Tunnistamalla kuljettajien matkapuhelimen väärinkäyttö polarisoivien suotimien ja objekti tunnistamisen avulla

Britannian tutkijat ovat ehdottaneet tienvarsijärjestelmää, jolla voidaan automaattisesti havaita laitonta matkapuhelimen käyttöä kuljettajien keskuudessa käyttäen perinteisiä valokuva-optisia suotimia ja infrapunavalokuvausta. Riippuen kuvauslaitteiston laadusta, järjestelmä on osoittanut 95,81 prosentin tarkin täsmällisyyden todellisissa kokeissa.

Yksi tutkijoiden malleista toiminnassa. Tuulilasin alue tunnistetaan ja eristetään kiinnitysalueeksi tekoälyavusteiselle etsinnälle matkapuhelimen kuvia varten. Järjestelmä on suunniteltu ohittamaan kiinnitettyjä matkapuhelimia ja etsimään laitteita, joita kuljettaja pitää aktiivisesti hallussa. Source: https://www.youtube.com/watch?v=PErIUr3Cxvg

Tutkimus tutkimus on nimeltään Ajajan puhelimen käytön rikkomisen tunnistaminen viimeisimmän object detection -tekniikan avulla, ja se on Newcastle Universityn tietojenkäsittelytieteen laitoksesta.

Voittamalla tuulilasin heijastavuus

Aikaisemmat lähestymistavat matkapuhelimen käytön havaitsemiseksi kuljettajien keskuudessa ovat olleet haittaa tuulilasin korkean heijastavuuden vuoksi päivänvalossa, jota pahentavat pilviryhmien heijastukset, jotka peittävät ajoneuvon sisätilan. Tällaisia tapauksia ei voida realistisesti käsitellä infrapunavalolla, koska tarvittava määrä IR-valaistusta olisi resursseja vaativa.

Siksi Newcastle tutkijat ehdottavat vanhinta temppua kirjassa (joka on peräisin vuodelta 1812) poistamaan heijastukset lasipinnalta – halpa, fyysinen polarisoiva suodin, joka voidaan kiinnittää tienvarsijärjestelmiin, kalibroida kerran ja sitten mahdollistaa selkeä näkymä ajoneuvon sisätilaan.

Ylempänä, suodattamaton näkymä auton tuulilasista. Alempana, sama näkymä fyysisellä polarisoivalla suodattimella, joka on kiinnitetty kameraan. Source: https://arxiv.org/pdf/2109.02119.pdf

Koska siirrytään omistetuista kameroista mobiililaitteisiin, polarisoivan suodattimen läsnäolo on vähentynyt pääasiassa sen mukaan, kun se on osa kohtuullisen laatuisia aurinkolaseja, joissa kantaja voi havaita sen heijastusominaisuudet kallistamalla näkökulmaa tai muuttamalla näkökulmaa heijastavaa esinettä.

Auringonvalo hajoaa happi- ja typemolekyyleissä, ja sininen valo hajoaa enemmän kuin muut aallonpituudet, mikä tekee sinisestä valosta selkeän taivaan luonnollisen värin päiväsaikaan. Sininen valo on polarisoitunut, ja lineaarinen tai ympyräpolarisoiva linssi voi tehokkaasti poistaa tämän polarisoituneen valon, poistaen samalla heijastukset.

Tutkimus toteaa, että savutetut tuulilasit voivat estää tai jopa pilata tätä menetelmää ajoneuvon sisätilan näkemiseksi. Kuitenkin, koska tämä on rajoitettu Yhdistyneen kuningaskunnan lailla, ja säännökset vaihtelevat osavaltioittain Yhdysvalloissa, tutkimus ei pidä tätä ensisijaisena esteenä.

YOLO

Järjestelmä, jonka tutkimus ehdottaa, on tarkoitettu integroida siviili-infrastruktuuriin, kuten hallituksen asentamiin tienvarsijärjestelmiin. Oltuaan tietoisia mahdollisista esteistä kustannusten suhteen, tutkijat testasivat erilaisia objekti tunnistamisen järjestelmän konfiguraatioita eri laadun kuvauslaitteiston kanssa, ja tarjoavat vähimmäiskustannusvaihtoehdon, jossa halvat polarisoivat suodattimet voidaan lisätä olemassa oleviin kameroihin, ja kaikki muut järjestelmän osat voidaan toteuttaa etäältä.

Neljä objekti tunnistamisen viitekehyksiä testattiin: You-Only-Look-Once (YOLO) versiot 3 ja 4; SSD perusverkko; Faster R-CNN; ja CenterNet. Testien mukaan, tarkin tulokset saavutettiin YOLO V3: n avulla, jossa käytettiin kahden vaiheen työvirtaa, jossa ensin lokalisoitiin tuulilasin alue ja sitten etsittiin matkapuhelinta kyseisessä tilassa.

