móvel. Nosso método preenche as lacunas deixadas por essas estratégias, oferecendo uma maneira eficiente de analisar gravações de vídeo existentes.

#O Papel da Detecção de Orientação

Detectar a orientação dos ciclistas em vídeos tem seus desafios, especialmente ao lidar com dados de vídeo que mostram movimentos dinâmicos. Em nossa abordagem, no entanto, simplificamos essa questão ao focar em imagens estáticas para determinar a orientação dos ciclistas. Essa mudança torna a tarefa de detecção de orientação muito mais gerenciável.

Um modelo ciente da orientação processa as imagens para prever com precisão a direção que um ciclista está enfrentando. Esses dados adicionais ajudam a melhorar a análise geral dos incidentes de bicicletas na contramão.

#O Uso de Aprendizado Ensemble

Para aumentar o desempenho do nosso modelo, implementamos técnicas de aprendizado ensemble. Esse método envolve combinar vários modelos individuais para alcançar um resultado melhor do que qualquer modelo único poderia fornecer. Criamos uma estratégia de ensemble chamada And-strategy, que garante que as discrepâncias entre as saídas de diferentes modelos sejam contabilizadas, levando a uma maior precisão nas previsões.

#Avaliando o WWC-Predictor

#Conjuntos de Dados

Criamos três conjuntos de dados principais para apoiar nossa pesquisa:

1. Conjunto de Dados Ciente da Orientação: Usado para treinar modelos que prevêem a orientação do ciclista. Este conjunto inclui imagens sintéticas e do mundo real.
2. Conjunto de Dados de Detecção: Contém imagens especificamente para treinar o modelo de detecção, focando em veículos não motorizados.
3. Conjunto de Dados de Validação Final: Composto por vídeos coletados de várias localidades para avaliar a eficácia do nosso método.

#Métricas de Desempenho

Para avaliar nossos métodos, comparamos o WWC-Predictor com métodos tradicionais de rastreamento, analisando a velocidade, precisão e uso de recursos computacionais. Nossa abordagem mostrou uma taxa de erro absoluta competitiva e um tempo de processamento rápido, destacando sua eficiência e confiabilidade.

#Direções Futuras

Embora nossos resultados sejam promissores, ainda há espaço para crescimento nesse campo. Trabalhos futuros podem envolver explorar maneiras de melhorar ainda mais o desempenho do WWC-Predictor, especialmente em vídeos longos. Isso pode incluir o desenvolvimento de técnicas para lidar melhor com menos amostras ou melhorar a precisão das previsões ao longo de períodos prolongados.

Outra área de pesquisa potencial é aprimorar o WWC-Predictor para aplicações em tempo real. Passar de um modelo offline para um que possa prever bicicletas na contramão em tempo real poderia melhorar significativamente a gestão do trânsito e aumentar as medidas de segurança nas estradas.

#Conclusão

O WWC-Predictor representa um avanço significativo na detecção de bicicletas na contramão através de gravações de CCTV. Ao usar uma abordagem de amostragem esparsa e empregar uma combinação de modelos de detecção e modelos cientes da orientação, podemos prever com precisão os incidentes de bicicletas na contramão com recursos computacionais mínimos. Este método pode melhorar muito a segurança nas estradas, fornecendo dados valiosos para a polícia e planejadores de cidades.

Nosso trabalho estabelece a base para futuras pesquisas e desenvolvimento neste campo, e esperamos ver mais esforços focados em melhorar a segurança do transporte para ciclistas e outros usuários das estradas.