Data collection from highways: a geometric, class-agnostic approach to embedded vehicle counting

Stel je voor dat je aan een drukke snelweg staat en probeert te tellen hoeveel auto's er elke minuut voorbijrijden. In de wereld van verkeerskunde is het kennen van dit aantal als het kennen van de hartslag van een stad; het helpt planners te beslissen waar ze nieuwe wegen moeten bouwen of hoe ze verkeerslichten moeten afstellen. Decennialang was de slimste manier om dit te doen het gebruik van "deep learning"-computers — digitale hersenen die getraind zijn om specifieke vormen zoals "auto", "bus" of "vrachtwagen" te herkennen. Deze systemen zijn als zeer waakzame beveiligers die een voertuig kunnen identificeren, het pad ervan kunnen volgen en het kunnen tellen. Echter, deze digitale hersenen hebben een groot probleem: ze weten alleen wat hen is geleerd. Als er een vreemde landbouwtractor, een stapel gevallen lading of een kar getrokken door een ezel voorbijrijdt, kan de computer in de war raken omdat hij niet getraind is om die dingen te zien. Bovendien zijn deze slimme computers hongerig naar elektriciteit en hebben ze krachtige, dure hardware nodig om te draaien, wat het moeilijk maakt om ze op eenvoudige palen langs de weg te installeren.

Dit artikel onderzoekt een andere, veel eenvoudigere aanpak: in plaats van te proberen te herkennen wat het object is, merkt het systeem simpelweg op dat er iets beweegt. Het behandelt de weg als een gigantische, onzichtbare valstrik. Als een schaduw of een vlek van beweging een specifieke lijn kruist, telt dat als een voertuig. De auteurs noemen dit een "class-agnostic" aanpak, wat betekent dat het niet geeft om de klasse of het type van het object; het geeft alleen om beweging. De grote vraag die zij aanpakken is: Kunnen we een telsysteem bouwen dat zo simpel is dat het op een kleine, goedkope computer (zoals een Raspberry Pi) draait, werkt zonder trainingsdata, en nog steeds de klus klaart? Zij stellen dat soms de eenvoudigste geometrische truc beter is dan een complexe, hongerige AI, vooral wanneer je dingen moet tellen die je nog nooit hebt gezien.

De Onzichtbare Valstrik: Auto's Tellen Zonder Te Weten Wat Ze Zijn

De auteurs van dit artikel besloten een stap terug te doen van de hoogtechnologische, "slimme" manier van auto's tellen. In plaats van een digitale hersenpan te bouwen die leert een auto te herkennen, bouwden ze een systeem dat werkt als een zeer eenvoudige, zeer snelle bewaker die op een brug staat. Deze bewaker geeft niet om of het ding dat voorbijloopt een auto, een vrachtwagen of een gigantische robot is; ze geven er alleen om of er iets over een specifieke lijn beweegt.

De "Magie" van de Onzichtbare Lijn
Stel je voor dat je een videogame speelt waarbij je vallende objecten moet vangen. Normaal gesproken zou je eerst elk object proberen te identificeren. Maar dit artikel suggereert een simpelere truc: trek gewoon een lijn over het scherm. Als iets die lijn kruist, klik je op een knop. In de echte wereld is deze "lijn" een stuk software genaamd een "virtuele loop". Het is als de ouderwetse metalen lussen die in de weg begraven liggen en verkeerslichten activeren, maar in plaats van in het asfalt begraven te zijn, wordt het op het scherm van de camera getekend.

Het systeem werkt in drie eenvoudige stappen:

1. De Achtergrond: De camera leert hoe de lege weg eruitziet.
2. Het Verschil: Het vergelijkt het huidige beeld met de lege weg. Als er een verschil is (een bewegende auto), wordt dit gemarkeerd als een witte "vlek" op een zwart scherm.
3. De Telling: Het controleert of die witte vlek de onzichtbare lijn raakt. Zo ja, dan telt het er één.

Het genie hiervan is dat het systeem nooit vraagt: "Is dat een auto?" Het vraagt alleen: "Is er iets over de lijn bewogen?" Dit betekent dat het een auto, een koe of een stapel afval kan tellen zonder dat het geleerd hoeft te worden hoe die dingen eruitzien.

