System wizyjny do automatycznego rozpoznawania zwierząt na nagraniach z wideorejestratorów samochodowych

• Autorzy: Balcerek Julian , Pawłowski Paweł , Trzciński Błażej

Identyfikatory

DOI

10.15199/48.2023.10.58

Warianty tytułu

EN

Vision system for automatic recognition of animals on images from car video recorder

• Języki publikacji: PL

Abstrakty

PL

W niniejszym artykule zaproponowano system do automatycznego rozpoznawania zwierząt na obrazach z nagrań wideorejestratorów samochodowych wykorzystujący sztuczne sieci neuronowe. Na przygotowanej bazie obrazów przeprowadzono trening, walidację i testy pod kątem rozpoznawania m.in. krów, dzików, saren oraz innych, także mniejszych, zwierząt spotykanych na polskich drogach. Osiągnięto satysfakcjonujące wyniki rozpoznawania nawet na obrazach o niskiej jakości. Do obsługi systemu przygotowano aplikację użytkownika umożliwiającą przeprowadzenie testów rozpoznawania na pojedynczych zdjęciach i plikach wideo.

EN

This article proposes a system for automatic recognition of animals based on images from car video recorders using artificial neural net works. Training, validation and tests were conducted on the prepared image database in terms of recognizing, among others: cows, wild boars, roe deer and other, also smaller, animals encountered on Polish roads. Satisfactory recognition results were achieved even on low-quality image frames. A user application has been prepared to operate the system, enabling recognition tests to be conducted on photos and video files.

Słowa kluczowe

PL

rozpoznawanie zwierząt; wideorejestrator samochodowy; system wizyjny; sztuczna sieć neuronowa

EN

animal recognition; car video recorder; vision system; artificial neural network

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 10
• Strony: 279--281
• Opis fizyczny: Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Balcerek Julian

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0003-1317-9866

autor

Pawłowski Paweł

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

• https://orcid.org/0000-0001-5373-5148

autor

Trzciński Błażej

• Politechnika Poznańska, Instytut Automatyki i Robotyki, ul. Piotrowo 3a, 60-965 Poznań

