A carregar...
Publicação
TRAFFIC RED LIGHT VIOLATION DETECTION UTILIZING IMAGE PROCESSING
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 10.93 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Red-light violations are a major safety concern, as they can lead to serious accidents
and fatalities. In the US, in 2020, an estimated 116,000 people were injured in red light
running crashes and 928 people were killed in these same crashes. Half of those killed
were pedestrians, bicyclists, and people in other vehicles who were hit by the red light
runners.
Beyond the human toll, these violations also exact a substantial economic toll due to
the costs associated with crashes and the resultant injuries. Consequently, the importance
of developing effective strategies for detecting and preventing red light violations cannot
be overstated, given the potential to enhance overall traffic safety.
This thesis aims to present a first look at an alternative solution to the problem of red
light violations using a mobile setup, and image processing technologies and techniques.
The core objective of this approach is to detect and identify instances in which vehicles
break the rules as it happens, using a mobile camera setup that can be more easily set up
and removed than the already existing fixed systems. This system aims to identify the
specific vehicle and capture a picture and a short video of the violation, which later can
be used to extract important information for further action. While this implementation is
at a prototype level and only works with pre-recorded videos, the program’s effectiveness
was assessed through practical experimentation involving real-life traffic videos captured
from various viewpoints, alongside genuine traffic light scenarios subjected to diverse
lighting conditions and angles.
At the core of this approach lies the use of image processing and detection techniques.
The former equips us to identify occurrences of traffic signals displaying a red light (as
well as green and yellow), while the latter facilitates the monitoring of object motion,
offering insights into movement and direction. By using these two techniques we are able
to accurately detect when a red light is on, and by analyzing a specified prohibited ROI
and direction we can detect vehicles trespassing in this zone. Moreover, to enhance the
robustness of the system, we employ a creative approach to adaptively detect the traffic
light color, which is pivotal for accurate infraction detection.
To handle the varying brightness conditions that transpire throughout the day, we utilize brightness detection as opposed to color detection when analyzing the traffic
lights. However, achieving adaptability in this context without using complex ML or
AI techniques necessitates a more creative approach. Thus, we implement a K-means
clustering technique that operates on the basis of a traffic light color cycle. This dynamic
process enables us to pinpoint the two main clusters that correspond to the light being
on and off, independent of the surrounding brightness. By harnessing this adaptative
approach, we create a more resilient method for detecting traffic lights under varying
illumination conditions, thus enhancing the overall robustness and accuracy of the system.
The outcomes indicate the feasibility of infraction detection using this approach,
which can potentially be implemented in real-time and provide a more accessible means
of addressing the issue. We hope that by catching and preventing red light violations, we
can make the roads safer and reduce the number of accidents and injuries. This thesis
aims to contribute to the field of red light violation detection, creating a better and safer
environment for drivers and pedestrians on the roads.
As infração de sinais vermelhos constituem uma preocupação significativa em termos de segurança, uma vez que podem resultar em acidentes graves e em fatalidades. Nos EUA, no ano de 2020, estima-se que tenham ocorrido cerca de 116.000 feridos em acidentes relacionados com a infração de semáforos vermelhos, tendo havido igualmente 928 vítimas mortais nestes mesmos acidentes. Metade das vítimas mortais eram peões, ciclistas e ocupantes de outros veículos que foram atingidos por condutores que desrespeitaram a sinalização. Para além do impacto humano, essas infrações também acarretam um custo signifi- cativo do ponto de vista económico, devido aos custos associados aos acidentes e aos ferimentos resultantes. Desta forma, é de extrema importância desenvolver métodos efi- cazes para detetar e prevenir tais infrações, com o objetivo de melhorar a segurança rodoviária. Esta tese tem como objetivo apresentar uma primeira abordagem alternativa para o problema das infrações de semáforos usando um setup móvel e recorrendo a tecnologias e técnicas de processamento de imagem. O objetivo central desta abordagem é detetar e identificar casos em que os veículos quebram as regras no momento que esta ocorre, utilizando um setup movél que pode ser mais facilmente montado e removido do que os sistemas já existentes. O nosso sistema visa identificar o veículo em questão e capturar uma fotografia, bem como um breve vídeo da infração, permitindo posteriormente a extração de informação pertinente para ações futuras. Embora esta implementação esteja a um nível de protótipo e só funcione com vídeos pré-gravados, o programa foi avaliado através de testes práticos que envolveram o uso de vídeos de trânsito em tempo real captados de diversos ângulos, juntamente com situações reais de semáforos sujeitos a condições de iluminação e ângulos variados. No centro desta abordagem encontra-se a utilização de técnicas de processamento e de deteção imagem. O primeiro permite-nos identificar situações em que os sinais de trânsito exibem a luz vermelha (bem como verde e amarela), enquanto o segundo facilita a monitorização do movimento de objetos, fornecendo informações sobre a direção e o deslocamento. Através da combinação destas duas técnicas, conseguimos detetar com precisão quando o sinal está vermelho e, ao analisar uma área restrita especificada e a respetiva direção, conseguimos identificar veículos que transgridem a zona proibida. Além disso, para melhorar a robustez do nosso sistema, adotamos uma abordagem criativa para detetar a cor do semáforo de forma adaptativa, um aspeto crucial para a deteção precisa de infrações. Para lidar com as variações de brilho que ocorrem ao longo do dia, optamos por detetar brilho em vez de cor ao analisar os semáforos. No entanto, para alcançar adaptabilidade neste contexto sem recorrer a técnicas de ML ou IA complexas, é necessária uma abordagem mais criativa. Assim, implementamos uma técnica de K-means clustering que opera na base de um ciclo completo de cores do semáforo. Este processo dinâmico permite-nos identificar os dois principais clusters que correspondem à luz acesa e apagada, independentemente do brilho. Através desta abordagem adaptativa, o método torna-se mais resiliente para detetar semáforos sob condições de iluminação variável, aumentando a robustez e a precisão do nosso sistema. Os resultados indicam a viabilidade da deteção de infrações utilizando esta abordagem, que pode potencialmente ser aplicada em tempo real e proporcionar um meio mais acessível de abordar este problema. Esperamos que, ao detetar e prevenir infrações de em sinais vermelhos, possamos tornar as estradas mais seguras e reduzir o número de acidentes e ferimentos. Esta tese tem como objetivo contribuir para o campo da deteção de infrações de sinais vermelhos, criando um ambiente rodoviário melhor e mais seguro para condutores e peões.
