Automatická detekce chodců vstupujících do vozovky

Abstract

Zvyšování bezpečnosti chodců poblíž silnice je často diskutované téma mezi výrobci automobilů a regulačními orgány. Když chodec vstoupí do silnice, řidiči obvykle trvá dlouhou dobu, než zareaguje a učiní potřebné kroky k tomu, aby nehodě předešel. To lze však zlepšit tím, že se automobil přepne do tzn. stavu ostražitosti, ve kterém je brzdový systém dopředu připraven na prudké brždění, což snižuje celkový čas mezi rozpoznáním chodce na silnici a zastavením vozidla. Tato práce předvádí algoritmus zaměřený na retrospektivní analýzu zaběrů z přední kamery auta a automatické nalézání momentů, kdy chodci vstupují do vozovky. Takto označená data mohou dále sloužit k učení klasifikátoru zaměřeného na predikci, zda chodec v danou chvíli vstoupí do vozovky nebo ne. Algoritmus byl schopný na BDD100k datasetu najít případy chodců stupujících do vozovky v 70.75 % všech případů, kdy se tak stalo. Následně byl s těmito daty naučen klasifikátor, schopný predikovat až 1.3 vteřiny dopředu, zda daný chodec vstoupí do vozovky nebo ne. Na ručně anotovaném datasetu dosáhl klasifikátor 70.08% přesnosti.

Increasing the safety of pedestrians near the road is a highly discussed topic amongst the car manufacturers and regulators. When a pedestrian steps into a road, the driver usually takes a long time to react and act accordingly to prevent an accident. However, this can be improved by putting the car into an alert state in which the breaking system is prepared for a rapid breaking, decreasing the overall time between recognizing the pedestrian in the road and actually stopping the car. This work proposes an algorithm focused on a retrospective analysis of the recordings from the car's front monocular camera and automatically labeling scenes in which pedestrians step into the road. The labeled data can further serve for training a classifier aimed at predicting whether each individual intends to enter the road in the near moment. Leveraging the BDD100k driving dataset, the developed algorithm was able to label cases of pedestrians crossing the road with a recall of 70.75%. Additionally, a custom classifier was developed aimed at predicting whether a given pedestrian will step into the road in the next 1.3 seconds or less. The labeled data were used for training the classifier, leading to an accuracy of 73.08% on the ground truth manually annotated dataset.