| Sažetak | U ovom diplomskom radu opisano je rješenje za uključivanje alarmnog sustava prilikom
izlaska vozača iz vozila s ciljem povećanja sigurnosti vozača i sudionika prometa koji mu dolaze
odostraga. Rješenje se sastoji od YOLOv7 algoritma za detekciju sudionika prometa u okviru
video sekvence, algoritma za praćenje sudionika prometa te algoritma za procjenu udaljenosti koji
je potreban za procjenu brzine i vremena do potencijalne kolizije s vozačevim vratima na temelju
kojeg se uključuje alarmni sustav. Rješenje je implementirano na osobnom računalu i na Raspberry
Pi 4 platformi. Osobno računalo ima jači procesor i grafičku karticu, što omogućuje brže
izvršavanje rješenja. S druge strane, Raspberry Pi 4 platforma ima ograničenje u računalnoj snazi,
što utječe na vrijeme izvršavanja rješenja i točnost rezultata. Na Raspberry Pi 4 platformi zbog
ograničenih resursa detekcija je napravljena pomoću YOLOv7 Tiny modela. Rješenje je testirano
na vlastitoj bazi od 34 video sekvence. Detekcijom je određen položaj sudionika prometa u video
okviru pomoću istreniranog YOLOv7 modela koji klasificira pet klasa: automobil,
kamion/autobus, pješak, biciklist i motociklist. Brža obrada omogućena je praćenjem detektiranog
sudionika prometa između okvira pomoću DeepSort algoritma. Procjena brzine sudionika prometa
se izvršava na temelju prijeđene udaljenosti između dvaju okvira video sekvenci. Na 34 testne
video sekvence rezultati su pokazali da se postotna pogreška za udaljenost na osobnom računalu
kreće se od -24% do +27%, dok na Raspberry Pi 4 platformi varira od -42% do +28%. Za brzinu,
postotna pogreška na osobnom računalu kreće se od -39% do +52%, dok na Raspberry Pi 4
platformi iznosi od -48% do +69%. Važno je napomenuti da se postotne pogreške razlikuju ovisno
o klasi sudionika prometa, udaljenosti i brzini na kojoj su testirane. Međutim, unatoč navedenim
rezultatima, rješenje kao takvo ima prostora za doradu kako bi se povećala preciznost u procjenu
udaljenosti, brzine i TTC-a. |
| Sažetak (engleski) | This thesis describes a solution for turning on the alarm system when the driver exits the
vehicle, with the aim of enhancing the safety of both the driver and the traffic participants
approaching from the rear. The solution consists of the YOLOv7 algorithm for detecting traffic
participants in video sequences, a tracking algorithm for tracking traffic participants, and a
distance estimation algorithm needed for calculating speed and time-to-collision with the driver's
door, which triggers the alarm system. The solution is implemented on a personal computer and
on the Raspberry Pi 4 platform. The personal computer has a more powerful processor and
graphics card, enabling faster execution of the solution. On the other hand, the Raspberry Pi 4
platform has limited computational resources, affecting the execution time and accuracy of the
results. On the Raspberry Pi 4 platform, detection is performed using the YOLOv7 Tiny model
due to a lack of resources. The solution is tested on a custom dataset consisting of 34 video
sequences. Detection determines the position of traffic participants in the video frame using the
trained YOLOv7 model that classifies five classes: car, truck/bus, pedestrian, cyclist, and
motorcyclist. Faster processing is achieved by tracking the detected traffic participant between
frames using the DeepSort algorithm. Speed estimation of traffic participants is performed based
on the distance traveled between two frames of the video sequence. Over the 34 test video
sequences, the results showed that the percentage error for distance on the personal computer
ranges from -24% to +27%, while on the Raspberry Pi 4 platform, it varies from -42% to +28%.
For speed, the percentage error on the personal computer ranges from -39% to +52%, while on the
Raspberry Pi 4 platform, it ranges from -48% to +69%. It is important to note that the error
percentage varies depending on the class of traffic participant, distance, and speed at which they
were tested. However, despite these results, the solution has room for improvement to increase the
accuracy of distance, speed, and TTC (Time-to-Collision) estimation. |
