Sistema de monitoreo y clasificación de tráfico urbano en tiempo real a través de procesamiento digital de imágenes
Author
Type
Trabajo de grado - Maestría
Document language
EspañolPublication Date
2018-02-11Metadata
Show full item recordSummary
Este documento presenta el proceso de diseño de un algoritmo de análisis de tráfico a través de procesamiento digital de imágenes, enfocado a la detección, seguimiento y clasificación de vehículos en vías urbanas, para realizar la medición de volumen de tráfico. Se realizó un estado del arte, a partir del cual se seleccionó un conjunto de algoritmos a probar para cada una de las secciones descritas. A partir de éstas pruebas se seleccionó un clasificador en cascada con características HAAR para la detección de carros y motocicletas de forma independiente, un filtro de Kalman para el seguimiento, y clasificación por color para taxis y una red neuronal convolucional (CNN) para clasificar los demás vehículos en bus, microbus, minivan, sedan, SUV y camión. La detección y conteo de carros de forma general y motocicletas presentó una precisión de alrededor del 95% en un condiciones climáticas promedio, y disminuyó alrededor del 75% con sol excesivo o al acercarse la noche. La detección de taxis entregó precisiones cercanas al 90% con la luz del día, disminuyendo al 66% al acercarse la noche. La clasificación detallada realizada por la CNN presentó precisiones promedio entre el 70% y el 80%, cambiando de igual manera por las condiciones de clima y luz. El costo computacional del algoritmo es lo suficientemente bajo como para ser implementado en un sistema embebido de bajo costo, permitiendo realizar procesamiento de forma local.Summary
Abstract: This document presents the process of designing a traffic analysing algorithm through digital image processing, focused on the detection, tracking and classification of vehicles on urban roads, in order to perform the measurement of traffic volume. A state of the art was made, to select a set of algorithms to be tested for each of the sections described before. From these tests, a cascade classifier with HAAR characteristics was selected for the detection of cars and motorcycles independently, a Kalman filter for tracking, and color classification for taxis and a convolutional neural network (CNN) to classify the other vehicles by bus, microbus, minivan, sedan, SUV and truck. The detection and counting of general cars and motorcycles presented a precision of around 95% in typical weather conditions, and decreased around 75% with excessive sunlight or at nightfall. The detection of taxis had precisions close to 90% with daylight, decreasing to 66% at nightfall. The detailed classification made by CNN presented average accuracies between 70% and 80%, changing, as the previous cases, due to weather and light conditions. The computational cost of the algorithm is low enough to be implemented in a low-cost embedded system, allowing local processing.Keywords
Collections
