A vehicle counter approach for the night period of the day based in neural networks: a study case using YOLOv4 and DeepSORT

Abstract

Não há motivos para se duvidar de que junto da nossa sociedade, o número de carros nas ruas tem crescido constantemente e para prevenir que o caos se instaure nas ruas afetando tanto as pessoas quanto a economia das cidades, diversas empresas e instituições têm estudado novas formas de minimizar essa adversidade. Consequentemente, a contagem de veículos virou um tópico importante entre os pesquisadores dessa área, já que esse dado é extremamente valioso para o entendimento da situação das estradas. Os avanços da tecnologia é outro fator importante que ajudou a crescer o número de Sistemas de Transporte Inteligentes (STI) que usa tanto hardware quanto software para desenvolver novos métodos de aprendizagem e ultimamente, diversas estratégias que se utilizam de detecção de objetos estão surgindo na academia de forma a nos adaptar às novas situações que estamos enfrentando. Essas soluções se baseiam na detecção de objetos durante o período diurno por conta da melhor performance provinda pelas câmeras durante este período do dia. Portanto, este trabalho estuda a viabilidade de implementação de um SIT para detectar e contar veículos durante o período noturno baseado em um modelo de rede neural convolucional (CNN) e a possibilidade do uso de câmeras de monitoramento já instaladas em cidades para este propósito. Para atingir esse objetivo, esse projeto foi dividido em três estágios, a detecção, o rastreio de objetos e a contagem. A etapa de detecção é baseada num modelo YOLOv4 e foi treinada com um dataset composto de 25000 imagens de veículos noturnos provindos de câmeras de vigilância de cinco diferentes cidades do planeta. A parte de rastreio foi realizada utilizando a técnica de DeepSORT enquanto a parte de contagem foi realizada utilizando-se de uma técnica envolvendo uma linha imaginária.

Abstract: There is no doubt that with our community, the number of cars in the streets is growing lately and to prevent that to launch chaos in the streets affecting both people and the economy of the cities, several companies and institutions are studying new approaches to lessen this issue adverse. Hence, counting vehicles became a trend topic around researchers of this field, since this data is highly valuable to understand the situation of the roads. The advances of technology are another key factor that helped to increase the number of Intelligent Transport Systems (ITS) that use both hardware and software to develop new ways to learn and adapt to the new situations we are facing in the traffic and many original strategies related to object detection appeared in the literature lately. These strategies focus on day time object detection on account of the higher performance of the cameras during this period when compared to the night shift. Therefore, this work studies the viability of implementing a ITS to detect and count vehicles at night time shift based on a convolutional neural network (CNN) model and the possibility to use monitoring cameras already installed in the cities to train our models for the process. To accomplish these goals this project was divided into three stages, detection, tracking and counting. The detection part is based on a YOLOv4 model and was trained with a dataset composed of 25000 night images taken from surveillance cameras of five different cities of the World. The tracking step was performed with the DeepSORT technique and the counting step was made with the virtual line procedure.