Ajoneuvon kuljettajan matkapuhelimen väärinkäytön tunnistaminen polarisoivien suotimien ja objektin tunnistamisen avulla

Tutkijat Iso-Britanniassa ovat ehdottaneet tienvarsipohjaisen järjestelmän automaattiseen havaitsemiseen laittoman matkapuhelimen käytöstä kuljettajien keskuudessa, käyttäen perinteisiä valokuvaus-optisia suotimia ja infrapunavalokuvausta. Riippuen laadusta ja laitteiston laadusta, järjestelmä on osoittanut 95,81 prosentin tarkin havaintotarkan realimaailman kokeissa.

Yksi tutkijoiden malleista toiminnassa. Tuulilasin alue on ensin tunnistettu ja eristetty kiinnitysalueeksi AI-tukeen mobiililaitteen etsimiseksi. Järjestelmä on suunniteltu ohittamaan kiinnitettyjä matkapuhelimia ja etsimään laitteita, jotka ovat aktiivisesti hallussa kuljettajalla. Lähde: https://www.youtube.com/watch?v=PErIUr3Cxvg

Tutkimus on nimeltään Ajoneuvon kuljettajan puhelimen käytön rikkomusten tunnistaminen viimeisimmän objektin tunnistamisen avulla seurannan kautta, ja se on peräisin Newcastle’n yliopiston tietojenkäsittelyosastolta.

Tuulilasin heijastavuuden voittaminen

Aikaisemmat lähestymistavat matkapuhelimen käytön havaitsemiseksi kuljettajien keskuudessa ovat olleet haitallisia tuulilasin korkean heijastavuuden vuoksi päivänvalossa, jota voidaan lisätä pilviryhmien heijastusten vuoksi. Tällaisia tapauksia ei voida realistisesti käsitellä infrapunavalon avulla, koska tarvittava määrä IR-valaistusta olisi resurssien vaativa.

Sen vuoksi Newcastle’n tutkijat ehdottavat vanhinta temppua kirjassa (joka on peräisin vuodelta 1812) poistamaan heijastukset lasipinnalta – halpa, fyysinen polarisoiva suodatin, joka voidaan kiinnittää tienvarsipoliisikameroihin, kalibroida kerran ja sitten mahdollistaa selkeän näkymän ajoneuvon sisään.

Ylempänä, suodattamaton näkymä auton tuulilasista. Alempana, sama näkymä fyysisen polarisoivan suodattimen kanssa kamerassa. Lähde: https://arxiv.org/pdf/2109.02119.pdf

Matkustamisen siirtymisen jälkeen omistetuista kameroista matkapuhelimen perusteisiin antureihin, polarisoivan suodattimen läsnäolo on vähentynyt suuresti sen mukaan, kun se on osa kohtuullisen laatuisia aurinkolaseja, joissa käyttäjä voi havaita heijastuksia poistavan ominaisuuden kallistamalla näkökulmaa tai muuttamalla näkökulmaa heijastuvasta kohteesta.

Auringonvalo on hajallaan happi- ja typen molekyyleillä, ja sininen valo on enemmän hajallaan kuin muut aallonpituudet, mikä tekee sinisestä valosta selkeän taivaan värisävyn päivänvalossa. Sininen valo on polarisoitunut, ja lineaarinen tai ympyräpolarisoiva linssi voi poistaa tämän polarisoituneen valon, poistaen heijastukset prosessissa.

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

YOLO

Järjestelmä, jota tutkimus ehdottaa, on tarkoitus integroida siviili-infrastruktuuriin, kuten hallituksen asentamiin tienvarsipoliisikameroihin. Tietoisina mahdollisista esteistä kustannusten vuoksi, tutkijat testasivat erilaisia objektin tunnistamisjärjestelmän konfiguraatioita eri laadun tasojen kanssa, ja tarjosivat vähimmäiskustannusskenaarioita, joissa halpoja polarisoivia suotimia voidaan lisätä olemassa oleviin kameroihin, ja kaikki muut järjestelmän osat ovat etäältä.

Neljä objektin tunnistamisviitekehyksiä testattiin: You-Only-Look-Once (YOLO) versiot 3 ja 4; SSD perusverkko; Faster R-CNN; ja CenterNet. Kokeissa saatiin tarkin tulokset YOLO V3: n kanssa, joka käytti kahden vaiheen työkalua, joka ensin lokaloi tuulilasin alueen ja etsii sitten matkapuhelinta kyseisessä tilassa.

Kuitenkin, tarve ajaa videota kahden verkon läpi johtaa vähemmän kuin optimaaliseen kehysnopeuteen 13,15fps, verrattuna lähelle 30fps yksinkertaisemmassa järjestelmässä. Tulosten laatu riippuu syötelaiteista, ja tutkijat totesivat, että kun syöte jaettiin matalan ja korkean laadun laitteiden välillä, tarkin tulokset saavutettiin noin 96 prosentin tarkin tuloksella paremmalla laitteistolla ja 74,35 prosentilla halvemmissa kameroissa.

Rajoitettujen tunnistettujen rikkomusten määrä

Lisäksi taloudellisen toteuttamiskelpoisuuden tekemiseksi, tutkijat ovat huolissaan kehittää täysin automaattista järjestelmää, jossa on vähän tarpeen ihmisille valvontaan, ja järjestelmä on suunniteltu toimittamaan sakot automaattisesti. Kuitenkin, koska lait matkapuhelimen käytöstä ajamisen aikana ovat muuttumassa yhä vakavammaksi ympäri maailmaa, ja rangaistukset voivat ylittää pelkät sakot tai ajokortin pisteet (esim. Iso-Britanniassa), on todennäköistä, että ihmisten valvonta säilyy tekijänä tällaisen järjestelmän käyttöönotossa.

Optisen virran ja muiden menetelmien käytöstä huolimatta koko videomateriaalin huomioon ottamiseksi, objektin tunnistamisalgoritmit, kuten YOLO, pitävät jokaista kehystä “täydellisenä tarinana”, ja seuraava kehys on seuraava projekti. Siksi järjestelmää tämänkaltaista on estettävä antamasta (esim.) 128 erillistä sakkoa 128 kehyksen aikana rikkomuksen havaitsemista videota.

Tämän välttämiseksi järjestelmä sisältää objektin seuranta-algoritmin Deep SORT, joka lisää yksilöivän “tapahtuman tunnisteen” jokaiseen rikkomuksen tunnistamiseen, ja varmistaa, että tunniste ei ole toistuva kehysjen sisällä yhden tallennusjonon aikana.

Yön aikaisen valvonnan käsittely

Yön aikaisissa olosuhteissa tutkijat oletetaan oletusarvoisesti infrapunavalaistukseen, kuten aiemmissa tutkimushankkeissa, jotka tutkivat samaa haasteita. He testasivat IR-aallonpituuksia 850 ja 730 nanometriä, ja totesivat, että parhaat yksityiskohdat havaittiin 730 nm: llä.

Tutkimus väittää, että lisätutkimus on tarpeen määrittämään, kuinka paljon infrapunavalaistusta voidaan käyttää päiväolosuhteissa.

Data

Taloudellisemman yksivaiheisen järjestelmän versiota varten tutkijat käyttivät 2 235 rekisterikilpiä Google Open Images Dataset -tietokannasta ja 2150 valmiita ja itse tehtyjä matkapuhelinvalokuvia. Koska oli tarpeen sisällyttää kuvia puhelimista, jotka ovat kuljettajien hallussa, 1700 puhelinkuvaa otettiin erityisesti hankkeen tarpeisiin.

Kahden vaiheen järjestelmä vaati 487 tuulilasin annotointia, joita käytettiin prosessin ensimmäisen vaiheen koulutukseen, lisäksi yksivaiheisen prosessin käyttämään dataan.

Koska virallista tienvalvontainfrastruktuuria ei ollut saatavilla, kaikki kuvat otettiin vapaaehtoisten toimesta, jotta voidaan saada vastaavaa olosuhteita.

Hyvitykset

Lopulliset tulokset tarjoavat joukon tarkkuustasoja, jotka olisi vaihdettava toteutuskustannusten kanssa, joissa paremmat laitteistot ja prosessointitulokset tarjoavat suurimman tarkin, ja “hyväksyttävä” tarkkuus on saavutettavissa edullisella retro-toteutuksella olemassa olevaan urbaaniin valvontalaitteistoon.

Halvempi, “yksivaiheinen” putki saavuttaa lähes 75 prosentin tarkin, matalimmilla toteutuskustannuksilla (ts. edullisen polarisoivan suodattimen asennus), kun taas monimutkaisempi kahden vaiheen järjestelmä (joka erottaa tuulilasin alueen ennen matkapuhelimen etsintää kuljettajalta) saavuttaa korkeamman tarkin tuloksen, mutta saattaa olla sovellettavissa vain uuteen infrastruktuuriin, riippuen saatavilla olevasta budjetista. Molemmissa tapauksissa laitteiston laatu on lisämuuttuja.

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

Katso hankkeen virallista videota alla, jossa on lisätietoja toteutuksesta ja käytetyistä menetelmistä.