Intelligent transportation system for intersection safety using computer vision
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2021-05-17
Department
Major/Subject
Mcode
Degree programme
Master's Programme in Mechanical Engineering (MEC)
Language
en
Pages
52
Series
Abstract
Traffic safety is a globally pressing matter, as traffic accidents are one the most common causes of fatalities worldwide. Intelligent transportation systems offer modern solutions for improving traffic safety. In this thesis, a proof-of-concept roadside unit is presented which is capable of improving traffic safety in occluded intersection areas. The unit consists of a camera and a single-board computer equipped with 4G connection. Road users are detected with computer vision and their locations are acquired with a monovision algorithm. The locations are sent to a server, from which connected vehicles can poll the location data when approaching the intersection. Conveying the location data to drivers improves their situational awareness. This prevents hazardous situations where a driver is caught off guard by a suddenly appearing road user who attempts to cross the intersection. A convenient camera calibration method is presented for the monovision localisation. The method is based on capturing global navigation satellite system (GNSS) coordinates corresponding to known image points. These are used for optimising the parameters in the localisation equations. Performing the optimisation with regard to the localisation accuracy ensures a proper fit for the localisation task. The method was validated by calibrating the proof-of-concept roadside unit with a customer-grade GNSS receiver. The achieved localisation accuracy was reported and deemed adequate for the task. On the testing data, an average difference of 7.24 m was found between the camera localisations and GNSS coordinates. Unequivocal analysis of the localisation accuracy was difficult, since the inaccurate consumer-grade GNSS was used as reference. In addition to the localisation accuracy, the delay of transmitting the location data was quantified. On average there was a delay of 214 ms between the unit and a polling client, which is sufficiently low for the application. The calibration method should be further validated with a more reliable GNSS approach, such as real-time kinematic positioning. Largest source of error in the camera localisation was likely the inaccurate GNSS coordinates used for calibration. A simplistic pinhole camera model was also applied for deriving the localisation equations. Including distortions in the camera model would likely result in more accurate localisation. However, this increases the number of parameters in the localisation equations, complicating the task of finding a suitable calibration.Liikenneturvallisuus on maailmanlaajuinen ongelma, liikennekuolemien lukeutuessa maailman yleisimpiin kuolinsyihin. Älykkäät liikennejärjestelmät tarjoavat uusia ratkaisuja liikenneturvallisuuden parantamiseksi. Tässä työssä esitellään prototyyppi tienvarsiyksiköstä, jonka tarkoitus on parantaa liikenneturvallisuutta risteysalueilla, joissa on huono näkyvyys. Yksikkö koostuu kamerasta ja 4G-yhteydellä varustetusta yhden piirilevyn tietokoneesta. Kameraa hyödyntäen yksikkö tunnistaa tienkäyttäjät tietokonenäöllä, ja paikantaa heidät erityisellä yhden kameran algoritmilla. Paikkatieto lähetetään verkon yli palvelimelle, josta risteystä lähestyvät älykkäät ajoneuvot voivat tarkistaa viimeisimmän paikkatiedon reaaliajassa. Paikkatieto voidaan edelleen välittää kuskille, parantaen tämän tilannetietoisuutta. Näin estetään vaarallisia tilanteita, joissa nurkan takaa ilmestyvä ajoradalle pyrkivä tienkäyttäjä yllättää autoilijan. Yksikön paikannusalgoritmille esitetään käytännöllinen kalibrointimenetelmä. Menetelmä perustuu satelliittipaikannustiedon keräämiseen tunnetuissa kuvapisteissä. Tätä dataa hyödynnetään optimoimalla paikannusalgoritmin parametrit. Kameran kalibrointi paikannusalgoritmin tarkkuuden suhteen takaa luotettavan toiminnan paikannustehtävässä. Menetelmä validoitiin kalibroimalla tienvarsiyksikkö käyttäen kuluttajatason satelliittipaikannusta. Näin saavutettu paikannustarkkuus raportoitiin ja todettiin tyydyttäväksi. Koenäytteissä kamerapaikannuksen ja satelliittipaikannuksen välillä huomattiin keskimäärin 7.24 m ero. Paikannustarkkuuden yksiselitteinen arviointi oli haastavaa, sillä referenssinä käytetty kuluttajatason satelliittipaikannus on altis virheille. Paikannustarkkuuden lisäksi tienvarsiyksikön lähettämän paikkatiedon viive mitattiin. Keskimäärin paikkatiedolla kesti 214 ms päivittyä yksiköltä tilaajalle 4G-verkon välityksellä, mikä on sopivan lyhyt viive käyttötarkoitukseen. Kalibrointimenetelmä tulisi tulevaisuudessa validoida hyödyntäen tarkempaa satelliittipaikannusta, kuten reaaliaikaista kinemaattista mittausta. Suurin virhe kalibroidun yksikön paikannustarkkuudessa johtui todennäköisesti käytetyn satelliittipaikannuksen epätarkkuudesta. Paikannusyhtälöihin sovellettiin myös yksinkertaista neulanreikäkameran mallia. Vääristymät huomioivalla kameramallilla voitaisiin luultavasti saavuttaa tarkempia tuloksia. Tämä kuitenkin johtaisi parametrien määrän kasvuun paikannusyhtälöissä, mikä voi vaikeuttaa sopivan kalibraation löytämistä.Description
Supervisor
Tammi, KariThesis advisor
Vepsäläinen, JariPirhonen, Jesse
Keywords
computer vision, calibration, intelligent transportation systems, smart cameras, traffic safety