Inteligencia computacional y aprendizaje para la predicción de incidentes de tráfico

Abstract

Este proyecto trata el problema de patrones de conducción no deseable en el tránsito, más específicamente la detección de eventos de cruce en luz roja, movimiento brusco y estacionamiento en doble fila. Se recolectaron videos de distintas cámaras de avenidas dentro de la zona metropolitana, los cuales fueron provistos por el Centro de Gestión de Movilidad de Montevideo para su análisis. Para la detección de los vehículos se utilizaron redes convolucionales, las cuales detectaban los vehículos en los frames de video. Se utilizaron también algoritmos de tracking y lógica para detectar cada evento. Se utilizaron también redes neuronales para la detección del estado de los semáforos, necesarios para el patrón de cruce en luz roja. Para el patrón de cruce en luz roja, se obtuvieron valores buenos de recall (0:63), si bien la precisión no fue tan buena (0:42). Para el patrón de movimiento brusco, se obtuvieron buenos valores de precisión y recall (0:82 en ambos casos), aunque fue necesario agregar pruebas sintéticas a las pruebas realizadas dada la dificultad para encontrar instancias del evento en los videos provistos. Para el patrón de estacionamiento en doble fila, se obtuvo buen valor de recall (0:91) con un nivel aceptable de precisión (0:59). A diferencia del patrón de movimiento brusco, en este caso se obtuvo una cantidad importante de datos a partir de los videos provistos por la Intendencia de Montevideo. Las principales contribuciones del proyecto son el entrenamiento de detectores de vehículos en videos de la zona metropolitana de Montevideo, junto con tres patrones de detección de conducción indebida de tránsito. Los patrones realizados permiten ser ejecutados en tiempo real contando con recursos de GPU, logrando buenos resultados en la detección de eventos lo que permite asistir en el análisis de la seguridad vial con asistencia computacional.