A computational tool for the automatic detection of exposure to traffic risk from elementary events

Abstract

Elementary units represent an accurate approach to quantifying road exposure in a way that it acquires statistical meaning as trials with possible outcomes. This enables the possibility of conducting sophisticated statistical analysis in a field that allows planners and policy makers to make decision without waiting for people to die to have useful data. This potential analysis has more value if the amount of data available is sufficiently big. However, manually extracting this data from on-site or video observations is a very difficult and time consuming task. Automated traffic video analysis tools allow not only the faster gathering of data but also the standardization and re-productivity of the work conducted. This thesis proposes and automatic video estimator of road exposure by means of vehicle detection based on a convolutional neural network. The resulting algorithm is tested in three different intersections with increasing levels of difficulty in terms of camera angle, traffic volumes, road users, and occlusions. As a result, confusion matrices for each intersection were obtained with their respective F1 scores, which indicated that the intersection thought to be the middle one in level of difficulty ended up showing the best performance of the algorithm. Fisher’s Exact statistical test was also computed in order to test the manual and automatic distribution counts correspondence. The different variables affecting the algorithm such as angles, user input parameters, and the apparent size of vehicles are discussed, and from that point the scope of future research is formulated. (Text taken from source)

Las medidas elementales de exposición constituyen una aproximación precisa a la cuantificación de la exposición vial, de tal manera que esta adquiere significado estadístico en la forma de pruebas con distinto resultados posibles. Lo anterior, posibilita llevar a cabo análisis estadísticos sofisticados en un campo que permite a planificadores y trabajadores en políticas públicas el tomar decisiones sin tener que esperar a que las personas mueran para tener datos útiles. Este análisis potencial tiene aun más valor si la cantidad de datos es lo suficientemente grande. Sin embargo, extraer esta información de forma manual en campo o a partir de videos es una tarea difícil y dispendiosa. Las herramientas de análisis automático por video permiten no solo recolectar información de forma más rápida sino también la estandarización y reproducibilidad del trabajo. Esta tesis propone una forma automática de estimar la exposición vial por medio de video a través de la detección de vehículos basada en una red neuronal convolucional. El algoritmo resultante es puesto a prueba en tres intersecciones viales diferentes y con nivel de dificultad incremental en términos de ángulos de grabación, volúmenes de tráfico, usuarios viales y oclusiones. Como resultado, se obtienen las matrices de confusión de cada intersección con sus respectivos score F1, que indicaron que la intersección que se consideraba de nivel moderado de dificultad fue en realidad la que presentó el mejor desempeño. El test exacto de Fisher fue empleado para determinar la correspondencia entre la distribución de conteos de eventos manuales y automáticos. Las distintas variables que afectan el funcionamiento del algoritmo, tales como ángulos, parámetros de usuario y el tamaño aparente de los vehículos son discutidos en detalle y, a partir de estos, se propone la ruta para futuras investigaciones. (Texto tomado de la fuente)