Kuitenkin, tarve ajaa video kahden verkon läpi johtaa vähemmän kuin optimaaliseen kehysnopeuteen 13,15fps, verrattuna lähelle 30fps yksinkertaisemmassa järjestelmässä. Tulosten laatu riippuu syötteen laitteiston laadusta, ja tutkijat totesivat, että kun syöte jaettiin edullisten kameroiden ja korkealaatuisemman laitteiston välillä, saavutettiin lähes 96 prosentin tarkin tulokset paremmalla laitteistolla ja 74,35 prosentilla edullisemmissa kameroissa.

Rajoittamalla tunnistettuja rikkomuksia

Lisäksi siitä, että järjestelmä on taloudellisesti kannattava, tutkijat ovat huolissaan kehittää täysin automaattista järjestelmää, jossa on vähimmäismäärä tarvittavaa ihmisen valvontaa, ja järjestelmä on suunniteltu toimittamaan sakot automaattisesti. Kuitenkin, koska lait matkapuhelimen käytöstä ajon aikana ovat muuttumassa yhä ankarammiksi ympäri maailmaa, ja rangaistukset voivat ylittää pelkät sakot tai ajokortin pisteet (esim. Yhdistyneessä kuningaskunnassa), on todennäköistä, että ihmisen varmistus säilyy tekijänä järjestelmän käyttöönotossa.

Vaikka käytetään optista virtausta ja muita menetelmiä ottaen huomioon koko videomateriaalia, objekti tunnistamisalgoritmit, kuten YOLO, käsittelevät jokaisen kehyskohtaisen tarinan, ja seuraava kehys on seuraava projekti. Siksi, järjestelmän on estettävä antamasta (esim.) 128 erillistä sakkoa, jotka kattavat 128 kehystä rikkomuksen havaitsemiseen.

Tätä varten järjestelmä sisältää objekti seuranta-algoritmin Deep SORT, joka lisää yksilöivän “tapahtuma-ID:n” jokaiseen tunnistettuun rikkomukseen, ja varmistaa, että ID ei toistu kehysjen välillä yhden kuvausjärjestelmän aikana.

Käsittely yöaikaisen valvontaa

Yöaikaisissa olosuhteissa tutkijat käyttävät oletusarvoisesti infrapunakuvausta, kuten aiemmissa tutkimushankkeissa, jotka tutkivat samaa haastetta. He testasivat IR-aallonpituuksia 850 ja 730 nanometriä, ja totesivat, että parhaat yksityiskohdat saavutettiin 730 nm: llä.

Tutkimus väittää, että on tarpeen tehdä lisätutkimuksia, jotta voidaan määrittää, miten paljon infrapunakuvausta voidaan käyttää päiväaikaisissa olosuhteissa.

Data

Taloudellisemman yksivaiheisen järjestelmän osalta tutkijat käyttivät 2 235 rekisterikilpiä Google Open Images Dataset: sta, ja 2150 valokuvaa matkapuhelimista, jotka on tehty erityisesti hankkeelle. Koska oli tarpeen sisällyttää kuvia puhelimista, jotka kuljettaja pitää hallussa, 1 700 puhelinkuvaa otettiin erityisesti hankkeelle.

Kahden vaiheen järjestelmä vaati 487 tuulilasin annotointia, joita käytettiin kouluttamaan prosessin ensimmäistä vaihetta, lisäksi dataa, jota käytettiin yksivaiheisessa prosessissa.

Koska virallista tienvalvontainfrastruktuuria ei ollut saatavilla, kaikki kuvat otettiin vapaaehtoisvoimin, jotta voidaan saada vastaavaa luonnetta olevia olosuhteita.

Myönnytykset

Lopulliset tulokset tarjoavat tarkin täsmällisyyden, joka on sovitettava kustannusten kanssa, ja jossa parempi kuvauslaitteisto ja prosessointitulokset tarjoavat suurimman tarkin täsmällisyyden, ja “hyväksyttävä” tarkin täsmällisyys on saavutettavissa edullisella päivittämisellä olemassa olevaan urbaaniin valvontalaitteistoon.

Halvempi, “yksivaiheinen” putki saavuttaa lähes 75 prosentin tarkin täsmällisyyden, ja sen toteuttamiskustannukset ovat alhaisimmat (ts. edullisen polarisoivan suodattimen asennus), kun taas monimutkaisempi kahden vaiheen järjestelmä (joka eristää tuulilasin alueen ennen kuin etsii matkapuhelinta, jota kuljettaja pitää hallussa) saavuttaa korkeamman tarkin täsmällisyyden, mutta se voi olla sovellettavissa vain uuteen infrastruktuuriin, riippuen saatavilla olevasta budjetista. Molemmissa tapauksissa kuvauslaitteiston laatu on lisäksi muuttuja.

Kuten mainittiin aiemmin, tutkijoiden käsitys hankkeen toteutettavuudesta näyttää olevan perusteltu oletuksella, että järjestelmän on toimittava täysin itsenäisesti – kyseenalainen vaatimus.

Katsokaa hankkeen virallista videota alla olevasta linkistä, josta löytyy lisätietoja toteutuksesta ja käytetyistä lähestymistavoista.