Vehicle Speed Estimation Based on Consecutive Frame Approaches using Regression Models and Deep Image Homography on Monocular Videos

Dea Angelia Kamil, Prof. Drs. Agus Harjoko, M.Sc., Ph.D.; Wahyono, S. Kom., Ph.D.

2025 | Disertasi | S3 Ilmu Komputer

Deteksi kecepatan kendaraan dikembangkan secara luas karena memiliki peran yang penting dalam mendukung regulasi batas kecepatan untuk manajemen lalu lintas. Dalam penelitian ini, estimasi kecepatan kendaraan terdiri dari empat tahapan inti yang meliputi deteksi kendaraan menggunakan YOLOv8, tracking kendaraan menggunakan ByteTrack, konversi jarak domain piksel ke bidang jalan di domain dunia nyata menggunakan jaringan transformasi deep image homography dan estimasi faktor skala, serta estimasi kecepatan kendaraan menggunakan pendekatan berurutan yang ditingkatkan menggunakan model regresi. Penelitian ini mengusulkan model estimasi kecepatan kendaraan baru berdasarkan consecutive frame, yang ditingkatkan menggunakan model regresi dan jaringan transformasi deep image homography untuk mengubah citra monokuler menjadi citra pandangan mata burung, yang dapat secara otomatis memperkirakan parameter intrinsik dan ekstrinsik kamera untuk mengoptimalkan hasil pengukuran dalam kondisi dunia nyata. Studi ini menyediakan dataset video primer baru, yang diambil di jembatan penyeberangan Fakultas Kedokteran Hewan Universitas Gadjah Mada dan jembatan penyeberangan Ambaramarga. Dataset ini berisi informasi kecepatan akurat yang diperoleh oleh sistem berbasis speed gun.

Berdasarkan studi eksperimental, model estimasi kecepatan kendaraan yang diusulkan menunjukkan kinerja yang baik. Model pertama yang diusulkan menggunakan Multiple Linear Regression menunjukkan kinerja terbaik dengan RMSE sebesar 2,37897 km/jam dan MAE sebesar 1,68977 km/jam. Dengan menganalisis perbandingan model regresi untuk meningkatkan metode pertama yang diusulkan, kami menyimpulkan bahwa model kedua dan ketiga yang diusulkan menunjukkan hasil terbaik dalam RMSE, yang dilakukan oleh ElasticNet Regression sebesar 2,27370 km/jam dengan peningkatan 4,42?n dalam MAE yang dilakukan oleh Lasso sebesar 1,44304 km/jam dengan peningkatan 14,60%.

Vehicle speed detection is widely developed because it is essential in applying speed limit regulations for traffic management. In this research, the vehicle speed estimation model consists of four main steps involving vehicle detection using YOLOv8, vehicle tracking using ByteTrack, converting the distance from the pixel domain to the road plane in the real-world domain using a deep image homography transformation network and scale factor estimation, and vehicle speed estimation using consecutive approach improved using the regression model. This research proposed a novel vehicle speed estimation model based on a consecutive frame approach, improved using regression models and a deep image homography transformation network for transforming the monocular image into a bird’s eye view image, which can automatically estimate the intrinsic and extrinsic camera parameters for optimizing the result of measurement in real-world conditions. This study provided a new primer video dataset, which was taken on the pedestrian bridge of the Faculty of Veterinary Medicine of Universitas Gadjah Mada and the Ambaramarga pedestrian bridge. This dataset contains accurate speed information obtained by a system based on a speed gun.

Based on the experimental study, the proposed vehicle speed estimation model performs well. The first proposed model using Multiple Linear Regression performed best in RMSE of 2.37897 km/h and MAE of 1.68977 km/h. By analyzing the comparison of the regression model to improve the first proposed method, we conclude that the second and third proposed models perform the best results in RMSE, performed by ElasticNet Regression of 2.27370 km/h with the improvement of 4.42% and in MAE performed by Lasso of 1.44304 km/h with the improvement of 14.60%.

Kata Kunci : Vehicle Speed Estimation, Homography Transformation, Computer Vision