Mengidentifikasi Penyalahgunaan Ponsel Mobile oleh Pengemudi dengan Filter Polarizing dan Pengenalan Objek

Peneliti di Inggris telah mengusulkan sistem pinggir jalan untuk mendeteksi penggunaan ponsel ilegal di antara pengemudi, menggunakan filter foto-optik klasik dan infra-merah. Tergantung pada kualitas peralatan penangkapan, sistem ini telah menunjukkan tingkat akurasi hingga 95,81% dalam uji coba dunia nyata.

Salah satu model peneliti dalam aksi. Area windshield pertama kali diidentifikasi dan diisolasi sebagai area penangkapan untuk pencarian gambar ponsel yang dibantu AI. Sistem ini dirancang untuk mengabaikan ponsel yang dipasang dan mencari perangkat yang sedang dipegang oleh pengemudi. Sumber: https://www.youtube.com/watch?v=PErIUr3Cxvg

Penelitian ini berjudul Identifikasi Pelanggaran Penggunaan Ponsel oleh Pengemudi melalui Pengenalan Objek dengan Pelacakan, dan berasal dari Sekolah Ilmu Komputer di Universitas Newcastle.

Mengatasi Reflektivitas Kaca depan

Pendekatan sebelumnya untuk mendeteksi penggunaan perangkat mobile di antara pengemudi telah terhambat oleh reflektivitas kaca depan yang tinggi selama jam siang, yang diperburuk ketika refleksi dari kelompok awan besar lebih lanjut mengaburkan interior kendaraan. Kasus-kasus seperti ini tidak dapat diatasi dengan realistis dengan sumber cahaya infra-merah, karena jumlah iluminasi IR yang diperlukan untuk menembus cahaya alami akan sangat intensif.

Oleh karena itu, peneliti Newcastle mengusulkan trik lama (yang berasal dari tahun 1812) untuk menghilangkan refleksi dari permukaan kaca yang terlihat – filter polarisasi yang murah, yang dapat dipasang pada kamera pengawasan pinggir jalan, dikalibrasi satu kali, dan kemudian memungkinkan pandangan yang jelas ke dalam interior kendaraan.

Di atas, tampilan kaca depan yang tidak difilter. Di bawah, tampilan yang sama dengan filter polarisasi fisik yang dipasang pada kamera. Sumber: https://arxiv.org/pdf/2109.02119.pdf

Dengan peralihan dari kamera khusus ke sensor berbasis mobile, kehadiran filter polarisasi dalam budaya populer telah banyak dikurangi menjadi inklusinya dalam kacamata hitam yang berkualitas, di mana pemakai dapat mengamati sifat penghilang refleksi dengan miringkan sudut pandang atau mengubah sudut pandang pada objek yang reflektif.

Cahaya matahari disebarkan oleh molekul oksigen dan nitrogen, dengan cahaya biru yang lebih luas disebarkan daripada panjang gelombang lain, membuat biru menjadi warna asli langit yang jernih pada siang hari. Cahaya biru dipolarisasi, dan lensa polarisasi linier atau sirkular dapat efektif menghilangkan cahaya polarisasi ini, menghilangkan refleksi dalam prosesnya.

Makalah ini mengakui bahwa kaca depan yang ditembak bisa menghalangi atau bahkan menggagalkan metode ini untuk melihat ke dalam mobil. Namun, karena ini terbatas oleh hukum Inggris, dengan peraturan yang bervariasi menurut negara bagian di AS, makalah ini tidak mempertimbangkan ini sebagai hambatan utama.

YOLO

Sistem yang diusulkan dalam makalah ini dimaksudkan untuk diintegrasikan ke dalam infrastruktur sipil, seperti kamera pengawasan pinggir jalan yang dipasang pemerintah. Sadar akan kemungkinan hambatan biaya, peneliti menguji berbagai konfigurasi sistem pengenalan objek pada berbagai tingkat kualitas peralatan penangkapan, dan menawarkan skenario biaya minimal di mana filter polarisasi yang murah dapat ditambahkan ke kamera yang ada, dengan semua aspek sistem lainnya jarak jauh.

Empat kerangka pengenalan objek diuji: You-Only-Look-Once (YOLO) versi 3 dan 4; SSD jaringan dasar; Faster R-CNN; dan CenterNet. Dalam uji coba, hasil yang paling akurat diperoleh dengan YOLO V3, menggunakan alur kerja dua langkah yang pertama kali memlocalisasi area kaca depan dan kemudian mencari perangkat mobile di ruang itu.

