Rede Neural Convolucional para Detecção de Pedestres Realizando Travessias de Risco

• Milena L. dos Santos UNIOESTE
• Claudio R. M. Mauricio UNIOESTE
• Valéria N. dos Santos Fundação Parque Tecnológico Itaipu
• Fabiana F. F. Peres UNIOESTE

DOI: https://doi.org/10.5753/sibgrapi.est.2022.23276

Resumo

Indivíduos atuam como pedestres quando encontram-se andando ou correndo em uma via. As principais interações entre pedestres e veículos ocorrem nas travessias de pedestres. Essas interações expõem os pedestres ao risco de acidentes e atrasos nos deslocamentos. Os pedestres estão suscetíveis a ferimentos graves e lesões que levam à morte e incapacidade, alarmando a saúde pública e a segurança do tráfego a tomar providências para tornar os pedestres menos expostos às situações de riscos produzidas pelo trânsito. O objetivo deste trabalho é detectar pedestres realizando travessias de risco utilizando imagens de vídeos transmitidos em tempo real. Para isso, as tecnologias utilizadas foram CNN Yolov4-tiny para detecção e algoritmo SORT para rastreamento e contagem dos pedestres. O modelo final obteve uma precisão aproximada de 89%. Em média, a inferência da aplicação levou de 11 a 13 frames por segundo.

Referências

P. V. Margon and P. W. G. Taco, "Caracterização do comportamento de pedestres e motoristas durante a travessia de vias em faixa não semaforizada," in Anais 18º PANAM-Congresso Panamericano de Engenharia de Trânsito, Transporte e Logística. Universidade de Cantabria- Santander, Espanha, vol. 11, 2014.

A. Chakraborty, D. Mukherjee, and S. Mitra, "Development of pedestrian crash prediction model for a developing country using artificial neural network," International journal of injury control and safety promotion, vol. 26, no. 3, pp. 283-293, 2019.

S. Zhang, M. Abdel-Aty, J. Yuan, and P. Li, "Prediction of pedestrian crossing intentions at intersections based on long short-term memory recurrent neural network," Transportation research record, vol. 2674, no. 4, pp. 57-65, 2020.

Z. Jan, B. Verma, J. Affum, S. Atabak, and L. Moir, "A convolutional neural network based deep learning technique for identifying road attributes," in 2018 International Conference on Image and Vision Computing New Zealand (IVCNZ). IEEE, 2018, pp. 1-6.

D. Ka, D. Lee, S. Kim, and H. Yeo, "Study on the framework of intersection pedestrian collision warning system considering pedestrian characteristics," Transportation research record, vol. 2673, no. 5, pp. 747-758, 2019.

D. Tomè, F. Monti, L. Baroffio, L. Bondi, M. Tagliasacchi, and S. Tubaro, "Deep convolutional neural networks for pedestrian detection," Signal processing: image communication, vol. 47, pp. 482-489, 2016.

A. F. Cordeiro, L. Pedro Filho, C. A. Ojeda, and G. R. Valiati, "Rastreamento e contagem de pedestre em tempo real por meio de imagens digitais," in Anais do XVI Congresso Latino-Americano de Software Livre e Tecnologias Abertas. SBC, 2019, pp. 146-149.

A. C. G. Vargas, A. Paes, and C. N. Vasconcelos, "Um estudo sobre redes neurais convolucionais e sua aplicação em detecção de pedestres," in Proceedings of the xxix conference on graphics, patterns and images, vol. 1, no. 4. sn, 2016.

M. d. C. J. Ize, "Multiple pedestrian tracking using geometric and deep features," 2019.

H. Song, I. K. Choi, M. S. Ko, J. Bae, S. Kwak, and J. Yoo, "Vulnerable pedestrian detection and tracking using deep learning," in 2018 International Conference on Electronics, Information, and Communication (ICEIC). IEEE, 2018, pp. 1-2.

A. Bochkovskiy, C.-Y. Wang, and H.-Y. M. Liao, "Yolov4: Optimal speed and accuracy of object detection," arXiv preprint arXiv:2004.10934, 2020.

A. Bewley, Z. Ge, L. Ott, F. Ramos, and B. Upcroft, "Simple online and realtime tracking," in 2016 IEEE international conference on image processing (ICIP). IEEE, 2016, pp. 3464-3468.

Catve, "Câmeras ao vivo," https://catve.com/aduana.

Tzutalin, "Labelimg," https://github.com/tzutalin/labelImg.

Roboflow, "Roboflow," https://roboflow.com/.

A. Bochkovskiy, "How to improve object detection," https://github.com/AlexeyAB/darknethow-to-improve-object-detection.