💻 computer science

A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle

Dit artikel presenteert een geometrie-geïnformeerde computer vision-pipeline die de detectie en analyse van inhalende voertuigen vanuit single bicycle-mounted camera's automatiseert, waarbij een hoge nauwkeurigheid wordt bereikt in gebeurtenisidentificatie en laterale afstandsbepaling om de knelpunten van handmatige annotatie in onderzoek naar fietsveiligheid te overwinnen.

Oorspronkelijke auteurs: Gandhimathi Padmanaban, Rayane Moustafa, Fred Feng

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gandhimathi Padmanaban, Rayane Moustafa, Fred Feng

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je op je fiets een drukke stadsstraat afrijdt. Ken je dat gevoel wanneer een auto met een vaart langs je heen scheurt vanaf achteren? Soms laten ze je genoeg ruimte, en soms schampen ze vlak langs je stuur. Jarenlang wilden onderzoekers precies bestuderen hoe vaak deze "bijna-ongelukken" voorkomen, maar ze liepen tegen een grote blokkade aan: de "Human Review" Bottleneck (de menselijke beoordelingsbelemmering).

Om dit te bestuderen, gebruikten ze speciale fietsen met camera's en sensoren. Maar om de daadwerkelijke momenten te vinden waarop een auto de fietser passeerde, moest een mens urenlang video bekijken, frame voor frame, als een detective die op zoek is naar een specifieke aanwijzing. Het was traag, duur en beperkte de hoeveelheid data die ze konden verzamelen.

Dit artikel introduceert een slimme, geautomatiseerde "digitale detective" die het zware werk voor hen doet. Hier is hoe het werkt, uitgelegd aan de hand van eenvoudige concepten:

1. Het Drie-Stappen-Detective Systeem

In plaats van alleen naar een plaatje te kijken en te gokken, gebruikt het systeem een logisch proces van drie stappen, vergelijkbaar met een beveiliger die een identiteitsbewijs controleert:

Stap 1: De Spotter (RT-DETR): Eerst kijkt een krachtige AI naar de video en zegt: "Hé, dat is een auto!" Het vindt elk voertuig in het beeld.
Stap 2: De Tracker (ByteTrack): Vervolgens volgt het die auto terwijl deze beweegt. Het behoudt de identiteit van de auto, zelfs als deze even wordt afgeschermd door een boom of een andere auto.
Stap 3: De Geometrische Rechter (Het Magische Deel): Dit is de grote innovatie van het artikel. Het systeem vertrouwt niet alleen op hoe de auto eruitziet; het controleert de geometrie (de wiskunde van hoe dingen er in een camera uitzien).
- De "Benaderingstest": Terwijl een auto je van achteren passeert, begint hij klein aan de linkerkant van je achteruitkijkcamera en wordt hij groter naarmate hij naar rechts beweegt. Het systeem controleert: "Beweegt de auto van links naar rechts? Wordt hij groter? Blijft hij op een recht pad?"
- De "Passagestest": Als de auto dit allemaal doet en een specifieke lijn op het scherm oversteekt, bevestigt het systeem: "Ja, dit is een echt inhaalmoment."

Waarom is dit cool? Het heeft geen dure radar, lasers of complexe camerakalibratie nodig. Het heeft alleen een standaard camera en de wetten van het perspectief nodig. Het is alsoals weten dat een vriend naar je toe loopt, niet omdat je zijn gezicht herkent, maar omdat hij groter wordt in je gezichtsveld en van je linker- naar je rechterkant beweegt.

2. Hoe goed werkte het?

De onderzoekers testten deze "digitale detective" op 315 echte passageringsgebeurtenissen in Ann Arbor, Michigan.

De Score: Het vond 97,8% van de werkelijke inhaalmomenten.
De Fouten: Het maakte nul valse meldingen. Het zag een geparkeerde auto of een tegenligger niet aan voor een inhaalmanoeuvre.
De Missers: Het miste 7 gebeurtenissen. Waarom? Vooral omdat een andere auto het zicht blokkeerde (zoals een vriend die voor je staat bij een concert) of omdat de AI voor een fractie van een seconde in de war raakte.

