For-studie av automatiske hendelsesdeteksjon systemer i veitunneler basert på dype nevrale nettverk og videoovervåknings kameraer

Abstract

Ulykker i veitunneler kan ha store konsekvenser. Automatisk hendelesesdeteksjons (AID) systemer kan hjelpe å redusere ulykkesgraden ved å sørge for rask respons fra vegvesenet. Dermed er AID høyt etterspurt, men også vanskelig oppgave.

Fokuset i denne oppgaven har vært å gi anbefalinger og redusere falske alarmer relatert til AID systemer som bruker kamera overvåkning og dype nevrale nettverk. Disse systemene består hovedsaklig av tre steg: objekt gjenkjenning, objekt sporing, og hendelses evaluering. Dermed har flere moderne objekt gjennkjennings algoritmer blitt evaluert, sammen med en moderne og enkel objekt sporings algoritme. En enkel hendelses evaluerings algoritme har også blitt brukt for å teste et helt AID system.

På grunn av kompleksiteten til AID systemer, så har kun hendelsesklassene "kjøretøy som har stoppet", "fotgjenger" og "kjøretøy som kjører feil vei" blitt evaluert. Det er ikke mange offentlig tilgjengelige datasett som inneholder ulykker, og derfor har videoer fra internett blitt annotert og brukt i testfasen.

Til slutt så har flere bildebehandlingsalgoritmer blitt tested og nyttet har blitt vurdert. Å behandle bildene før objekt gjenkjennings steget kan hjelpe å hindre noen av utfordringene relatert til automatisk hendelsesgjenkjenning i veitunneler.

Vehicular incidents in road tunnels can have severe consequences. Automatic incident detection (AID) systems can help reduce the severity and ensure a quick response from road authorities. Hence AID is a highly requested, but also a difficult task.

The focus of this thesis has been to provide recommendations and reduce false alarms related to AID systems using video surveillance cameras and deep neural networks. These systems mainly comprise three steps: object detection, object tracking, and incident evaluation. Hence, several state-of-the-art object detection algorithms have been evaluated, together with a state-of-the-art and a simple object tracking algorithm. Lastly, a simple incident evaluation algorithm was employed to test the whole AID pipeline.

Due to the complexity of AID systems, only the incident classes "stopped vehicle", "pedestrian" and "wrong-way drivers" were evaluated. There are not many publicly available annotated datasets containing incidents, and thus videos obtained from the internet have been annotated and used in testing.

Lastly, several image enhancement algorithms were tested and their utility assessed. Enhancing the images before the object detection step can help combat some of the challenges related to automatic incident detection in road tunnels.