Namun, kebutuhan untuk menjalankan video melalui dua jaringan menghasilkan tingkat bingkai yang kurang dari optimal sebesar 13,15fps, dibandingkan dengan sekitar 30fps pada sistem yang lebih sederhana. Kualitas hasil tergantung pada peralatan input, dan peneliti menemukan bahwa ketika input dibagi antara kamera berkualitas rendah dan peralatan yang lebih baik, tingkat akurasi sekitar 96% dapat dicapai pada peralatan yang lebih baik, dan 74,35% pada kamera yang lebih murah.

Membatasi Pelanggaran yang Dikenali

Selain membuat sistem ini layak secara ekonomi, peneliti juga peduli untuk mengembangkan sistem yang sepenuhnya otomatis dengan sedikit pengawasan manusia yang diperlukan, dan sistem ini telah dirancang untuk secara otomatis mengirimkan denda. Namun, karena hukum sekitar penggunaan ponsel saat mengemudi menjadi lebih keras di seluruh dunia, dengan hukuman yang mungkin melebihi denda atau pengurangan poin lisensi (misalnya di Inggris), tampaknya verifikasi manusia kasual akan tetap menjadi faktor dalam penerapan sistem seperti ini.

Meskipun menggunakan aliran optik dan metode lain untuk mempertimbangkan seluruh konten video, algoritma pengenalan objek seperti YOLO mempertimbangkan setiap bingkai sebagai ‘cerita lengkap’, dan bingkai berikutnya sebagai proyek berikutnya. Oleh karena itu, sistem seperti ini harus dicegah dari mengeluarkan (misalnya) 128 denda terpisah yang mencakup 128 bingkai video yang menangkap pelanggaran.

Untuk menghindari ini, sistem ini mengintegrasikan algoritma pelacakan objek Deep SORT, yang menambahkan ‘ID insiden’ unik ke setiap pengenalan pelanggaran, dan memastikan bahwa ID tidak digandakan di seluruh bingkai dalam satu urutan penangkapan.

Menangani Pengawasan Malam

Untuk kondisi malam, peneliti beralih ke penangkapan infra-merah, seperti yang digunakan dalam proyek penelitian sebelumnya yang menyelidiki tantangan yang sama. Mereka menguji panjang gelombang IR 850 dan 730 nanometer, dan menemukan bahwa detail terbaik ditangkap dengan 730nm.

Makalah ini berpendapat bahwa penyelidikan lebih lanjut diperlukan untuk menentukan seberapa jauh penangkapan infra-merah dapat digunakan selama kondisi siang.

Data

Untuk versi sistem satu langkah yang lebih ekonomis, peneliti menggunakan 2.235 gambar plat nomor dari Dataset Gambar Terbuka Google, dan 2150 gambar ponsel stok dan buatan khusus. Karena perlu untuk memasukkan gambar ponsel yang dipegang oleh pengemudi, 1.700 gambar ponsel diambil khusus untuk proyek ini.

Sistem dua langkah memerlukan anotasi 487 kaca depan, yang digunakan untuk melatih langkah pertama proses, selain data yang digunakan dalam proses satu langkah.

Karena tidak ada akses ke infrastruktur pengawasan jalan resmi, semua gambar diambil oleh relawan untuk mendekati kondisi yang sama.

Kompromi

Hasil akhir menawarkan berbagai standar akurasi yang perlu diperdagangkan melawan biaya implementasi, dengan peralatan penangkapan yang lebih baik dan hasil pemrosesan yang lebih akurat, dan akurasi yang dapat diterima yang mungkin diperoleh dengan memasang kembali peralatan pengawasan perkotaan yang ada.

Saluran ‘satu langkah’ yang lebih murah mencapai akurasi sekitar 75%, dengan biaya implementasi terendah (yaitu pemasangan filter polarisasi yang murah), sedangkan sistem dua langkah yang lebih kompleks (yang mengisolasi area kaca depan sebelum mencari perangkat mobile yang dipegang oleh pengemudi) mencapai tingkat akurasi yang lebih tinggi, tetapi mungkin hanya cocok untuk infrastruktur baru, tergantung pada anggaran yang tersedia. Dalam kedua kasus, kualitas peralatan penangkapan adalah variabel tambahan.

Seperti yang disebutkan di atas, persepsi peneliti tentang viabilitas proyek ini tampaknya dipengaruhi oleh asumsi bahwa sistem harus berfungsi sepenuhnya secara otonom – suatu persyaratan yang dipertanyakan.

Lihat video resmi proyek di bawah untuk lebih banyak detail tentang implementasi dan pendekatan yang digunakan.