Bibliografia

• [1] Grand View Research, Dashboard Camera Market Size, Share&Trends Analysis Report by Technology (Basic, Smart), By Product (1-, 2-Channel), By Application, By Video Quality, By Distribution Channel, And Segment Forecasts, 2022 - 2030, https://www.grandviewresearch.com/industry-analysis/dash board-camera-market (dostęp: 17.03.2023).
• [2] Piątek P., Samochodowe wideorejestratory. Krajowy rynek okiem ekspertów, serwis Motofakty, Polska Press, https://motofakty.pl/samochodowe-wideorejestratory-krajowy-rynek-okiem-ekspertow/ar/c4-16117439, 13.01.2022 (dostęp: 17.03.2023).
• [3] Cobra, Dash Cam Footage Video Quality, https://www.cobra.com/blogs/news/dash-cam-footage (dostęp: 17.03.2023).
• [4] Naylor S., Best cars with an in-built dash cam, BuyaCar, https://www.buyacar.co.uk/cars/used-cars/2291/best-cars-with-an-in-built-dash-cam, 29.10.2021 (dostęp: 19.03.2023).
• [5] Redmon J., Divvala S., Girshick R., Farhadi A., You Only Look Once: Unified, Real-Time Object Detection, 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 779–788, Las Vegas, NV, USA, 27-30 June 2016, https://doi.org/10.1109/CVPR.2016.91.
• [6] de Winter J., Hoogmoed J., Stapel J., Dodou D., Bazilinskyy P., Predicting perceived risk of traffic scenes using computer vision, Transportation Research Part F: Traffic Psychology and Behaviour, Volume 93, Pages 235-247, February 2023.
• [7] Goenka U., Jagetia A., Patil P., Singh A., Sharma T., Saini P., Threat Detection in Self-Driving Vehicles Using Computer Vision, In: Doriya, R., Soni, B., Shukla, A., Gao, XZ. (eds) Machine Learning, Image Processing, Network Security and Data Sciences. Lecture Notes in Electrical Engineering, vol. 946, Springer, Singapore, 2023, https://doi.org/10.1007/978-981-19- 5868-7_45.
• [8] Yao Y., Xu M., Wang Y., Crandall D. J., Atkins E. M., Unsupervised Traffic Accident Detection in First-Person Videos, IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), pp. 273-280, Macau, China, 2019, https://doi.org/10.1109/IROS40897.2019.8967556.
• [9] Dziennik Urzędowy Unii Europejskiej, Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2019/2144 z dnia 27 listopada 2019 r. w sprawie wymogów dotyczących homologacji typu pojazdów silnikowych (…), 16.12.2019.
• [10] Giovannini E., Giorgetti A., Pelletti G., Giusti A., Garagnani M., Pascali J. P., Pelotti S., Fais P., Importance of dashboard camera (Dash Cam) analysis in fatal vehicle–pedestrian crash reconstruction, Forensic Science, Medicine and Pathology, 17, pp. 379–387, 2021, https://doi.org/10.1007/s12024-021-00382- 0.
• [11] Tereszkiewicz K. , Choroszy K., Analiza zdarzeń drogowych z udziałem zwierząt w Polsce w latach 2006-2015, Autobusy : technika, eksploatacja, systemy transportowe, Instytut Naukowo-Wydawniczy "SPATIUM", R. 17, nr 12, 467–473, 2016.
• [12] Sibanda V., Mpofu K., Trimble J., Zengeni N., Design of an Animal Detection System for Motor Vehicle Drivers, Procedia CIRP, vol. 84, pp. 755-760, 2019, ISSN 2212-8271, https://doi.org/10.1016/j.procir.2019.04.175.
• [13] Nguyen H., Maclagan S. J., Nguyen T. D., Nguyen T., Flemons P., Andrews K., Ritchie E. G., Phung D., Animal Recognition and Identification with Deep Convolutional Neural Networks for Automated Wildlife Monitoring, 2017 IEEE International Conference on Data Science and Advanced Analytics (DSAA), Tokyo, Japan, pp. 40-49, 2017, https://doi.org/10.1109 /DSAA.2017.31.
• [14] Norouzzadeh M. S., Nguyen A., Kosmala M., Swanson A., Packer C., Clune J., Automatically identifying wild animals in camera trap images with deep learning, Proceedings of the National Academy of Sciences, vol. 115, no. 25, 2018, https://doi.org/10.1073/pnas.1719367115.
• [15] Tan M., Chao W., Cheng, J.-K., Zhou M., Ma Y., Jiang X., Ge J., Yu L., Feng, L., Animal Detection and Classification from Camera Trap Images Using Different Mainstream Object Detection Architectures, Animals, 12, no. 15: 1976, 2022, https://doi.org/10.3390/ani12151976.
• [16] Prabhu R., Viswanathan N., Automated Roadside COW Animal Detection and Collision Prevention System, International Journal of Advanced Research in Science, Communication and Technology, pp. 145-149, 2021, https://doi.org/10.48175 /IJARSCT-2321.
• [17] Adams E., Volvo’s Cars Now Spot Moose and Hit the Brakes for You, Wired, Condé Nast, https://www.wired.com /2017/01/volvos-cars-now-spot-moose-hit-brakes/, 27.01.2017 (dostęp: 19.01.2023).
• [18] Volvo, Pedestrian, Cyclist & Large Animal Detection, https://volvo.custhelp.com/app/answers/detail/a_id/9778/~/pede strian%2C-cyclist-%26-large-animal-detection, 11.04.2019 (dostęp: 19.01.2023).
• [19] BMW X5 Owners & Service Manuals, BMW X5: Night Vision with pedestrian and animal detection, https://www.bmwx5 info.com/night_vision_with_pedestrian_and_animal_detection-1786.html (dostęp: 21.04.2023).
• [20] Dr. Ing. h.c. F. Porsche AG, Assistance systems, Comprehensive systems increase comfort and safety, Night Vision Assist with thermal imaging camera, https://presskit.porsche.de /models/en/porsche-cayenne/topic/assistance-systems.html (dostęp: 21.03.2023).
• [21] Fuths T., The End of Night, Porsche Cars North America, https://www.porsche.com/usa/aboutporsche/christophorusmag azine/archive/382/articleoverview/article05/ (dostęp: 21.03. 2023).
• [22] Peiyuan Jiang, DajiErgu, Fangyao Liu, Ying Cai, Bo Ma, A Review of Yolo Algorithm Developments, Procedia Computer Science, vol. 199, pp. 1066-1073, 2022, ISSN 1877-0509, https://doi.org/10.1016/j.procs.2022.01.135.
• [23] Google Colaboratory, Google Research, https://colab.research.google.com (dostęp: 26.03.2023).
• [24] Python Software Foundation, Python, https://www.python.org (dostęp: 26.03.2023).
• [25] OpenCV team, OpenCV, https://opencv.org (dostęp: 26.03.2023).