استفاده از بازیابی ویدئویی در پیشگیری از تصادف با عابرپیاده‎

افق پیش‌رو در صنعت اتومبیل‌سازی به سمت تولید اتومبیل‌هایی با تجهیزاتی هوشمند است. از طرفی دیگر، حجم بالای تصادف‌های وسایط نقلیه با عابرین پیاده در کشور، نیاز به ایمنی مبتنی بر هوش مصنوعی را در این زمینه پررنگ‌تر کرده است. در این پژوهش، با استفاده از بازیابی اطلاعات فیلم دوربین اتومبیل، تعداد عابرین پیاده‌ای که قصد عبور از عرض خیابان را دارند، شناسایی شده و با توجه به سرعت وسیله نقلیه و تعداد عابرین، به راننده هشداری بازگردانده می‌شود. این پژوهش مبتنی بر مجموعه داده استاندارد با استفاده از زبان پایتون طراحی و شبیه‌سازی شده است. در این روش با کمک شبکه‌های عصبی عمیق، یک سیستم نظارتی ویدئویی آموزش داده می‌شود تا بتواند در شرایط واقعی، با کمترین خطا کار کند. عابرین پیاده و اتومبیل‌ها در قاب‌هایی که در فواصل معینی از فیلم برداشت شده‌اند، استخراج می‌شوند و با توجه به حاشیه‌نویسی مجموعه داده و ارتباطی که میان اتومبیل و عابرپیاده به دست می‌آید، عابرین گذرنده از عرض خیابان شناسایی می‌شوند و در انتها، مبتنی بر تعداد عابر پیاده و سرعت به دست آمده از سیستم obd اتومبیل، هشداری به راننده بازگردانده می‌شود. آزمایش نشان داد که دقت شناسایی عابرین گذرنده از عرض خیابان 84% است که همین میزان دقت برای تعیین دقت هشدار نیز قابل تعمیم است.

using video retrieval to prevent accident with pedestrians

the automobile industry is moving towards the production of cars with smart equipment, which can help improve the safety of drivers and pedestrians alike. however, the high volume of vehicle accidents involving pedestrians has highlighted the need for artificial intelligence-based safety measures in this field. in this research, the number of pedestrians intending to cross the street is identified using video data recovered from car cameras. based on the speed of the vehicle and the number of pedestrians, a warning is sent back to the driver. this research was designed and simulated using python language based on a standard dataset. with the help of deep neural networks, a video surveillance system was trained to work in real conditions with minimal errors. pedestrians and cars are extracted from frames taken at certain intervals from the film. based on the annotation of the dataset and the relationship between the car and pedestrian, pedestrians crossing the street are identified.