Verstöße im Straßenverkehr sind ein wesentlicher Beitrag zu Verkehrsunfällen und Todesfällen, insbesondere in dicht besiedelten städtischen Regionen. Häufige Verstöße wie das Überfahren von roten Ampeln, das Fahren mit mehreren Personen auf Zweirädern, rücksichtsloses Fahren und das Fahren ohne Helm erhöhen die Wahrscheinlichkeit von Unfällen erheblich. Konventionelle Verkehrskontrollsysteme hängen in hohem Maße von der manuellen Überwachung durch Verkehrspolizisten oder einfachen sensorgestützten Methoden ab, die oft ineffizient, zeitaufwendig und anfällig für menschliche Fehler sind. Um diese Einschränkungen zu überwinden, haben intelligente Verkehrskontrollsysteme, die auf Computer Vision und Deep Learning basieren, zunehmend an Bedeutung gewonnen. Dieses Papier präsentiert ein automatisiertes System zur Erkennung von Verkehrsverstößen, das auf Deep Learning basiert und das YOLOv7-Objekterkennungsmodell verwendet. Das vorgeschlagene System verarbeitet Video-Streams, die von Überwachungskameras am Straßenrand erfasst werden, und analysiert diese bildweise, um verschiedene Verkehrsverstöße zu erkennen. Das YOLOv7-Modell wird verwendet, um Fahrzeuge zu identifizieren und Begrenzungsrahmen um erkannte Objekte zu generieren. Eine vordefinierte Schwellenlinie wird angewendet, um zu bestimmen, ob ein Fahrzeug das Signal bei Rot überquert und damit Signalverstöße erkennt. Darüber hinaus identifiziert das System Überladung oder das Fahren mit mehreren Personen auf Zweirädern, indem es die Anzahl der Fahrer innerhalb eines einzigen Fahrzeugrahmens analysiert. Helmverstöße werden ebenfalls erkannt, indem festgestellt wird, ob Fahrer auf Motorrädern Helme tragen. Wenn ein Fahrer ohne Helm identifiziert wird, klassifiziert das System dies als Verstoß. Das System nutzt öffentlich verfügbare Datensätze wie den MS COCO-Datensatz zur Fahrzeugerkennung und einen maßgeschneiderten annotierten Datensatz zur Erkennung von Überladung und Helmverstößen. Das Modell wird anhand von Leistungskennzahlen wie Genauigkeit, Rückruf, F-Maß und mittlerer durchschnittlicher Genauigkeit (mAP) trainiert und bewertet. Experimentelle Ergebnisse zeigen, dass das vorgeschlagene System in der Lage ist, mehrere Verkehrsverstöße genau zu erkennen und dabei eine effiziente Echtzeitleistung aufrechtzuerhalten. Der vorgeschlagene Ansatz bietet eine kostengünstige, automatisierte und skalierbare Lösung für die Verkehrskontrolle. Er kann den Verkehrsbehörden helfen, die Verkehrssicherheit zu verbessern und die Belastung durch manuelle Überwachung zu verringern. Darüber hinaus kann das System in die bestehende Überwachungsinfrastruktur intelligenter Städte integriert werden, um das intelligente Verkehrsmanagement und die Strafverfolgung zu unterstützen.
Simla et al. (Donnerstag) haben diese Frage untersucht.