De Twee Regels van de Weg
De onderzoekers testten twee verschillende manieren om dit tellen nauwkeurig te maken.

• Regel #1: De Snelheidsgok. De eerste methode gaat ervan uit dat alle auto's ongeveer met dezelfde snelheid rijden. Ze stelden de breedte van de onzichtbare lijn in om overeen te komen met hoe ver een auto naar verwachting beweegt in één frame van de video. Als een auto langzamer rijdt dan verwacht, kan hij twee frames lang op de lijn blijven staan, waardoor het systeem hem per ongeluk twee keer telt. De wiskunde laat zien dat deze methode ongeveer 86% accuraat zou moeten zijn als auto's met een normale snelheid rijden. Het is een goede gok, maar niet perfect.
• Regel #2: De Zelf-Aanpassende Kaart. De tweede methode is slimmer. Het observeert de vlekken van bewegende auto's en ontdekt zelf waar de rijstroken liggen. Vervolgens tekent het een aparte onzichtbare lijn voor elke rijstrook. Wanneer een auto een lijn van een rijstrook binnengaat, wacht het systeem tot de auto de lijn heeft verlaten voordat er geteld wordt. Dit voorkomt de fout van het "dubbel tellen". Deze methode krijgt ook een gratis bonus: door te timen hoe lang een auto nodig heeft om de lijn te kruisen, kan het systeem raden hoe snel de auto reed.

De Praktijktest: Kleine Computers, Grote Resultaten
Het team testte deze ideeën op kleine, goedkope computers die "Single Board Computers" (SBC's) worden genoemd, zoals de Raspberry Pi. Deze zijn ter grootte van een creditcard en kosten heel weinig, maar ze zijn niet erg krachtig.

Ze vergeleken hun eenvoudige "valstrik"-methode met een complexere methode die probeert elk pad van een auto te volgen (zoals een personage in een videogame). De resultaten waren verrassend:

• Op een standaard desktopcomputer was de complexe tracking-methode traag en raakte vaak in de war.
• Op de kleine Raspberry Pi faalde de complexe methode hopeloos; deze telde slechts 37,5% van de auto's correct. Het was te traag en moest de videokwaliteit zo sterk verlagen dat het de auto's niet meer kon zien.
• De eenvoudige "valstrik"-methode liep echter sneller dan real-time en telde 91% van de auto's correct.

De Adders onder het Gras: De "Resolutieknie" en de "Frame Rate Vloer"
Het paper ontdekte ook harde limieten, zoals de natuurwetten voor digitale camera's.

• De Resolutieknie: Als het videobeeld te klein is (onder de 200 pixels breed), stopt het systeem met werken. De bewegende auto's worden zo klein dat de computer ze niet meer kan onderscheiden van ruis. Maar zodra het beeld groot genoeg is, helpt het maken ervan groter niet veel meer; het verspilt alleen maar computerkracht.
• De Frame Rate Vloer: Als de camera te weinig foto's per seconde maakt (onder de 5 frames per seconde), "springen" de auto's over de onzichtbare lijn heen. Stel je voor dat een auto zo snel beweegt tussen twee foto's door, dat hij in de eerste foto aan de ene kant van de lijn stond en in de tweede foto aan de andere kant, waardoor hij de lijn tussendoor nooit echt heeft geraakt. Het systeem mist hem dan volledig. Geen enkele slimme software kan dit oplossen als de camera niet snel genoeg foto's maakt.

Waarom dit ertoe doet
De auteurs concluderen dat hoewel "slimme" AI-detectoren geweldig zijn wanneer je veel geld en vermogen hebt, ze niet altijd het juiste instrument zijn. Als je vreemde objecten moet tellen (zoals landbouwmachines), als je geen data hebt om een computer te trainen, of als je een sensor op een kleine batterij met zonne-energie moet laten draaien, dan is deze eenvoudige geometrische methode de winnaar. Het gaat er niet om de meest nauwkeurig te zijn in elke denkbare situatie; het gaat erom betrouwbaar, goedkoop en overal inzetbaar te zijn zonder een supercomputer nodig te hebben.

Uiteindelijk laat het artikel zien dat de beste manier om een complex probleem op te lossen niet altijd is om een slimmer brein te bouwen, maar om een eenvoudigere, eerlijkere valstrik te bouwen.