ارائه‌ی الگوریتم هشدار نسبت به موتورسیکلت های پشت سر با استفاده از تک دوربین و روش‌های یادگیری عمیق

در ایران موتورسیکلت ها یکی از آسیب‌پذیرترین کاربران جاده ها هستند که حجم زیادی از آمار تصادفات را شامل می شوند. در این مقاله راهکار مناسبی برای کمک به کاهش تصادفات اتومبیل ها با موتورسیکلت ها و به ویژه موتورسیکلت های مجهز به بادگیرهای مشکی رنگ ارائه شده است که با استفاده از تنها یک دوربین مستقر بر روی آینه بغل سمت کمک راننده، آگاهی راننده نسبت به نقاط کور محدوده ی بغل و پشت سر افزایش می یابد، تا در صورت نزدیک شدن بیش از حد موتورسوار، با اعلام هشدار به راننده از بروز تصادف جلوگیری شود. این عملیات هشدار با توجه به تلفیق اطلاعات بدست آمده از دو مرحله تشخیص موتورسیکلت و سپس برآورد فاصله با استفاده از روش های یادگیری عمیق صورت گرفته است. در مرحله تشخیص، مدل های مختلفی از الگوریتم های yolo با یکدیگر مقایسه شده اند که در میان آن ها، مدل بهبود یافته ی yolov4 با میانگین دقت 80 درصد و سرعت 35 فریم بر ثانیه بهترین عملکرد در شناسایی موتورسیکلت های مورد نظر را داشته است. این مدل بر روی پایگاه داده شامل 2000 تصویر اخذ شده از موتورسیکلت های شهر تهران آموزش داده شده است. در مرحله ی دوم برای برآورد نقشه عمق تک تصویر از آموزش مدل monodepth2 بر روی 6000 جفت تصویر اخذ شده از خیابان های شهر تهران با استفاده از دوربین mynteye استفاده شده است. با ادغام نتایج بدست آمده از مختصات موتورسیکلت در تصویر و نقشه عمق بدست آمده، الگوریتم پیشنهادی به بهترین عملکرد در تشخیص و براورد فاصله ی دوربین تا موتورسیکلت موردنظر با میانگین خطای 36 سانتی متر و سرعت 20 فریم بر ثانیه دست یافته است.

A monocular rear-view motorcycle warning algorithm based on deep learning

In Iran, motorcycles are one of the most vulnerable types of vehicles among other road users, with a significant volume of accident statistics in the country. Therefore, in this article, a suitable solution is proposed to reduce car accidents with these motorcycles equipped with black windshields. In this method, a single camera mounted on the side mirror of the driver’s assistance is used. This intelligent automatic monitoring can help drivers to pay more attention to the surrounding. This warning algorithm was formed on a combination of motorcycle detection and depth estimation tasks based on deep learning methods. For detecting this category of motorcycles, different models of YOLO algorithms have been compared. According to the speed and accuracy, the finetuned YOLOV4 model with an average accuracy of 80% and at a realtime speed of 35 frames per second is used for the detection stage, which has the best performance in comparison to others. This model was finetuned based on 2000 images taken from the mentioned motorcycles in Tehran. In the second step, the Monodepth2 model is used to estimate the depth map of a single image. This model was finetuned on 6000 stereo images taken from the streets of Tehran by using the MYNTEYE camera. The contribution of these two algorithms produces a stateoftheart result for monocular depth estimation, which can estimate the distance of the detected motorcycle with the average error of 36 centimeters at a realtime speed of 20 frames per second.