一种非常简单的速度检测器

我和我的家人最近搬进了大学城中心的一所新房子。我们喜欢它，但是我们的新位置也把我们放在一条繁忙的住宅区街道旁边。太多的时候，路人会撕开远远超过张贴25英里每小时的限制。它激发了我的潜能脾气暴躁的一面．

作为一个以数据为导向的人，我想知道有多少人在超速行驶，我不会花几百美元在雷达系统上。因此，我把一个网络摄像头、一些简单的视频处理和异常检测拼凑在一起，制作了一个跟踪车辆速度的系统。下面的图表从较高的层次展示了这个过程，但是我也将深入讨论一些细节。

我之前尝试过将视频和beplay2网页登陆BigML的异常检测(各种各样的隔离林)作为一种运动检测方法。通过拼接视频并为每个瓷砖构建一个异常检测器，我制作了一个可以忽略常见运动的运动检测器。例如，在这个视频中，每个瓷砖检测器不会触发摆动风扇，但它们会触发邪恶的熊猫入侵者（从我女儿那里借来）。

为此，我提取了每个图块的特征，例如平均的红、绿和蓝像素值（呼出）OpenIMAJ让这变得简单)。这给了我一个特定的数据集，每一行代表一个视频帧，像这样:

以行/列形式收集数据后，使用beplay2网页登陆BigML语言绑定．我用Clojure做我的爱好项目，所以beplay2网页登陆BigML Clojure绑定让我仅使用以下代码片段将上述数据转换为异常检测函数：

上面的小示例加载上一个gist中的数据，构建一个异常检测器作为Clojure函数，并使用该函数为新分数打分。BigML异常检测器的分数始终在0到1之间。分数越高，分数越大。通常大于0.6的分数是有趣的。绿色突出显示的ti熊猫示例中的les表示得分高于0.65。beplay2网页登陆

所以我采用了这种贴片+探测器的方法，并将其应用到汽车经过我家的视频中。我的直觉是，虽然跟踪汽车可能很棘手，但学习常规背景应该很容易。那我只需要追踪那些代表汽车的异常点。

而不是平铺整个视频，我只平铺了两行。每一排占据了一条车道。我追踪了异常点并计算了他们扫过视频所花的时间。这些时间让我估计一下车速。

通过跟踪异常团块，该系统对个别瓦片探测器偶然失败的情况更加稳健。此外，正如预期的那样，探测器帮助忽略了常见的运动，比如前景中摇曳的小树。

这样的方法远非完美。它可能会被变道、自行车或高大的卡车(它们可以注册为两辆车或遮挡其他汽车)混淆。

尽管如此，考虑到它的简单性，我还是惊喜地发现它做得很好。偶尔对探测器进行再训练，它还能处理阴影和变化的光照条件。在某些情况下，它追踪车辆，即使我很难找到他们。信不信由你，这张照片里有一辆车:

因此，我用一个网络摄像头安装了一个可通行的车辆计数器/速度检测器。为了完成这个项目，我收集了一个典型的周六下午的车辆速度。结果让我大吃一惊。

我认为超速驾驶比实际情况要普遍得多。事实上，重要的超速驾驶（我认为是30+英里/小时）只占总数的3%左右。所以我已经尽了最大努力发脾气．没有这些数据，我只是又一个确认偏见的受害者。

对于clojure友好和好奇的人，请随意查看GitHub上的项目．