背景
据统计使用摩托车头盔可以将道路交通事故中摩托车驾驶员致命伤害的可能性降低42%,尽管如此,遵守摩托车头盔还是较少,尤其是在发展中国家,为了有效开展针对性的头盔使用运动,政府必须收集有关头盔法律遵守程度的详细数据。但40%的国家尚未估算出这一关键的道路安全指标。
而且即使有数据可用,头盔使用的观察也常常受到样本量和区域范围的限制,是从相对较短的时间框架中得出的数据,或仅在学术研究范围内单独收集。缺乏全面连续数据的主要原因在于头盔使用数据收集的普遍方式,该方法利用人类观察员对交通中摩托车头盔使用情况的直接观察。在路边调查中进行这种直接观察会占用大量资源,因为它既费时又费钱。尽管使用摄像机可以进行间接观察,从而减轻了直接观察的时间压力,但通过人类观察者使用头盔进行的分类限制了可以处理的数据量。
鉴于此,对开发可靠且及时有效的智能系统的需求不断增长,该系统可检测不依赖人类观察者的摩托车骑手的头盔使用情况。实现这种自动检测摩托车头盔使用情况的有前途的方法是机器学习。机器学习已应用于许多与道路安全相关的检测任务,并已实现了对行人,自行车,摩托车和汽车的常规检测的高精度。
尽管自动摩托车头盔使用检测的首批实施前景广阔,但尚未充分发挥其潜力。当前的方法依赖于数据集,这些数据集仅限于观察到的骑手总数,在少数观察点接受训练或无法检测到骑手在摩托车上的位置。在本文中,提出了一种基于深度学习的自动头盔使用检测,该检测依赖于在一天的不同时间从多个观察点提取的,观察到的骑手数量差异较大的综合数据集。
数据集的创建和注释
数据收集与预处理
作者从缅甸7个城市的13个观察点获得254小时的源视频,并从中采样了1,000个视频剪辑(每个10秒/ 100帧)以作进一步注释
选择缅甸作为收集算法开发资料的基础,因为缅甸的道路使用者聚集和快速机动化是世界上发展中国家的代表,摩托车骑行者占缅甸道路使用者的80%以上,并且近年来摩托车的数量一直在迅速增加。
在整个缅甸,交通都是用两台分辨率为1920 × 1080像素,帧率为每秒10帧的摄像机拍摄的。在七个城市中,将摄像机放置在高度约2.5 m的多个观察点,并从上午6点至下午6:30连续两天记录了流量(表 1)。由于曼德勒市是缅甸摩托车骑行人数最多的城市,因此在这里安装了两台摄像机,历时7天。仰光是缅甸最大的城市,它在市中心积极禁止摩托车行驶,因此,在这里的郊区放置了一个摄像头。由于摄像机的技术问题以及到达选定观察点的问题,因此每个观察点记录的小时数都不相同。在由于多云的天气或雨水而删除了模糊的视频之后,可以使用254个小时的视频数据作为本研究的原始资料。视频数据被分成10秒的视频剪辑(每个100帧),这构成了训练,验证和测试该算法的基础。表1显示了每个观察点可获得的视频数据的持续时间 。观测地点代表高度多样化的数据集,包括多车道高交通密度的道路环境(例如,曼德勒)以及更多的农村环境(例如