Articles de recherche

(English) Automated Classification Based on Video Data at Intersections with Heavy Pedestrian and Bicycle Traffic: Methodology and Application

Nom de fichier 6C-Zangenehpour_FP_Automated-Classification-in-Traffic-Video-at-Intersections.pdf
Taille du fichier 689 KB
Version 1
Date ajoutée 16 juin 2014
Téléchargé 11 times/fois
Catégorie 2014 CMRSC XXIV Vancouver
Tags Research and Evaluation, Session 6C, Student Paper Award Winner
Author/Auteur Sohail Zangenehpour, Luis F. Miranda-Moreno, Nicolas Saunier
Stream/Volet Research and Evaluation
Award/Prix Étudiant 2 Student

RÉSUMÉ

Les piétons et les cyclistes sont parmi les usagers de la route les plus vulnérables. Les collisions
des piétons et des cyclistes avec des véhicules motorisés entraînent des taux élevées de
mortalité et de blessures graves pour ces deux modes. Des données sur l’activité des piétons et
des cyclistes aux carrefours, telles que des débits, des vitesses et des trajectoires, sont
essentielles dans le domaine des transports et pour la sécurité routière en particulier.
Cependant, collecter automatiquement des données pour ces deux types d’usagers de la route
représente encore un défi. Détecter et suivre les piétons et les cyclistes à l’aide de capteurs
vidéo est une tâche difficile à cause de leurs changements d’orientation et d’apparence. Cet
article présente une méthode reposant sur le calcul de descripteurs (histogramme de gradients
orientés) pour des régions d’image contenant l’objet suivi et des machines à support de vecteurs
pour classifier les objets en mouvement dans des scènes avec des débits élevés. Les objets en
mouvements sont classifiés en trois catégories : piétons, cyclistes et véhicules motorisés. La
méthode présentée suit les trois étapes suivantes: i) détecter et suivre chaque objet en
mouvement dans les données vidéo, ii) classifier chaque objet selon son apparence dans
chaque image, iii) calculer la probabilité d’appartenir à chaque classe d’usager de la route selon
l’apparence et la vitesse. La dernière étape repose sur la règle de Bayes pour fusionner les
informations d’apparence et de vitesse dans le but de prédire la catégorie de l’objet. La méthode
a été développée et testée sur plusieurs ensembles de données vidéo. Le taux global de bonne
classification est supérieur à 90 %. La performance varie cependant selon les modes, du plus
élevé pour les véhicules motorisés au plus bas pour les piétons et les cyclistes. La méthode est
appliquée pour illustration sur un cas d’étude simple d’analyse des conflits véhicules-piétons à
des carrefours avec et sans piste cyclable.