استفاده از بازيابي ويدئويي در پيشگيري از تصادف با عابرپياده‎

Using Video Retrieval to Prevent Accident With Pedestrians

افق پيش‌رو در صنعت اتومبيل‌سازي به سمت توليد اتومبيل‌هايي با تجهيزاتي هوشمند است. از طرفي ديگر، حجم بالاي تصادف‌هاي وسايط نقليه با عابرين پياده در كشور، نياز به ايمني مبتني بر هوش مصنوعي را در اين زمينه پررنگ‌تر كرده است. در اين پژوهش، با استفاده از بازيابي اطلاعات فيلم دوربين اتومبيل، تعداد عابرين پياده‌اي كه قصد عبور از عرض خيابان را دارند، شناسايي شده و با توجه به سرعت وسيله نقليه و تعداد عابرين، به راننده هشداري بازگردانده مي‌شود. اين پژوهش مبتني بر مجموعه داده استاندارد با استفاده از زبان پايتون طراحي و شبيه‌سازي شده است. در اين روش با كمك شبكه‌هاي عصبي عميق، يك سيستم نظارتي ويدئويي آموزش داده مي‌شود تا بتواند در شرايط واقعي، با كمترين خطا كار كند. عابرين پياده و اتومبيل‌ها در قاب‌هايي كه در فواصل معيني از فيلم برداشت شده‌اند، استخراج مي‌شوند و با توجه به حاشيه‌نويسي مجموعه داده و ارتباطي كه ميان اتومبيل و عابرپياده به دست مي‌آيد، عابرين گذرنده از عرض خيابان شناسايي مي‌شوند و در انتها، مبتني بر تعداد عابر پياده و سرعت به دست آمده از سيستم OBD اتومبيل، هشداري به راننده بازگردانده مي‌شود. آزمايش نشان داد كه دقت شناسايي عابرين گذرنده از عرض خيابان 84% است كه همين ميزان دقت براي تعيين دقت هشدار نيز قابل تعميم است.

The automobile industry is moving towards the production of cars with smart equipment, which can help improve the safety of drivers and pedestrians alike. However, the high volume of vehicle accidents involving pedestrians has highlighted the need for artificial intelligence-based safety measures in this field. In this research, the number of pedestrians intending to cross the street is identified using video data recovered from car cameras. Based on the speed of the vehicle and the number of pedestrians, a warning is sent back to the driver. This research was designed and simulated using Python language based on a standard dataset. With the help of deep neural networks, a video surveillance system was trained to work in real conditions with minimal errors. Pedestrians and cars are extracted from frames taken at certain intervals from the film. Based on the annotation of the dataset and the relationship between the car and pedestrian, pedestrians crossing the street are identified.