Road users detection for traffic congestion classification

Abstract

Однією з важливих проблем, від якою страждають жителі міст, є затори. Це робить їхнє життя більш напруженим, впливає на декілька сторін, включаючи економіку: витрачається час, паливо та продуктивність, крім того, психологічне та фізичне здоров’я. Це змушує дорожні органи шукати рішення для зменшення заторів і гарантування безпеки на дорогах. З цією метою виявлення учасників дорожнього руху в режимі реального часу дозволяє надавати функції та інформацію про конкретні точки дороги. Останні корисні для менеджерів доріг, а також для учасників доріг щодо місць заторів. Мета полягає в тому, щоб створити модель для виявлення учасників дорожнього руху, включаючи транспортні засоби та пішоходів, за допомогою штучного інтелекту, особливо технологій машинного навчання та комп’ютерного зору. У цій статті пропонується підхід до виявлення учасників дорожнього руху, використовуючи як вхідний набір даних із 22983 зображень, кожне з яких містить більше одного з цільових об’єктів, загалом близько 81000 цільових об’єктів, розподілених на людей (пішоходів), автомобілі, вантажівки/автобуси (транспортні засоби), а також мотоцикли/велосипеди. Набір даних, використаний у цій статті, відомий як Common Objects in Context (MS COCO), опублікований Microsoft. Крім того, було створено шість різних моделей на основі підходів RCNN, Fast RCNN, Faster RCNN, Mask RCNN, а також 5-ої та 7-ої версій YOLO. Крім того, було надано порівняння цих моделей за допомогою оціночних метрик. Як результат, обрана модель здатна виявляти учасників дорожнього руху з більш ніж 55% середньою точністю.

One of the important problems that urban residents suffer from is Traffic Congestion. It makes their life more stressful, it impacts several sides including the economy: by wasting time, fuel and productivity. Moreover, the psychological and physical health. That makes road authorities required to find solutions for reducing traffic congestion and guaranteeing security and safety on roads. To this end, detecting road users in real-time allows for providing features and information about specific road points. These last are useful for road managers and also for road users about congested points. The goal is to build a model to detect road users including vehicles and pedestrians using artificial intelligence especially machine learning and computer vision technologies. This paper provides an approach to detecting road users using as input a dataset of 22983 images, each image contains more than one of the target objects, generally about 81000 target objects, distributed on persons (pedestrians), cars, trucks/buses (vehicles), and also motorcycles/bicycles. The dataset used in this study is known as Common Objects in Context (MS COCO) published by Microsoft. Furthermore, six different models were built based on the approaches RCNN, Fast RCNN, Faster RCNN, Mask RCNN, and the 5th and the 7th versions of YOLO. In addition, a comparison of these models using evaluation metrics was provided. As a result, the chosen model is able to detect road users with more than 55% in terms of mean average precision.