3. De "Vroegtijdige Waarschuwing" Superkracht

Een van de meest opwindende bevindingen is de timing.

Het systeem merkte de intentie van de auto om in te halen gemiddeld 2,44 seconden voordat de auto de fietser daadwerkelijk bereikte.
Denk aan een voorsprong in een race. Aangezien het ongeveer 1,5 seconde duurt voor een mens om te reageren op gevaar, geeft dit systeem de fietser een "veiligheidsbuffer" van bijna een volle seconde om opzij te stappen of zichzelf voor te bereiden.
In 84% van de gevallen gaf het systeem genoeg waarschuwingstijd om nuttig te zijn voor een actieve veiligheidsalarm.

4. Hoe dicht waren de auto's? (De "5-Voet"-regel)

Veel plaatsen hebben een wet die stelt dat auto's fietsers met ten minste 5 voet (1,5 meter) ruimte moeten passeren.

De onderzoekers gebruikten een speciale sensor op de fiets om de werkelijke afstand te meten voor 96 van deze gebeurtenissen.
Het Resultaat: 33% van de auto's passeerde dichterbij dan de 5-voet regel. Dat is één op de drie auto's.
De dichtstbijzijnde passage was slechts ongeveer 2,9 voet (ca. 88 cm) verwijderd — gevaarlijk dichtbij.
Dit bewijst dat zelfs met gemarkeerde fietspaden, automobilisten vaak niet genoeg ruimte laten.

5. Afstand Raden Zonder Liniaal

Het artikel probeerde ook iets nieuws: de afstand schatten zonder liniaal.

Door alleen gebruik te maken van de vorm van de "box" van de auto in de video (hoe hoog deze lijkt en waar de onderkant van de box zich bevindt), raadde het systeem de passagedistante.
Het zat er slechts zo'n 13 tot 14 centimeter (ongeveer 5 inch) naast.
Dit is nauwkeurig genoeg om het verschil te zien tussen een "veilige passage" en een "gevaarlijke passage" zonder dat er dure lasersensoren nodig zijn.

De Kern van het Verhaal

Dit artikel lost een enorm probleem op binnen het onderzoek naar fietsveiligheid. Voorheen waren onderzoekers beperkt tot het handmatig bekijken van video's, wat de hoeveelheid informatie die ze konden verzamelen beperkte. Nu hebben ze een hulpmiddel dat deze gebeurtenissen automatisch vindt via een simpele camera, waardoor ze duizenden passes kunnen bestuderen in plaats van slechts een paar honderd.

Het bevestigt dat, hoewel we fietspaden hebben, automobilisten nog steeds erg dicht langs fietsers rijden. Maar belangrijker nog: het laat zien dat we een eenvoudig, goedkoop systeem kunnen bouwen dat fietsers op een dag zou kunnen waarschuwen voordat een auto te dichtbij komt, waardoor ze die cruciale extra seconde krijgen om veilig te blijven.

Technische Samenvatting: Een geometrie-geïnformeerde computer vision-methode voor het detecteren en onderzoeken van inhalende voertuigen vanaf een fiets

Probleemstelling
Onderzoek met geïnstrumenteerde fietsen heeft historisch gezien cruciaal veldwerk geleverd met betrekking tot het passageergedrag van voertuigen en de veiligheid van fietsers. Er bestaat echter een significante methodologische flessenhals: het extraheren van inhaalmomenten uit continue video die naar achteren gericht is, vereist handmatige, frame-voor-frame annotatie. Dit proces beperkt de steekproefomvang, beperkt de reikwijdte van natuurlijkistisch onderzoek naar fietsveiligheid en introduceert variabiliteit tussen beoordelaars. Bestaande computer vision-benaderingen leunen vaak op op uiterlijk gebaseerde classificatiesystemen die moeite hebben met domeinverschuivingen (bijv. lichtinval, camerabeweging) of vereisen multi-sensor fusie (LiDAR, radar) met complexe kalibratie en synchronisatie, wat ze ongeschikt maakt voor schaalbare, laag-resource onderzoeksdeployments. Bovereindertussen blijft het onderscheiden van werkelijke inhaalmanoeuvres van de achtergrond van niet-inhalende voertuigtrajecten (tegemoetkomend verkeer, parallelle rijstroken, vertragende voertuigen) in naar achteren gerichte beelden een uitdaging voor standaard detectie- en trackingalgoritmen.

