Ir al contenido

Documat

VARVO: a Novel Method for the Fast Detection of Vehicle Crash Events from Video Only Data

  • Moreno Pallares, Mario [1] ; Yoo, Sang Guun ; Aguilar Castillo, Wilbert Geovanny [1]
    1. [1] Escuela Politécnica Nacional, Departamento de Informática y Ciencias de la Computación, Quito, Ecuador
  • Localización: Revista Politécnica, ISSN-e 2477-8990, Vol. 52, Nº. 1, 2023 (Ejemplar dedicado a: Revista Politecnica), págs. 25-34
  • Idioma: inglés
  • DOI: 10.33333/rp.vol52n1.03
  • Títulos paralelos:
    • VARVO: un Método Novedoso para la Detección Rápida de Eventos de Choques de Vehículos a Partir de Solo Datos de Video
  • Enlaces
  • Resumen
    • español

      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.

    • English

      Around 1,35 million people worldwide die each year because of traffic incidents, and it is estimated that another 50 million suffers serious injuries. This picture is particularly dramatic in the Andean Region where the death toll due to traffic accidents is as high as 127 deaths per million inhabitants. In recent years the deployment of the so-called Intelligent Transport Systems (ITS) across several developed countries has helped to reduce the number of deaths due to traffic accidents. An integral part of an ITS is the automatic detection of traffic incidents from video and sensor data. However, the scarcity of curated datasets, especially those that contained a reasonable number of positive instances of traffic incidents is hampering the development of artificial intelligence applications for the domain of traffic research. Given this scenario, we pursued answering the following research question: is it possible to detect car crashes through supervised machine learning based on the estimated speeds of cars from video only-data? Here we present VARVO, a novel algorithm for the detection of traffic incidents that does not rely on sensors for cars speed detection. VARVO performs a supervised classification task based on the sequential use of convolutional network-based object detection and bi-directional tracking. We also describe how the models implemented in VARVO improved their classification accuracy by applying an oversampling algorithm to deal with class imbalance. We believe that the deployment of VARVO could be linked to static traffic video cameras and could be part of the Intelligent Transport Systems foundations in other Andean countries.

  • Referencias bibliográficas
    • Cheng, G., Zhou, P., & Han, J. (2016). Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote...
    • 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...
    • Dhaya, R. (2020). CCTV Surveillance for Unprecedented Violence and Traffic Monitoring. Journal of Innovative Image Processing, 2(1), 25–34....
    • 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....
    • 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....
    • Haydari, A., & Yilmaz, Y. (2020). Deep Reinforcement Learning for Intelligent Transportation Systems: A Survey. IEEE Transactions on Intelligent...
    • Jurewicz, C., Sobhani, A., Woolley, J., Dutschke, J., & Corben, B. (2016). Exploration of Vehicle Impact Speed - Injury Severity Relationships...
    • Kurdthongmee, W. (2020). A comparative study of the effectiveness of using popular DNN object detection algorithms for pith detection in cross-sectional...
    • Kyamakya, K. (2006). Artificial intelligence in Transportation Telematics. OGAI Journal (Oesterreichische Gesellschaft Fuer Artificial Intelligence),...
    • Maldonado Silveira Alonso Munhoz, P. A., da Costa Dias, F., Kowal Chinelli, C., Azevedo Guedes, A. L., Neves dos Santos, J. A., da Silveira...
    • Mohammed, R., Rawashdeh, J., & Abdullah, M. (2020). Machine Learning with Oversampling and Undersampling Techniques: Overview Study and...
    • Nascimento, J. C., Abrantes, A. J., & Marques, J. S. (1999). Algorithm for centroid-based tracking of moving objects. ICASSP, IEEE International...
    • Organización Panamericana de la Salud, & Organización Mundial de la Salud. (2019). Estado de la seguridad vial en la Región de las Américas....
    • Owens, N., Armstrong, A., Sullivan, P., Mitchell, C., Newton, D., Brewster, R., & Trego, T. (2010). Traffic Incident Management Handbook....
    • Rajib, M. S., Ahmed, J., Rahman, M. M., Abdullah, W. M., & Chauhan, N. S. (2017). A proposed system to estimate the velocity of vehicles...
    • Salazar-Cabrera, R., & Pachón, Á. (2019). Metodología para el Diseño de una Arquitectura de un Sistema Inteligente de Transporte para...
    • Santos, M. S., Soares, J. P., Abreu, P. H., Araujo, H., & Santos, J. (2018). Cross-validation for imbalanced datasets: Avoiding overoptimistic...
    • 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...
    • 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....
    • Vallejos, S., Alonso, D. G., Caimmi, B., Berdun, L., Armentano, M. G., & Soria, Á. (2021). Mining social networks to detect traffic incidents....
    • Vapnik, V. N. (2013). Empirical Inference - Semi-supervised learning in causal and anti-causal settings.
Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno