Abordagem Computacional para Detecção Automatizada por Imagem do Uso de Cinto de Segurança em Condutores baseado em Redes Neurais Convolucionais

Abstract

O desenvolvimento sustentável de qualquer cidade inteligente depende diretamente vários fatores, dentre estes, um bom planejamento urbano de modo a utilizar de forma otimizada das rotas de fluxo veiculares e com segurança. No entanto, uma maior capacidade de vazão implica em um maior número de veículos circulantes nas ruas, que por conseguinte, querer uma melhoria significativa nos serviços de manutenção e sinalização, assim como a conscientização dos condutores quanto às normas e uso do cinto de segurança. Não obstante, um maior corpo técnico é requerido para dar suporte às situações anômalas, assim como fiscalizar a malha viária e punir os infratores. No que tange o uso do cinto de segurança, mecanismo essencial para assegurar redução da mortalidade em acidentes de trânsito, a fiscalização é trabalhosa, lenta e suscetível a erros, realizada por meio da inspeção humana pelo fiscal de trânsito. Neste contexto, o presente estudo busca apresentar uma abordagem computacional para a detecção automatizada do uso do cinto de segurança, utilizando-se de imagens capturadas a partir das vias de fluxo, como uma ferramenta auxiliar no monitoramento, prevenindo a infração das leis e reduzindo custos. Para a abordagem proposta, Redes Neurais Convolucionais foram utilizadas como reconhecedores, treinadas a partir de um dataset especificamente construído a partir de imagens de veículos, no que se considera o cenário ideal para inspeção. Os resultados experimentais apresentaram uma precisão média de 90,87% para um conjunto de 3000 imagens para o dataset utilizado, demonstrando a viabilidade técnica em construir sistemas de apoio à decisão para a fiscalização no trânsito.

The sustainable development of any smart city relies directly on different factors, among them, a good urban planning as a way to optimize the vehicle route flow with safety. However, a higher flow rate capacity implies directly in a higher number of vehicles moving around the roads, what next, requires a significant better mainitance and signs, also as well as awarness of drivers in respect of laws and use of the seat belt. Besides that, more people working in the technical team is required to support anomalus situation, inspect the road network and punish offenders. Regarding the use of the seat belt, essential mechanism to assure the reduction of mortalities in road accidents, the inspection is laborious, slow and error prone, if done by human traffic inspector. In this context, the current study aims to present a computational approach for automatic detection in the seat belt, using captured imagens from road flow as a tool to aid in the monitoring, preventing the law offend and reducing costs. For the approach presented, Convolutional Neural Networks were used as detectors, trained on top of a specific dataset built of vehicles images, in what is considered an ideal scenario for inspection. The experimental results shows a mean average precision (mAP) of 90,87% for a 3000 images dataset, showing the technical viability in building systems capable of aiding decision inspection in traffic.