Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
The Pedestrian Warning System – Detecting Pedestrians at Crosswalks with Machine Learning
KTH, School of Electrical Engineering and Computer Science (EECS).
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesis
Abstract [en]

Crosswalks are inherently dangerous points where pedestrians and vehicles have to share the same area. Traffic lights that indicate who should occupy the space at which time are great and can help minimize the danger. However, the traffic lights are not perfect they do not warn drivers about pedestrians only indicating if the drivers should go or not, in a perfect world this system would be enough, unfortunately not everyone will take orders from a traffic light. One could by incorporating known algorithms from the field of machine learning potentially create a system in the smart city to detect humans and warn drivers of their presence. Machine learning allows computers to learn without being explicitly programmed. This ability is useful for people recognition amongst many other things.

In this project a pedestrian warning system prototype has been developed. The pedestrian warning system is a control system operating with the aid of machine learning techniques and algorithms supplied from OpenCV. The traffic lights in smart cities today do not warn drivers that a pedestrian is at the crosswalk automatically. The pedestrian warning system in this thesis can in contrast using a linear classifier model called a support vector machine, identify a human in a picture and turn on lights when one is detected to alert drivers. The pedestrian warning system is most useful at uncontrolled crosswalks where there are no traffic lights but could still help at crosswalks with traffic lights.

Ultimately, the pedestrian warning system was able to detect a passing human in ideal conditions 82% of the time and only incorrectly identified other objects as human 3% of the time.

Abstract [sv]

Övergångsställen är farliga platser där fotgängare och fordon måste dela på vägen. Trafikljus hjälper till att minimera riskerna genom att indikera vems tur det är att använda vägen. Men trafikljus är inte perfekta, de har ingen koll om det finns fotgängare i närheten eller inte, de signalerar endast om föraren får köra eller inte. I en perfekt värld skulle detta vara tillräckligt men tyvärr så följer inte alla trafikljusens signaler. Man skulle genom att använda kända algoritmer från maskininlärning möjligtvis kunna skapa ett system i den smarta staden som kan upptäcka människor och varna förare för deras närvaro.

Maskininlärning ger datorer förmågan att lära sig utan att explicit blivit programmerade att göra det. Den här förmågan är användbar för att känna igen människor bland många andra saker.

I det här projektet har ett varningssystem för fotgängare utvecklats. Varningssystemet är ett kontrollsystem som drivs med hjälp av maskininlärningstekniker och algoritmer från OpenCV. Dagens trafikljus i smarta städer varnar inte automatiskt förare om det finns fotgängare vid övergångsställen. Varningssystemet i denna uppsats kan i kontrast genom att använda en linjär klassificeringsmodell, “support vector machine”, kolla efter en människa i en bild och endast tända varningsljusen ifall en blir igenkänd. Varningssystemet gör mest nytta vid obevakade övergångsställen där trafikljus inte förekommer men kan även hjälpa till vid övergångsställen med trafikljus.

Efter implementeringen så kunde varningssystemet detektera en människa, under ideala förhållanden, i 82% av fallen och bara felaktigt tro att andra objekt var människor 3% av alla gånger.

Place, publisher, year, edition, pages
2018. , p. 50
Series
TRITA-EECS-EX ; 2018:277
Keywords [en]
Smart cities, Machine learning, Crosswalk, Pedestrian warning system, Computer vision
Keywords [sv]
Smarta städer, Maskininlärning, Övergångsställe, Varningssystem för fotgängare, Datorseende
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-254330OAI: oai:DiVA.org:kth-254330DiVA, id: diva2:1330760
Subject / course
Information and Communication Technology
Educational program
Master of Science in Engineering - Information and Communication Technology
Supervisors
Examiners
Available from: 2019-06-26 Created: 2019-06-26 Last updated: 2019-06-26Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 40 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf