Zpracování obrazu z dopravních kamer - detekce zapnutých pásů

Abstract

Sledování chování řidičů je stále důležitější pro zvýšení bezpečnosti silničního provozu, zejména při řešení běžných přestupků, které přispívají k dopravním nehodám. Tato práce se zaměřuje na automatickou detekci používání bezpečnostních pásů, mobilních telefonů a přítomnosti cestujících pomocí analýzy obrazu. Model detekce objektů založený na algoritmu YOLO, využívající konvoluční neuronové sítě, byl vycvičen a testován na velkém souboru anotovaných snímků z dopravních kamer. Systém prokázal vysokou přesnost a spolehlivost za různých světelných a povětrnostních podmínek. Tato zjištění zdůrazňují potenciál metod hlubokého učení pro podporu prosazování dopravního práva a snížení počtu přestupků souvisejících s řidiči.

Monitoring driver behaviour is increasingly important for improving road safety, particularly in addressing common offences that contribute to traffic accidents. This study focuses on the automated detection of seat belt usage, mobile phone use, and passenger presence through image analysis. A YOLO-based object detection model, using convolutional neural networks, was trained and tested on a large set of annotated traffic camera images. The system demonstrated high accuracy and reliability under various lighting and weather conditions. These findings highlight the potential of deep learning methods to support traffic law enforcement and reduce driver-related violations.