從像素到違規：用影像辨識打造智慧交通監測系統

從像素到違規：用影像辨識打造智慧交通監測系統¶

英文版本(English version): https://1daniel3333.github.io/blog/from_pixels_to_violations_building_a_smart_traffic_monitoring_system_with_image_reconginition/

1. 前言：問題與專案目標¶

在現代都市環境中，如何保障行人在斑馬線上的安全是一項重大挑戰。交通違規情況時常發生，例如車輛佔用或阻擋行人通行，這些違規行為難以依靠人工長時間監控。受到 Coursera《Fast Prototyping of GenAI Apps》專案啟發，本專案嘗試開發一個概念驗證 (POC) 系統，利用電腦視覺自動偵測特定交通違規行為。

核心目標從單純的物件偵測，逐步演進到更具語境的分析：能否自動識別車輛是否阻擋了斑馬線上的行人路徑？這需要將複雜的現實互動轉換成可被機器理解的細節步驟。

2. 階段一：建立物件偵測基礎模型¶

第一階段的目標是先具備辨識影片中關鍵物件的能力。

• 技術選擇：採用 YOLO (You Only Look Once) 模型，因其在即時物件偵測上的速度與準確度兼具。
• 初始實作 (vehicle_detection.py)：腳本會逐格處理影片，並嘗試正確分類兩大類別：行人 (person) 與 汽車/機車 (car/motorcycle)。
• 功能延伸（車牌辨識）：進一步整合 OCR（光學字元辨識），從車輛中擷取車牌號碼。在影像解析度足夠的前提下，能正確讀取，展現了針對違規者進一步追蹤的可能性。

3. 階段二：定義違規行為與 ROI（關注區域）¶

僅靠物件偵測仍不足以區分「合法停車」與「違規阻擋」。系統必須理解場景與互動關係。

• 問題釐清：核心問題是，「什麼情況算是阻擋？」解法是先定義一個高風險區域──斑馬線，並針對該區域的物件移動進行分析。
• ROI 設定：不分析整張影像，而是將偵測集中在斑馬線 ROI（Region of Interest），能大幅降低計算負擔，也排除了與問題無關的物件。

4. 階段三：真實數據蒐集與挑戰應對¶

要從測試影片走向更真實的場景，需要收集實際數據來測試。

• 數據來源 (snapshot_grabber.py)：開發腳本，定時從政府公開交通攝影機擷取影像（例如每秒擷取一次，持續 20 分鐘），建立真實資料集。
• 處理誤判：在真實場景中，常見誤判是將地上的標線（如大型箭頭）錯誤辨識為行人。
  雖然可以透過調整信心閾值來減少誤判，但也顯示僅靠分類結果不足。ROI 設計能部分解決此問題，因為系統只考慮斑馬線區域的檢測結果。後續採取乾淨背景的方式去增加準確度。

5. 階段四：違規偵測的路徑分析¶

最後一個階段是將核心的「阻擋判斷」邏輯實作出來。

• 核心概念：真正的「阻擋」發生在行人的行進方向上出現車輛。為了建模，需要追蹤行人在時間序列上的位置，並計算其移動方向向量。
• 實作 (analyze_blocking.py)：系統會記錄行人的近期座標，推算其行進路徑。如果在斑馬線 ROI 中，偵測到有車輛出現在該路徑前方，則會標記為潛在的阻擋違規。

6. 結論與未來展望¶

本專案成功驗證了以電腦視覺進行複雜交通違規偵測的可能性，不僅停留在物件偵測層面，更納入 ROI 與語境化分析。

整體過程包含了：

• 從基礎原型迭代
• 辨識出實務問題（如誤判）

• 發展路徑分析邏輯
  未來方向包含：

• 優化追蹤演算法，提高穩定性

• 建立針對當地路況的客製化訓練模型，以降低誤判
• 將系統部署到即時串流環境，提升實用性