Methodologie
De auteurs stellen een geometrie-geïnformeerde computer vision-pipeline voor die het detecteren van inhaalmomenten automatiseert met behulp van een enkele op een fiets gemonteerde camera, zonder expliciete camerakalibratie of multi-sensor configuraties. Het systeem verwerkt 2D-videosequenties via drie opeenvolgende stadia:

Voertuigdetectie: Het systeem maakt gebruik van RT-DETR (Real-Time Detection Transformer), een transformer-gebaseerde detector die is gekozen vanwege de robuustheid tegen schaalvariaties en gedeeltelijke occlusies die gebruikelijk zijn in bewegende fietsbeelden. Het model identificeert vier voertuigklassen (auto, motorfiets, bus, vrachtwagen) uit de COCO-dataset. Een pre-tracking suppressiestap is geïmplementeerd om dubbele bounding boxes voor hetzelfde voertuig te verwijderen om trackingfouten te voorkomen.
Multi-Object Tracking: ByteTrack wordt gebruikt om detecties te koppelen aan continue trajecten. De auteurs hebben de parameters van ByteTrack aangepast om geschikt te zijn voor de inhaalsituatie, specifiek door de track-activatiedrempel te verhogen om foutieve starts van achtergrondobjecten te verminderen en de lost track buffer te beperken om ID-overdracht tussen verschillende voertuigen te voorkomen. Een filter voor duplicaten binnen hetzelfde frame wordt ook toegepast om ID-fragmentatie tijdens korte occlusies te behandelen.
Geometrische Validatie: Dit is de kerninnovatie. Een validatiemodule bestaande uit drie stadia filtert getrackte trajecten om alleen voltooide inhaalmanoeuvres te identificeren op basis van principes van perspectivische projectie:
- Bearing Angle Trend (Hoekrichting-trend): Het systeem berekent de hoek van het voertuig ten opzichte van een vast referentiepunt (linksonder in het kader voor de camera aan de linkerachterzijde). Inhalende voertuigen moeten een monotoon toenemende hoek vertonen (bewegend van links naar rechts in het kader). Een lineaire regressie op de hoekgeschiedenis moet een positieve helling vertonen; dalende hellingen (indicatief voor tegemoetkomend verkeer) leiden tot afwijzing.
- Apparent Size Growth (Schijnbare Groottegroei): Het systeem monitort de veranderingssnelheid van het oppervlak van de bounding box. Geldige inhaaltracks moeten een positieve groei vertonen naarmate het voertuig nadert, wat stationaire objecten of voertuigen die zich verwijderen wegfiltert.
- Spatial Confirmation (Ruimtelijke Bevestiging): Een track wordt pas bevestigd als een inhaalmoment wanneer de rechterrand van de bounding box van het voertuig een configureerbare ruimtelijke drempel overschrijdt (gesteld op 55% van de framebreedte voor de linkerachterzijde-opstelling), wat garandeert dat het voertuig voldoende over het kader is bewogen om een passing te vormen.

