基于计算机视觉的交通信号违章检测系统（闯红灯违章检测）

Introduce:

该系统可以实时检测交通信号灯违规:

城市中越来越多的汽车会导致大量交通拥堵，这意味着如今在孟加拉国和世界各地，交通违规行为变得更加严重。这造成了严重的财产破坏和更多可能危及人民生命的事故。为了解决令人震惊的问题并防止这种深不可测的后果，需要交通违章检测系统。为此，该系统始终执行适当的交通法规，并逮捕不遵守的人。交通违章检测系统必须实时实现，因为当局一直在跟踪道路。因此，交通执法人员不仅可以放心地准确实施安全道路，而且可以有效地实施安全道路;因为交通检测系统比人类更快地检测到违规行为。该系统可以实时检测交通信号灯违规。用户友好的图形界面与系统相关联，使用户能够轻松操作系统、监控流量并对违反流量规则的行为采取行动。

目标

该项目的目标是实现交通信号违规检测系统的自动化，使交警部门能够轻松监控交通情况，并以快速有效的方式对违规车主采取行动。准确检测和跟踪车辆及其活动是系统的首要任务。

系统概述

该系统由两个主要组件组成：

• 车辆检测模型
• 图形用户界面 （GUI）

首先，将路边的视频片段发送到系统。从录像中检测到车辆。跟踪车辆的活动，系统确定是否存在任何违规行为。图 1 显示了系统的工作原理。

图形用户界面 （GUI） 使系统具有交互性，供用户使用。用户可以监控交通录像，并通过检测到的车辆边界框获得违规警报。用户可以使用 GUI 执行进一步操作。

方法论

车辆分类

从给定的视频片段中，可以检测到移动的物体。对象检测模型 YOLOv3 用于将这些移动对象分类为相应的类。YOLOv3 是 YOLO（You Only Look Once）系列中的第三种对象检测算法。它通过许多技巧提高了准确性，并且更有能力检测物体。分类器模型是使用 Darknet-53 架构构建的。表 1 显示了神经网络架构的设计方式。

违规检测

使用 YOLOv3 模型检测车辆。检测车辆后，检查违规案件。在用户对给定视频片段的预览中，在道路上绘制一条交通线。该行指定交通信号灯为红色。如果任何车辆在红色状态下越过交通线，就会发生违规行为。

检测到的对象有一个绿色的边界框。如果任何车辆在红色状态下通过交通信号灯，则发生违规行为。检测到违规行为后，车辆周围的边界框变为红色。

实现

计算机视觉

OpenCV 是一个开源的计算机视觉和机器学习软件库，用于本项目的图像处理目的。Tensorflow 用于使用 darknet-53 实现车辆分类器。

图形用户界面 （GUI）

图形用户界面具有软件所需的所有选项。该软件用于管理和其他调试目的。我们不需要为任何管理编辑代码。例如，如果我们需要打开任何视频片段，我们可以使用“打开”项（图 2）。

 Figure-2: Initial user interface view.

 首先，在项目使用开始时，管理员需要使用“打开”项打开视频片段，该项可在“文件”下找到（图 2）。管理员可以从存储文件中打开任何视频片段（图 3）。

 Figure-3: Opening a video footage from storage.

 从存储中打开视频片段后，系统将获得该片段的预览。预览包含给定视频片段中的一帧。预览用于识别道路并在道路上绘制交通线。管理员绘制的交通线将充当交通信号线。要启用线条绘制功能，我们需要从“分析”选项中选择“感兴趣区域”项（图 4）。之后，管理员需要选择两个点来绘制一条指定交通信号的线。

 

 

 Figure-4: Region of Interest (Drawing signal line)

选择感兴趣的区域将启动违规检测系统。绘制的线的坐标将显示在控制台上（图 5）。划线后，违规检测系统将立即启动。首先，将加载砝码。然后，系统将检测对象并检查是否存在违规行为。输出将从 GUI 逐帧显示（图 6）。

 

 Figure-6: Final Output (on each frame)

 

系统将显示输出，直到素材的最后一帧。在后台，将生成一个“output.mp4”。该文件将位于“资源”的“输出”文件夹中。单击“q”将立即终止该过程。

处理完视频素材后，管理员可以从初始文件管理器添加另一个视频素材（图 2）。如果工作完成，管理员可以使用“退出”选项退出“项。