تحديد إساءة استخدام هاتف المحمول للسائقين باستخدام مرشحات القطبية والتعرف على الكائنات

提出了一个道路系统来自动检测驾驶员中非法使用手机的现象，使用经典的光学滤镜和红外捕获。根据捕获设备的质量，该系统在现实世界试验中展示了高达95.81％的准确率。

واحدة من نماذج الباحثين في العمل. يتم تحديد منطقة الشاشة الأولى وتنزيلها كمنطقة احتجاز للبحث عن صور لجهاز محمول مدعوم بالذكاء الاصطناعي. تم تصميم النظام ل ignorer هواتف المحمول المثبتة ، والبحث عن الأجهزة التي يتم استبدالها بشكل فعال بواسطة السائق. Source: https://www.youtube.com/watch?v=PErIUr3Cxvg

البحث البحث بعنوان تحديد انتهاكات استخدام هاتف السائق عبر الكشف عن الكائنات المتقدمة مع التتبع ، ويأتي من مدرسة الحاسوب في جامعة نيوكاسل.

تخطي انعكاسية الشاشات

المناهج السابقة للكشف عن استخدام جهاز محمول بين السائقين قد عُقِدت بسبب الانعكاسية العالية للشاشات خلال ساعات النهار ، وتفاقمت عندما تعكس مجموعات السحب الكبيرة بشكل أكبر الجزء الداخلي من المركبة. لا يمكن معالجة هذه الحالات بشكل واقعي باستخدام مصادر الضوء تحت الأحمر ، لأن كمية الإضاءة تحت الحمراء اللازمة للخروج من ضوء النهار الطبيعي ستكون مكلفة.

لذلك يُقترح باحثو نيوكاسل الحيلة القديمة جدًا في الكتاب (التي تعود إلى عام 1812) لإزالة الانعكاسات من سطح زجاجي محسوس – مرشح قطبي رخيص يمكن تثبيته على كاميرات المراقبة الجانبية ، ويمكن ضبطه مرة واحدة ، ويمكنه بعد ذلك تمكين نظرة واضحة إلى داخل السيارات.

في الأعلى ، عرض غير مرشح لشاشة سيارة. في الأسفل ، نفس العرض مع مرشح قطبي مادي متصل بالكاميرا. Source: https://arxiv.org/pdf/2109.02119.pdf

مع الانتقال الشائع من الكاميرات المخصصة إلى أجهزة الاستشعار القائمة على الهاتف المحمول ، انخفضت وجود مرشح القطبية بشكل كبير في الثقافة الشعبية إلى تضمينه في نظارات الشمس الجيدة ، حيث يمكن للمستخدم ملاحظة خصائص الانعكاس القاتلة عند تغيير زاويته أو تغيير نظرة الهدف على الكائن الانعكاسي.

الضوء المنشر بواسطة جزيئات الأكسجين والنتروجين ، مع انتشار الضوء الأزرق بشكل أكبر من الطول الموجي الآخر ، مما يجعل اللون الأزرق هو اللون الأصلي للسماء الصافية في النهار. الضوء الأزرق منقطع ، ويمكن لعدسة خطية أو دائرية متقطعة إزالة هذا الضوء المنقطع ، وإزالة الانعكاسات في العملية.

يقر الورقة بأن شاشات السيارات المدخنة يمكن أن تعيق أو تعطل هذه الطريقة من النظر إلى السيارة. ومع ذلك ، منذ أن يتم تحديدها بواسطة قانون المملكة المتحدة ، مع لوائح تختلف من ولاية إلى أخرى في الولايات المتحدة ، لا تعتبر الورقة هذا عائقًا رئيسيًا.

YOLO

النظام الذي تقترحه الورقة يهدف إلى دمجه في البنية التحتية المدنية ، مثل كاميرات المراقبة الجانبية المثبتة من قبل الحكومة. على دراية بموانع ممکنة حول التكلفة ، اختبر الباحثون تكوينات مختلفة لنظام التعرف على الكائنات عبر مستويات جودة مختلفة من معدات Capture ، وقدموا سيناريو تكلفة دنيا حيث يمكن إضافة مرشحات قطبية رخيصة إلى الكاميرات الحالية ، مع جميع الجوانب الأخرى من النظام عن بعد.

تم اختبار أربعة إطارات لتعرف الكائنات: You-Only-Look-Once (YOLO) الإصدارات 3 و 4؛ SSD شبكة قاعدة؛ Faster R-CNN؛ و CenterNet. في الاختبارات ، تم الحصول على نتائج أكثر دقة مع YOLO V3 ، باستخدام تدفق عمل من خطوتين يحدد أولاً منطقة الشاشة ويبحث عن جهاز محمول في ذلك الفضاء.

ومع ذلك ، فإن الحاجة إلى تشغيل الفيديو عبر两个 شبكات تؤدي إلى معدل إطار أقل من المثالي يبلغ 13.15 إطارًا في الثانية ، مقارنة بالسистемة البسيطة التي تصل إلى 30 إطارًا في الثانية. يعتمد جودة النتائج على معدات الإدخال ، ووجد الباحثون أنه عند تقسيم الإدخال بين كاميرات منخفضة الجودة ومعدات ذات جودة أعلى ، كان من الممكن تحقيق معدل دقة يصل إلى 96٪ على المعدات الأفضل ، و 74.35٪ على الكاميرات الأرخص.

تحديد المخالفات المعترف بها

بالإضافة إلى جعل النظام قابلاً للتطبيق من الناحية الاقتصادية ، يهتم الباحثون بتطوير نظام كامل التutom مع الحد الأدنى من الرقابة البشرية اللازمة ، وقد تم تصميم النظام لتقديم غرامات تلقائيًا. ومع ذلك ، منذ أن تصبح قوانين استخدام هاتف المحمول أثناء القيادة أكثر صرامة حول العالم ، مع عقوبات قد تتجاوز الغرامات أو نقط الرخصة (أي في المملكة المتحدة) ، يبدو من المحتمل أن تظل التحقق البشري العرضي عاملاً في نشر مثل هذا النظام.

على الرغم من استخدام التدفق البصري والأساليب الأخرى لاتخاذ العناية الكاملة بمحتوى الفيديو ، تعتبر خوارزميات التعرف على الكائنات مثل YOLO كل إطار “قصة كاملة” ، والإطار التالي مشروعًا لاحقًا. لذلك ، يجب منع نظام من هذا القبيل من إصدار (على سبيل المثال) 128 غرامة منفصلة لتغطية 128 إطارًا من فيديو يلتقط المخالفة.

للتغلب على هذا ، يدمج النظام خوارزمية تتبع الكائنات Deep SORT ، والتي تضيف “معرف الحادث الفريد” إلى كل تحديد مخالفة ، ويتأكد من أن المعرف لا يتكرر عبر الإطارات في تسلسل التقاط واحد.

تعامل مع المراقبة الليلية

对于 ظروف الليل ، يلجأ الباحثون إلى التقاط الأشعة تحت الحمراء ، كما هو مستخدم في مشاريع البحث السابقة التي تدرس نفس التحدي. لقد اختبروا أطوال موجات الأشعة تحت الحمراء 850 و 730 نانومتر ، ووجدوا أن أفضل التفاصيل تم التقاطها مع 730 نانومتر.

تُدعي الورقة بأن هناك حاجة إلى مزيد من التحقيق لتحديد مدى استخدام التقاط الأشعة تحت الحمراء خلال ظروف النهار.

بيانات

对于 نسخة النظام الأقل تكلفة ، استخدم الباحثون 2235 صورة ترخيص من مجموعة بيانات الصور المفتوحة من جوجل ، و 2150 صورة هاتف محمول من الأسهم والمصنوعة خصيصًا للمشروع. منذ أن كان من الضروري تضمين صور للهواتف التي يتم استبدالها بواسطة السائقين ، تم採 1700 صورة هاتف خصيصًا للمشروع.

النظام ذو الخطوتين يتطلب تعليق 487 شاشة ، يستخدم لتدريب الخطوة الأولى من العملية ، بالإضافة إلى البيانات المستخدمة في العملية الخطوة الواحدة.

منذ أن لم يكن هناك إمكانية الوصول إلى البنية التحتية الرسمية للمراقبة الطرقية ، تم أخذ جميع الصور بواسطة متطوعين لتroxمت ظروف مماثلة.

التنازلات

النتائج النهائية تقدم مجموعة من معايير الدقة التي سيتعين التوفيق بينها وبين تكلفة التنفيذ ، مع تقديم معدات التقاط وأداء أفضل أعلى دقة ، ويمكن الحصول على دقة “مقبولة” من خلال تركيب مرشحات قطبية رخيصة على معدات المراقبة الحضرية الموجودة.

يحقق трубة الأرخص ، “الخطوة الواحدة” ، دقة تقترب من 75٪ ، مع أقل تكاليف تنفيذ (أي تثبيت مرشح قطبي رخيص) ، بينما يحقق نظام الخطوتين الأكثر تعقيدًا (الذي يحدد منطقة الشاشة قبل البحث عن جهاز محمول يتم استبداله بواسطة السائق) معدلات دقة أعلى ، ولكن قد يكون مناسبًا فقط للبنية التحتية الجديدة ، حسب الميزانية المتاحة.

كما لوحظ أعلاه ، يبدو أن تصور الباحثين لفيabilidad المشروع يعتمد على افتراض أن النظام يجب أن يعمل بالكامل بشكل مستقل – وهو متطلب مشكوك فيه.

انظر إلى الفيديو الرسمي للمشروع أدناه لمزيد من التفاصيل حول التنفيذ والمناهج المستخدمة.