Belangrijkste Bijdragen

Geautomatiseerde Detectie-pipeline: De auteurs presenteren een driestapsysteem dat RT-DETR, ByteTrack en geometrische validatie combineert. Gevalideerd op 315 handmatig geannoteerde real-world inhaalmomenten op stedelijke wegen in Ann Arbor, Michigan, bereikte het systeem 97,8% recall met nul fout-positieven.
Kwantitatieve Karakterisering van Passagegedrag: Door automatisering van de event-isolatie analyseerden de auteurs de laterale passagedistansties voor 96 gebeurtenissen met behulp van ultrasone sensor grondwaarheid. Zij vonden dat 33,3% van de passes plaatsvond onder de 5 voet (152,4 cm) veiligheidsdrempel, een percentage dat consistent is met eerdere veldstudies en zelfgerapporteerde studies.
Vroegtijdige Waarschuwingscapaciteit: Het systeem identificeerde inhaalintenties gemiddeld 2,44 seconden vóór de passage van het voertuig. 84,1% van de gebeurtenissen overschreed de menselijke reactietijd-drempel van 1,5 seconde, wat de haalbaarheid voor actieve waarschuwingsapplicaties voor fietsers aantoont.
Kalibratievrije Afstandsbepaling: Het artikel demonstreert dat geometrische kenmerken van de bounding box (specifiek de verticale positie van de onderste rand en de schijnbare box-oppervlakte) de laterale passagedistantie kunnen schatten zonder expliciete camerakalibratie. Onder leave-one-out cross-validatie op 96 gebeurtenissen bereikte de aanpak een gemiddelde absolute fout (MAE) van ongeveer 13 tot 14 cm, wat voldoende is om nauwe passes van standaard passes te onderscheiden.

Resultaten

Prestaties: Het systeem detecteerde succesvol 308 van de 315 grondwaarheid-gebeurtenissen. De zeven gemiste detecties werden toegeschreven aan occlusie door voertuigen in de nabijgelegen rijstrook (57%) of intermitterende RT-DETR detecties die voldoende trackinggeschiedenis verhinderden (43%).
Timing: De tijd voor vroege detectie varieerde van 0,50 tot 6,30 seconden, met een mediaan van 2,40 seconden.
Afstandsanalyse: Gemeten laterale afstanden varieerden van 88,0 cm tot 247,0 cm, met een gemiddelde van 169,0 cm. De distributie bevestigde dat typisch passagegedrag in deze stedelijke omgevingen opereert nabij de aanbevolen veiligheidsmarges, waarbij een aanzienlijk deel onder de wettelijke minima valt.
Afstandsbepaling: De verticale positie van de onderste rand van de bounding box was de dominante voorspeller van de laterale afstand (Spearman correlatie $\rho = -0,774$ ), gevolgd door de bounding box oppervlakte ( $\rho = -0,567$ ).

Betekenis en Claims
Het artikel claimt dat dit werk de primaire annotatie-bottleneck in geïnstrumenteerd fietsonderzoek aanpakt. Door de automatisering van event-isolatie uit consumentengraad camerabeelden, maakt het systeem datamodellen van aanzienlijk grotere omvang mogelijk zonder evenredige toename van handmatige inspanning. De auteurs benadrukken dat het funderen van event-validatie in geometrische invarianten (hoektrends, groottegroei) een robuuste detectiemethode biedt die niet afhankelijk is van sensor-specifieke kalibratie of op uiterlijk gebaseerd leren, wat vaak kwetsbaar is voor domeinverschuivingen.

De bevindingen over passagedistansties bieden kwantitatief, locatie-specifiek bewijs dat fietspaden alleen niet betrouwbaar voldoende driver gedrag produceren, wat de noodzaak voor handhaving of infrastructuurwijzigingen ondersteunt. Bovendien biedt de voorlopige afstandsbepalingscapaciteit een schaalbare basis voor veiligheidscategorisering zonder de noodzaak van dure, gekalibreerde ranging-hardware. De auteurs concluderen dat hoewel het systeem momenteel beperkt is tot specifieke cameraconfiguraties en daglichtcondities, het een schaalbare, modulaire basis biedt voor de analyse van voertuig-fiets interacties over grotere datasets en diverse stedelijke omgevingen.