As infração de sinais vermelhos constituem uma preocupação significativa em termos de segurança, uma vez que podem resultar em acidentes graves e em fatalidades. Nos EUA, no ano de 2020, estima-se que tenham ocorrido cerca de 116.000 feridos em acidentes relacionados com a infração de semáforos vermelhos, tendo havido igualmente 928 vítimas mortais nestes mesmos acidentes. Metade das vítimas mortais eram peões, ciclistas e ocupantes de outros veículos que foram atingidos por condutores que desrespeitaram a sinalização. Para além do impacto humano, essas infrações também acarretam um custo signifi- cativo do ponto de vista económico, devido aos custos associados aos acidentes e aos ferimentos resultantes. Desta forma, é de extrema importância desenvolver métodos efi- cazes para detetar e prevenir tais infrações, com o objetivo de melhorar a segurança rodoviária. Esta tese tem como objetivo apresentar uma primeira abordagem alternativa para o problema das infrações de semáforos usando um setup móvel e recorrendo a tecnologias e técnicas de processamento de imagem. O objetivo central desta abordagem é detetar e identificar casos em que os veículos quebram as regras no momento que esta ocorre, utilizando um setup movél que pode ser mais facilmente montado e removido do que os sistemas já existentes. O nosso sistema visa identificar o veículo em questão e capturar uma fotografia, bem como um breve vídeo da infração, permitindo posteriormente a extração de informação pertinente para ações futuras. Embora esta implementação esteja a um nível de protótipo e só funcione com vídeos pré-gravados, o programa foi avaliado através de testes práticos que envolveram o uso de vídeos de trânsito em tempo real captados de diversos ângulos, juntamente com situações reais de semáforos sujeitos a condições de iluminação e ângulos variados. No centro desta abordagem encontra-se a utilização de técnicas de processamento e de deteção imagem. O primeiro permite-nos identificar situações em que os sinais de trânsito exibem a luz vermelha (bem como verde e amarela), enquanto o segundo facilita a monitorização do movimento de objetos, fornecendo informações sobre a direção e o deslocamento. Através da combinação destas duas técnicas, conseguimos detetar com precisão quando o sinal está vermelho e, ao analisar uma área restrita especificada e a respetiva direção, conseguimos identificar veículos que transgridem a zona proibida. Além disso, para melhorar a robustez do nosso sistema, adotamos uma abordagem criativa para detetar a cor do semáforo de forma adaptativa, um aspeto crucial para a deteção precisa de infrações. Para lidar com as variações de brilho que ocorrem ao longo do dia, optamos por detetar brilho em vez de cor ao analisar os semáforos. No entanto, para alcançar adaptabilidade neste contexto sem recorrer a técnicas de ML ou IA complexas, é necessária uma abordagem mais criativa. Assim, implementamos uma técnica de K-means clustering que opera na base de um ciclo completo de cores do semáforo. Este processo dinâmico permite-nos identificar os dois principais clusters que correspondem à luz acesa e apagada, independentemente do brilho. Através desta abordagem adaptativa, o método torna-se mais resiliente para detetar semáforos sob condições de iluminação variável, aumentando a robustez e a precisão do nosso sistema. Os resultados indicam a viabilidade da deteção de infrações utilizando esta abordagem, que pode potencialmente ser aplicada em tempo real e proporcionar um meio mais acessível de abordar este problema. Esperamos que, ao detetar e prevenir infrações de em sinais vermelhos, possamos tornar as estradas mais seguras e reduzir o número de acidentes e ferimentos. Esta tese tem como objetivo contribuir para o campo da deteção de infrações de sinais vermelhos, criando um ambiente rodoviário melhor e mais seguro para condutores e peões.
Descrição
Palavras-chave
Red-Light Violation Image Processing Image Detection Optical Flow, Traffic Violations K-Means Clustering