SurveillanceetAnalyseAvancéesduTraficRoutierpar Vision par Ordinateur et Apprentissage Automatique

Abstract

This study presents a new approach that enables the detection of dangerous driving behaviors by integrating computer vision and machine learning. To address the lack of specific, annotated databases in this field, we manually constructed an original dataset from various video sources available on the Internet. The created database includes diverse scenes: daytime, nighttime, rain, snow, and both rural and urban traffic. The process of classifying and cleaning the 694 videos was highly meticulous, with categorization based on specific behavioral criteria such as speeding and failure to maintain safe distances. Our methodology is built on three main complementary pillars: using Lucas-Kanade to track and capture the primary movements in scenes while leveraging CNN networks to analyze the extracted optical flow. We also incorporated LSTM networks for dynamic temporal sequence modeling. In parallel, we used YOLOv8 for real-time detection of traffic violations in original, real-world videos. Experimental results demonstrated excellent and high accuracy, reaching 99%, highlighting the significant advantage of the 2D CNN model when combined with optical flow compared to the following architectures : basic and enhanced 2D CNNs, basic and enhanced 3D CNNs, as well as both versions of LSTM. YOLOv8 also showed notable effectiveness. This study offers three key contributions : (1) The ability to reproduce this methodological framework combining video flow and AI, (2) an original database for detecting risky driving behaviors, and (3) concrete prospects for integrating such solutions into intelligent transportation systems and smart cities. ----------------------------------------------------------------------------------- تقدم هذه الدراسة منهجًا جديدًا يتيح اكتشاف السلوكيات الخطيرة على الطرق من خلال دمج الرؤية الحاسوبية والتعلم الآلي. ولتلافي نقص قواعد البيانات المحددة والمُعلَّمة في هذا المجال، قمنا ببناء مجموعة بيانات أولية يدويًا من مصادر فيديو متنوعة متاحة على الإنترنت. تضم قاعدة البيانات المُنشأة مشاهد متعددة ومختلفة: نهارًا، ليلًا، تحت المطر، الثلج، وفي حركة مرور ريفية وحضرية. كانت عملية تصنيف وتنظيف 694 مقطع فيديو شاقة للغاية، حيث تم التصنيف بناءً على معايير سلوكية محددة مثل تجاوز السرعة المسموح بها وعدم احترام المسافات الآمنة. اعتمدنا في منهجيتنا على ثلاثة محاور رئيسية متكاملة: استخدام خوارزمية لوكاس-كاناد لتتبع واقتناء الحركات الأساسية في المشاهد، مع الاستفادة من شبكات CNN لتحليل تدفقات الحركة المستخرجة. كما أدرجنا شبكات LSTM لنمذجة التسلسلات الزمنية ديناميكيًا. بالتوازي، استخدمنا نموذج YOLOv8 للكشف الفوري عن المخالفات المرورية في مقاطع الفيديو الحقيقية والأصلية. أظهرت النتائج التجريبية دقة عالية وممتازة بلغت %99، مما يبرز الميزة الكبيرة لنموذج CNN ثنائي الأبعاد عند دمجه مع تدف الحركة البصري مقارنةً بالهياكل التالية: شبكات CNN ثنائية الأبعاد الأساسية والمحسنة، وشبكات CNN ثلاثية الأبعاد الأساسية والمحسنة، بالإضافة إلى نماذج LSTM بكلا نسختيها. كما أظهر YOLOv8 فعالية ملحوظة. تقدم هذه الدراسة ثلاث مساهمات رئيسية: (1) إمكانية إعادة إنتاج هذا الإطار المنهجي الذي يجمع بين تحليل الفيديو والذكاء الاصطناعي، (2) قاعدة بيانات أولية لاكتشاف السلوكيات المرورية الخطرة، و(3) آفاق عملية لدمج مثل هذه الحلول في أنظمة النقل الذكية والمدن الذكية. ------------------------------------------------------------------------------- Cette étude nous expose une nouvelle approche qui nous permet à détecter les comportements dangereux sur route avec l’aide de l’intégration de la vision par ordinateur et de l’apprentissage automatique. Nous avons construit manuellement un ensemble de données originales à partir de diverses sources vidéo disponibles sur l’Internet pour pallier le manque de bases de données particulières et annotées dans ce domaine. La base de données crée comprend plusieurs scènes variées : le jour, la nuit, sous la pluie, la neige, la circulation rurale et urbain. La sélection de classer et de nettoyer les 694 vidéos a été très fastidieuse, où ce classement a été réalisé sur la base de critères comportementaux spécifiques comme le dépassement de la vitesse autorisée et le non-respect des distances. Nous avons fondé notre méthodologie sur trois axes complémentaires principaux, en utilisant Lucas Kanade pour suivre et capturer les mouvements principaux des scènes, tout en utilisant et en profitant des réseaux CNN pour analyser les flux extraits. Nous avons également incorporé des réseaux LSTM pour la modélisation dynamique de séquences temporelles. En parallèle, nous avons utilisé YOLOv8 pour la détection en temps réel des infractions routières dans des vidéos originales et réelles. Les résultats expérimentaux ont montré une précision excellente et élevée atteignant 99 %, ce qui souligne le grand et notable avantage du modèle CNN2D lorsqu'il est combiné avec le flux optique par rapport aux modèles suivants : architectures CNN 2D simples et améliorées, CNN 3D simples et améliorées, ainsi que LSTM dans ses deux versions. YOLOv8 a également montré une efficacité notable . Cette étude propose trois contribution : (1) La possibilité de reproduire ce cadre méthodologique qui combine le flux vidéo et AI, (2) une base de données originale pour la détections des comportements à risques, et (3) des perspectives concrètes pour l’intégration de telles solutions dans les systèmes de transport intelligents et les villes intelligentes.