Automatizando la detección de incidentes de tráfico con deep learning

Este artículo fue escrito por Jean Marie Guyon, Gerente de Ventas y Marketing de Citilog.

Los Centros de Gestión de Tráfico (TMC) tienen la función de supervisar y gestionar el tráfico, informar a los usuarios del tráfico y controlar los flujos de tráfico en tiempo real, todos los días, todo el año. La vigilancia por video es una herramienta clave para monitorear redes de carreteras, intersecciones e infraestructura crítica como túneles y puentes. Proporciona una visión en tiempo real del flujo de tráfico y de los incidentes (incluidos choques, colas y tráfico lento) que podrían interrumpir la circulación libre en la carretera. Sin embargo, dadas las limitaciones humanas de atención, concentración y, en el sentido físico más obvio de que cada persona sólo tiene dos ojos, los operadores de TMC no pueden monitorizar todas las cámaras en todo momento. Por lo tanto, el análisis de vídeo, que hace un uso cada vez mayor de la inteligencia artificial (IA) y las tecnologías de aprendizaje profundo, es necesario para explorar activamente e identificar los problemas de tráfico.

 

El número de falsas alarmas es un factor importante para crear confianza

Cuando se produce un suceso sospechoso, las cámaras inteligentes enviarán un suceso de alerta a los TMC junto con el vídeo desde el lugar para que un operador del centro de tráfico pueda realizar análisis adicionales y tomar las acciones oportunas. El número de falsas alarmas en un sistema como este es, por supuesto, un factor importante para crear confianza en el sistema. Si los operadores necesitan volver a verificar muchas alarmas reportadas que finalmente no resultan ser accionables no es solo una pérdida de productividad, sino que degrada la confianza en el sistema. Igualmente, importante como un número limitado de falsas alarmas, por supuesto, es que el sistema no debe perderse ningún incidente y accidente real que requiera acción, ya que esto socavaría todo el propósito del sistema.

El tiempo que se tarda en detectar un incidente también es un factor importante. Si no se detecta un accidente con la suficiente rapidez, los riesgos de accidentes secundarios causados por el primero aumentan con el tiempo que pasa antes de tomar medidas (por ejemplo, señales de advertencia de mensaje variable antes del lugar del accidente). Y como todos hemos experimentado, el flujo de tráfico generalmente se desacelera significativamente no sólo en la dirección del accidente mismo, sino también en la vía opuesta. La gente siente curiosidad por lo que ha ocurrido al otro lado de la carretera, lo que a menudo resulta en más incidentes.

Innovación en inteligencia artificial para el procesamiento de imágenes

En el campo de la informática, la inteligencia artificial (IA), ha visto varios nuevos avances en los últimos años. Particularmente en el campo del procesamiento de imágenes, los conceptos de Machine Learning y Deep Learning han mejorado dramáticamente las posibilidades de clasificar y hacer computables objetos de eventos reales, acciones, personas y vehículos.

Por ejemplo, nuestras últimas innovaciones en métodos de análisis de vídeo de aprendizaje profundo nos han ayudado a reducir drásticamente el número de falsas alarmas potenciales, en comparación con las tecnologías tradicionales de detección basadas en píxeles, al tiempo que mantenemos una alta precisión en la detección de situaciones reales significativas.

Uno de los principales desafíos de la tecnología tradicional de análisis basada en video para la vigilancia del tráfico (y la principal fuente de falsas alarmas) son las sombras, sombras de vehículos o sombras más estáticas de árboles, nubes o estructuras. El concepto mismo de la tecnología Deep Learning es ‘enseñar’ a un ordenador a identificar y clasificar objetos. En el contexto de la vigilancia del tráfico, el ordenador está entrenado para identificar vehículos (coches, camiones, motos, etc.) y, por lo tanto, para «ignorar» eficazmente las sombras.

Una vez detectados los ‘objetos’ se convierten en datos. Los conocimientos y la experiencia de Citilog son para gestionar estos tipos de datos y crear la salida adecuada para los operadores, en otras palabras: ¿representan los datos identificados a través del proceso de aprendizaje profundo una situación real que los operadores deben conocer?

Por supuesto, la precisión del motor de aprendizaje profundo está altamente correlacionada con la calidad y definición de la imagen para empezar. Aquí es donde la experiencia de Axis en la producción de cámaras de alta calidad, proporcionando imágenes de alta definición en el espectro visible, se convierte en un componente clave para el proceso.

La videovigilancia, con Axis como líder, ha entrado hace tiempo en la era de la digitalización y con ello ha generado una enorme cantidad de datos. El siguiente reto consiste en convertir esta gran cantidad de datos digitales en información que sea a la vez impactante y viable, cumpliendo así con las necesidades y objetivos clave de los usuarios de videovigilancia.

En el campo de la vigilancia del tráfico, Citilog y Axis están combinando sus décadas de experiencia para ayudar a conducir hacia la estrategia VisionZero de Citilog para cero falsas alarmas, cero incidentes perdidos y cero tiempo perdido, que por supuesto apoya la misión de Axis para crear un mundo más inteligente y más seguro.

Obtenga más información sobre cómo Citilog y Axis pueden soportar carreteras más inteligentes y minimizar los incidentes de tráfico: