VARVO: un Método Novedoso para la Detección Rápida de Eventos de Choques de Vehículos a Partir de Solo Datos de Video
##plugins.themes.bootstrap3.article.main##
Resumen
Alrededor de 1,35 millones de personas a nivel mundial mueren anualmente por incidentes de tráfico y se estima que 50 millones sufren lesiones graves. Este panorama es particularmente dramático en la Región Andina donde el número de muertes por accidentes de tránsito asciende a 127 muertes por millón de habitantes. Recientemente, el despliegue de Sistemas Inteligentes de Transporte (SITs) en países desarrollados ha ayudado a reducir la mortalidad por accidentes de tránsito. Una parte integral de un SIT es la detección automática de incidentes de tráfico a partir de datos de video y sensores. Sin embargo, la escasez de conjuntos de datos, especialmente de casos positivos de incidentes de tráfico, obstaculizan el desarrollo de aplicaciones de inteligencia artificial para el dominio de la investigación del tráfico. En este contexto, presentamos la siguiente pregunta de investigación: ¿Es posible detectar colisiones de automóviles mediante aprendizaje automático supervisado, basado en la velocidad estimada de los autos a partir de datos de video? Como resultado presentamos VARVO, un algoritmo para la detección de incidentes de tráfico que no depende de sensores para la detección de la velocidad de los automóviles, el cual realiza una clasificación supervisada usando la detección de objetos basada en red convolucional y seguimiento bidireccional. También se describe cómo los modelos implementados en VARVO pueden mejorar su precisión de clasificación aplicando un algoritmo de sobremuestreo para clases desequilibradas. Creemos que el despliegue de VARVO podría vincularse a cámaras de video estáticas de tráfico y ser parte de los SITs en la Región Andina.
Descargas
Descargas
Detalles del artículo
Citas
Cheng, G., Zhou, P., & Han, J. (2016). Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, 54(12), 7405–7415. https://doi.org/10.1109/TGRS.2016.2601622
Dalve, S., & Pinto, A. (2015). Estrategia de Seguridad Vial. Banco Interamericano de Desarrollo, 201. https://doi.org/10.1177/002088170704400203
Danelljan, M., Häger, G., Khan, F. S., & Felsberg, M. (2014). Accurate Scale Estimation for Robust Visual Tracking. BMVC 2014 - Proceedings of the British Machine Vision Conference 2014. https://doi.org/10.5244/c.28.65
Dhaya, R. (2020). CCTV Surveillance for Unprecedented Violence and Traffic Monitoring. Journal of Innovative Image Processing, 2(1), 25–34. https://doi.org/10.36548/jiip.2020.1.003
Dr. Chen personal webpage. (2019). Charlotte University Faculty Webpages. Retrieved January 30, 2023, from https://webpages.charlotte.edu/cchen62/dataset.html
Festag, A. (2014). Cooperative intelligent transport systems standards in Europe. IEEE Communications Magazine, 52(12), 166–172. https://doi.org/10.1109/MCOM.2014.6979970
Géron, A. (2017). Hands-on machine learning with Scikit-Learn and TensorFlow : concepts, tools, and techniques to build intelligent systems. In O'Reilly Media
Granada, I. (2018). Sistemas inteligentes de transporte para la movilidad universal. Bid. http://dx.doi.org/10.18235/0001390
Han, Z., Liang, J., & Li, J. (2018). Design of Intelligent Road Recognition and Warning System for Vehicles Based on Binocular Vision. IEEE Access, 6, 62880–62889. https://doi.org/10.1109/ACCESS.2018.2876702
Haydari, A., & Yilmaz, Y. (2020). Deep Reinforcement Learning for Intelligent Transportation Systems: A Survey. IEEE Transactions on Intelligent Transportation Systems, 1–22. https://doi.org/10.1109/tits.2020.3008612
Jurewicz, C., Sobhani, A., Woolley, J., Dutschke, J., & Corben, B. (2016). Exploration of Vehicle Impact Speed - Injury Severity Relationships for Application in Safer Road Design. Transportation Research Procedia, 14, 4247–4256. https://doi.org/10.1016/j.trpro.2016.05.396
Kurdthongmee, W. (2020). A comparative study of the effectiveness of using popular DNN object detection algorithms for pith detection in cross-sectional images of parawood. Heliyon, 6(2), e03480. https://doi.org/10.1016/j.heliyon.2020.e03480
Kyamakya, K. (2006). Artificial intelligence in Transportation Telematics. OGAI Journal (Oesterreichische Gesellschaft Fuer Artificial Intelligence), 25(3), 2–4.
