Detección de peóns
A detección de peóns é un algoritmo de visión por computador, forma parte da familia de algoritmos da tecnoloxía ADAS e da videovixilancia de seguridade privada e viaria. Nos vehículos modernos equipados con sensores pasivos como a cámara e activos como as cámaras TOF ou LIDAR, permiten detectar a presenza de peóns no túnel que forma a traxectoria do vehículo. As cámaras e os radares identifican as formas e os movementos das persoas, mentres que os sensores LIDAR usan pulsos de luz para medir a distancia aos obxectos e crear un mapa 3D do medio. Cando o sistema detecta unha persoa, avisa ao condutor mediante sinais acústicos e visuais. Algúns sistemas poden incluso tomar o control do vehículo e aplicar os freos automaticamente se o condutor non reacciona a tempo.
Descrición
[editar | editar a fonte]A detección de peóns avanzou significativamente desde a súa introdución inicial. As primeiras versións do algoritmo só podían detectar os peóns que estaban directamente diante do vehículo e a unha distancia relativamente curta. Non obstante, a última xeración de sistemas de detección de peóns funciona mesmo a longas distancias, para grupos de persoas que se ocluen mutuamente e en diversas condicións de luz e clima. Ademais, os sistemas modernos tamén poden recoñecer ciclistas e animais, o que aumenta aínda máis a seguridade viaria.[1]
O sistema de detección de peóns aumenta en gran medida a seguridade viaria ao evitar accidentes nos que están implicados os peóns. Ao avisar a tempo ao condutor da presenza de persoas na estrada, redúcese a posibilidade de colisións. En situacións nas que o condutor non reacciona ás alertas, algúns sistemas poden incluso tomar medidas de freada de emerxencia. Ademais, ao aumentar a seguridade, estes sistemas tamén poden reducir os custos do seguro para os propietarios de vehículos.
A pesar das súas numerosas vantaxes, os sistemas de detección de peóns non están exentos dos seus inconvenientes. Poden ser menos eficaces con mala iluminación e condicións meteorolóxicas e poden ter dificultades para detectar os peóns que se desprazan rápido, de dimensións inusuais, peóns que repentinamente saían de detrás de obxectos ou parcialmente cubertos por outros elementos como postes ou vexetación. Ademais, poden xurdir alertas falsas, especialmente en zonas urbanas con moita actividade. Os sistemas actuais non deben ser vistos como un substituto para unha condución segura e atenta, senón como unha ferramenta que engade máis seguridade.
Técnicas empregadas
[editar | editar a fonte]- Método 1: Resta de fondo + Extracción de contorno
Este enfoque consiste en analizar as diferenzas entre fotogramas consecutivos nun vídeo para detectar obxectos en movemento, que probablemente sexan peóns. O algoritmo de subtracción de fondo identifica os píxeles que cambiaron significativamente, indicando a presenza dun obxecto en movemento. Unha vez detectadas as zonas en movemento, aplícase a extracción de contornos para obter a forma e os límites dos obxectos. A subtracción de fondo é unha técnica moi utilizada pola súa sinxeleza e eficacia. Non obstante, pode ser sensible ás variacións nas condicións de iluminación e aos obxectos de fondo estáticos. O paso de extracción do contorno pode axudar a filtrar os obxectos non desexados e concentrarse nas formas de peóns. Aínda que este método pode ser eficaz en certos escenarios, pode loitar con fondos complexos ou cando os peóns están parcialmente ocluídos.[2]
- Método 2: fervenzas Haar (clasificadores de Viola-Jones)
Este é un método popular para a detección de obxectos, non so peóns. tamén motociceltas, camións ou sinais de tráfico. As fervenzas de Haar usan un algoritmo de aprendizaxe automática chamado clasificadores Viola-Jones para identificar as características do obxecto. Estes clasificadores están adestrados nun gran conxunto de datos de mostras positivas e negativas para coñecer patróns discriminativos que representan aos peóns. As fervenzas funcionan deslizando unha xanela virtual delimitada por un número de píxeles que dan o encuadre desta "xanela" por unha imaxe e avaliando un conxunto de características sinxelas semellantes ao modelo anotado como de referencia dentro de cada xanela. Estas características captan diferenzas de intensidade de píxeles en rexións específicas da imaxe. Os clasificadores de Viola-Jones usan estas funcións para determinar se unha fiestra contén un peón ou non. Este método é coñecido pola súa velocidade e precisión, polo que é adecuado para aplicacións en tempo real. Non obstante, as fervenzas de Haar poden loitar con variacións de escala, rotación ou oclusión. Axustar os parámetros do clasificador e adestrar en diversos conxuntos de datos pode axudar a mellorar o seu rendemento. Ademais, este método tamén pode sufrir falsos positivos ou falsos negativos, polo que é necesario o uso de técnicas adicionais para o post-procesamento e o perfeccionamento.
- Método 2: Histogram of Oriented Gradients (HOG) e Support Vector Machine (SVM)
A terceira técnica que exploran as enxeñeiras habitualmente para a resolución do problema é a combinación do Histogram of Oriented Gradients (HOG) e Support Vector Machine (SVM). HOG é un descritor de características que captura a información do gradiente local nunha imaxe. Codifica a distribución das orientacións do gradiente, o que pode ser útil para representar formas de obxectos. SVM, por outra banda, é un algoritmo de aprendizaxe automática que pode clasificar os datos en diferentes categorías en función das súas características. HOG funciona dividindo unha imaxe en celas pequenas e calculando as magnitudes e orientacións do gradiente dentro de cada cela. Estas características combínanse entón para formar unha representación de histograma, que se usa como entrada para un clasificador SVM. O SVM está adestrado nun conxunto de datos de mostras positivas e negativas, o que lle permite coñecer as características dos peóns e discriminalos doutros obxectos. O método HOG + SVM é coñecido pola súa robustez ante as variacións de pose, escala e oclusión. Pode detectar eficazmente os peóns mesmo en escenarios desafiantes. Non obstante, esta técnica pode ter requisitos computacionais máis elevados en comparación con outros métodos. Ademais, é necesario un coidado e optimización dos parámetros para conseguir un rendemento óptimo.
- Método 4: Detector de disparo único (SSD)
SSD é un popular algoritmo de detección de obxectos que pode detectar varios obxectos nunha imaxe con alta precisión e velocidade. Combina as vantaxes da detección de obxectos baseada na aprendizaxe profunda con arquitecturas de rede eficientes como MobileNet. SSD funciona dividindo unha imaxe nunha cuadrícula de celas e predicindo caixas delimitadoras e probabilidades de clase dentro de cada cela. Utiliza unha serie de capas convolucionais para extraer características a diferentes escalas e relacións de aspecto. Estas características empréganse entón para facer predicións sobre a presenza e localización dos peóns. O SSD co método MobileNet ofrece unha boa compensación entre precisión e velocidade. Pode detectar peóns en tempo real con gran precisión, polo que é axeitado para aplicacións como vehículos autónomos. Non obstante, axustar o modelo SSD e adestrar en diversos conxuntos de datos son esenciais para conseguir un rendemento óptimo.
Vehículos que inclúen na súa equipación de serie ou de demostración o algoritmo
[editar | editar a fonte]O algoritmo converteuse en estándar na maioría de novos modelos, os seguintes destacan pola calidade e KPIs da detección :
- Honda Accord
- Hyundai Ioniq 6
- Genesis Electrified G80
- Genesis GV60
- Honda HR-V
- Acura MDX
- BMW X3
- Tesla Model Y
- Lotus Eletre[3]
Notas
[editar | editar a fonte]- ↑ "Fußgängererkennung im Straßenverkehr mit 24GHz Radarsensoren". Google Scholar (en alemán). Consultado o 2025-01-12.
- ↑ "Review of pedestrian detection techniques in automotive far-infrared video". ietresearch (en inglés). Consultado o 2025-01-12.
- ↑ "The Best Cars of 2024 for Pedestrian Safety". totallossappraisals (en inglés). Consultado o 2025-01-12.
