이 연구의 제목은 추적을 통한 최첨단 물체 감지를 통한 운전자 전화 사용 위반 식별이며 뉴캐슬 대학교 컴퓨팅 학교에서 제공한다.

앞유리의 반사율 극복

운전자 사이의 모바일 장치 사용 감지에 대한 이전 접근 방식은 낮 시간 동안 앞유리의 높은 반사율로 인해 방해를 받았으며, 큰 구름 그룹의 반사가 차량 내부를 더욱 가릴 때 악화되었다. 자연광을 투과하는 데 필요한 IR 조명의 양이 자원 집약적이기 때문에 이러한 경우는 적외선 광원으로 현실적으로 해결할 수 없다. 

따라서 뉴캐슬 연구원들은 인지된 유리 표면에서 반사를 제거하기 위해 이 책에서 가장 오래된 트릭(1812년으로 거슬러 올라감)을 제안한다. 값싼 물리적 편광 필터는 길가 감시 카메라에 부착할 수 있고 한 번 보정한 후 이를 가능하게 한다. 차량 내부를 명확하게 살펴본다.

위, 필터링 되지 않은 자동차 앞유리의 모습. 아래는 카메라에 물리적 편광 필터가 부착된 동일한 보기이다. 출처: https://arxiv.org/pdf/2109.02119.pdf

전용 카메라에서 모바일 기반 센서로의 대중적인 이동으로 인해 대중 문화에서 편광 필터의 존재는 합리적인 품질의 선글라스에 포함되는 것으로 크게 축소되었다. 반사 물체에 대한 관점.

햇빛은 산소와 질소 분자에 의해 산란되며, 청색광은 다른 파장보다 더 광범위하게 산란되어 주간에 맑은 하늘의 고유한 파란색을 만든다. 청색광은 편광되며 선형 또는 원형 편광 렌즈는 이 편광을 효과적으로 제거하여 그 과정에서 반사를 제거할 수 있다.

이 신문은 연기가 나는 앞유리가 자동차를 보는 이 방법을 방해하거나 심지어 방해할 수 있음을 인정한다. 그러나 이것은 영국 법률에 의해 제한되고 미국의 주마다 규정이 다르기 때문에 이 보고서에서는 이것을 주요 장애물로 간주하지 않는다.

YOLO

논문에서 제안하는 시스템은 정부가 설치한 도로변 감시 카메라와 같은 시민 기반 시설에 통합하기 위한 것이다. 비용에 대한 가능한 장애물을 인식한 연구원들은 다양한 품질 수준의 캡처 장비에 걸쳐 다양한 객체 인식 시스템 구성을 테스트했다. 시스템 원격의 다른 모든 측면과 함께 기존 카메라에 저렴한 편광 필터를 추가할 수 있는 최소 비용 시나리오를 제공한다. 

4개의 객체 인식 프레임워크가 테스트되었다. You-Only-Look-Once(YOLO) 버전 3 및 4; SSD 기본 네트워크; 더 빠른 R-CNN; 및 센터넷. 테스트에서 YOLO V3로 가장 정확한 결과를 얻었다. 먼저 앞 유리 영역을 찾은 다음 해당 공간에서 모바일 장치를 찾는 2단계 워크플로를 사용했다.

그러나 두 개의 네트워크를 통해 비디오를 실행해야 하므로 더 단순한 시스템에서 30fps에 가까운 것과 비교하여 13.15fps의 프레임 속도가 최적보다 낮다. 결과의 품질은 입력 장비에 따라 다르며, 연구원들은 입력을 저가형 카메라와 고품질 장비로 나눌 때 더 나은 키트에서 거의 96%의 정확도가 가능하고 더 저렴한 카메라에서 74.35%의 정확도가 가능하다는 것을 발견했다.

인식된 위반 제한

시스템을 경제적으로 실행 가능하게 만드는 것 외에도 연구원들은 최소한의 인간 감독으로 완전 자동화된 시스템을 개발하는 데 관심을 갖고 있으며 시스템은 자동으로 벌금을 전달하도록 고안되었다. 그러나 전 세계적으로 운전 중 휴대전화 사용에 관한 법률이 엄격해지고 있으며 벌금이나 면허 포인트 공제를 초과하는 벌금이 부과될 수 있기 때문에(예: 영국), 우연한 인간 검증은 그러한 시스템의 배치에 대한 요소로 남을 것 같다. 

비디오 콘텐츠 전체를 고려하기 위해 광학 흐름 및 기타 방법을 사용함에도 불구하고 YOLO와 같은 객체 인식 알고리즘은 각 프레임을 '완전한 이야기'로 간주하고 다음 프레임을 후속 프로젝트로 간주한다. 따라서 이러한 성격의 시스템은 128프레임의 위반 캡처 비디오에 대해 128개의 별도 벌금을 부과하는 것을 방지해야 한다. 이를 피하기 위해 시스템은 각 위반 인식에 고유한 '사건 ID'를 추가하고 단일 캡처 시퀀스 내에서 프레임 간에 ID가 중복되지 않도록 하는 객체 추적 알고리즘 Deep SORT를 통합한다.

야간 감시 처리 

야간 조건의 경우 연구원들은 동일한 문제를 조사하는 이전 연구 프로젝트에서 사용된 것처럼 기본적으로 적외선 캡처를 사용한다. 그들은 850 및 730 나노미터의 IR 파장을 테스트했으며 730nm에서 가장 세부적인 부분이 포착되었음을 발견했다.

이 논문은 주간 조건에서 적외선 캡처가 어느 정도 사용될 수 있는지를 결정하기 위해 추가 조사가 필요하다고 주장한다.

데이터

시스템의 보다 경제적인 단일 단계 버전을 위해 연구원들은 Google Open Images Dataset에서 2,235개의 번호판 이미지와 2150개의 재고 및 맞춤형 휴대전화 이미지를 사용했다. 운전자가 들고 있는 휴대폰의 이미지를 포함해야 했기 때문에 1,700개의 휴대폰 이미지가 프로젝트를 위해 특별히 촬영되었다. 2단계 시스템은 1단계 프로세스에 사용된 데이터 외에도 프로세스의 첫 번째 단계를 교육하는 데 사용되는 487개의 앞유리에 대한 주석이 필요했다. 공식 도로 감시 인프라에 접근할 수 없었기 때문에 모든 이미지는 유사한 조건을 근사하기 위해 자원 봉사자에 의해 촬영되었다. 

트레이드오프

최종 결과는 최고의 정확도를 제공하는 우수한 캡처 장비 및 처리 결과와 기존 도시 감시 장비의 저렴한 개조로 얻을 수 있는 틀림없이 '허용 가능한' 정확도와 함께 구현 비용과 절충해야 하는 정확도 표준의 범위를 제공한다.

더 저렴한 '단일 단계' 파이프라인은 가장 낮은 구현 비용(예: 저렴한 편광 필터 장착)으로 75%에 가까운 정확도를 달성하는 반면 더 복잡한 2단계 시스템(이는 운전자가 들고 있는 모바일 장치)는 더 높은 정확도를 달성하지만 사용 가능한 예산에 따라 새로운 인프라에만 적합할 수 있다. 두 경우 모두 캡처 장비의 품질이 추가 변수이다.

위에서 언급한 바와 같이, 프로젝트의 실행 가능성에 대한 연구원의 인식은 시스템이 완전히 자율적으로 수행되어야 한다는 가정에서 정보를 얻은 것 같다. 이는 의심스러운 요구 사항이다.