Maldonado Silveira Alonso Munhoz, P. A., da Costa Dias, F., Kowal Chinelli, C., Azevedo Guedes, A. L., Neves dos Santos, J. A., da Silveira e Silva, W., & Pereira Soares, C. A. (2020). Smart mobility: The main drivers for increasing the intelligence of urban mobility. Sustainability, 12(24), 10675. https://doi.org/10.3390/su122410675
Mohammed, R., Rawashdeh, J., & Abdullah, M. (2020). Machine Learning with Oversampling and Undersampling Techniques: Overview Study and Experimental Results. 2020 11th International Conference on Information and Communication Systems, ICICS 2020, April, 243–248. https://doi.org/10.1109/ICICS49469.2020.239556
Nascimento, J. C., Abrantes, A. J., & Marques, J. S. (1999). Algorithm for centroid-based tracking of moving objects. ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings, 6(1), 3305–3308. https://doi.org/10.1109/icassp.1999.757548
Organización Panamericana de la Salud, & Organización Mundial de la Salud. (2019). Estado de la seguridad vial en la Región de las Américas. https://www.paho.org/hq/index.php?option=com_content&view=article&id=15237:status-of-road-safety-in-the-region-of-the-americas-2019&Itemid=39873&lang=es
Owens, N., Armstrong, A., Sullivan, P., Mitchell, C., Newton, D., Brewster, R., & Trego, T. (2010). Traffic Incident Management Handbook. Science Applications International Corporation American Transportation Research Institute, January 2010, 1–116. https://doi.org/10.1093/her/cys022
Rajib, M. S., Ahmed, J., Rahman, M. M., Abdullah, W. M., & Chauhan, N. S. (2017). A proposed system to estimate the velocity of vehicles from traffic video. Proceedings of the International Conference on IoT in Social, Mobile, Analytics, and Cloud, I-SMAC 2017, 320–324. https://doi.org/10.1109/I-SMAC.2017.8058364
Salazar-Cabrera, R., & Pachón, Á. (2019). Metodología para el Diseño de una Arquitectura de un Sistema Inteligente de Transporte para una Ciudad Intermedia Colombiana. Ingeniería y Competividad, 21(1), 47-61. https://doi.org/10.25100/iyc.v21i1.7654
Santos, M. S., Soares, J. P., Abreu, P. H., Araujo, H., & Santos, J. (2018). Cross-validation for imbalanced datasets: Avoiding overoptimistic and overfitting approaches [Research Frontier]. IEEE Computational Intelligence Magazine, 13(4), 59–76. https://doi.org/10.1109/MCI.2018.2866730
Shah, A. (2016). Videos for the Car Accidents Detection and Prediction Dataset. Google Drive. https://drive.google.com/drive/folders/1ozfZbz8wRoNqKknC59IPXP_twKgmCOaA
Shah, A., Lamare, J. B., Anh, T. N., & Hauptmann, A. (2018). CADP: A Novel Dataset for CCTV Traffic Camera-based Accident Analysis. http://arxiv.org/abs/1809.05782
Sultani, W., Chen, C., & Shah, M. (2018). Real-world Anomaly Detection in Surveillance Videos. http://arxiv.org/abs/1801.04264
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., & Rabinovich, A. (2019). Going Deeper with Convolutions. Designing and Tracking Knowledge Management Metrics, 163–182. https://doi.org/10.1108/978-1-78973-723-320191012
Thomas, S. S., Gupta, S., & Subramanian, V. K. (2017). Event Detection on Roads Using Perceptual Video Summarization. 1–11.
Vadeby, A., & Forsman, Å. (2018). Traffic safety effects of new speed limits in Sweden. Accident Analysis and Prevention, 114, 34–39. https://doi.org/10.1016/j.aap.2017.02.003
Vallejos, S., Alonso, D. G., Caimmi, B., Berdun, L., Armentano, M. G., & Soria, Á. (2021). Mining social networks to detect traffic incidents. Information systems frontiers, 23(1), 115-134. https://doi.org/10.1007/s10796-020-09994-3
Vapnik, V. N. (2013). Empirical Inference - Semi-supervised learning in causal and anti-causal settings.