Un cadre de détection d'accidents basé sur la vision pour un environnement de circulation mixte tenant compte des conditions de faible visibilité

Dans cet article, un cadre de détection d'accidents basé sur la vision a été proposé pour détecter rapidement divers types d'accidents dans un environnement de circulation mixte, en tenant compte des conditions de faible visibilité. Tout d'abord, un algorithme d'amélioration d'image Retinex a été introduit pour améliorer la qualité des images recueillies dans des conditions de faible visibilité (par exemple, lors de jours de forte pluie, de jours brumeux et de nuits sombres avec peu de lumière). Ensuite, un modèle Yolo v3 a été entraîné pour détecter plusieurs objets à partir des images, y compris les piétons/cyclistes tombés, les renversements de véhicules, les véhicules en mouvement/arrêtés, les cyclistes/piétons en mouvement/arrêtés, et ainsi de suite. Un ensemble de caractéristiques a ensuite été développé à partir des résultats Yolo, sur la base desquelles un modèle de décision a été entraîné pour la détection d'accidents. Une expérience a été menée pour valider le cadre du modèle. Les résultats ont montré que le cadre proposé a atteint un taux de détection élevé de 92,5 %, avec un taux de fausses alertes relativement bas de 7,5 %. Il y a plusieurs résultats utiles : (1) le modèle proposé a surpassé les modèles de détection basés sur des règles empiriques ; (2) la méthode d'amélioration d'image peut largement améliorer les performances de détection d'accidents dans des conditions de faible visibilité ; (3) l'exactitude de la détection d'objets (par exemple, la prédiction des boîtes englobantes) peut influencer les performances de détection d'accidents, en particulier pour les accidents mineurs de véhicules à moteur. Globalement, le cadre proposé peut être considéré comme un outil prometteur pour une détection rapide des accidents dans un environnement de circulation mixte sous diverses conditions de visibilité. Certaines limitations sont également discutées dans l'article.