Atribución-SinDerivadas 4.0 InternacionalEspinosa Oviedo, Jairo JoséEspinosa Oviedo, Jorge ErnestoArroyo Jiménez, José Nicolás2021-02-262021-02-262020-09-25https://repositorio.unal.edu.co/handle/unal/79313La situación de movilidad actual en las ciudades conlleva problemas como alta congestión vehicular, contaminación ambiental y requerimientos de infraestructura. El uso de sistemas inteligentes de transporte basados en video puede mitigar estos efectos a un relativo bajo costo. Para logralo el tráfico urbano debe ser discriminado a partir de tomas de video. La discriminación de tráfico urbano se divide en 3 tareas: detección, clasificación y seguimiento. Primero, se muestra un conjunto de datos que contiene anotaciones de distintos tipos de tráfico en tres escenarios. A continuación, se revisan técnicas de detección basadas en características de movimiento y apariencia, y se muestra los resultados de un experimento de detección de tráfico con estas. Luego, se revisan métodos de clasificación con algoritmos para la extracción de características y se muestra los resultados de un experimento con histogramas de gradientes orientados y máquinas de vectores de soporte. Después, se trata el tema de aprendizaje profundo para las tareas de detección y clasificación y se usan dos algoritmos en experimentos para detectar y clasificar distintos tipos de tráfico en diferentes escenarios urbanos. Finalmente, se revisan técnicas de seguimiento multiobjetivo y se experimenta con los resultados de detección obtenidos con los algoritmos de aprendizaje profundo.Current transportation situation in cities carry issues such as traffic jams, environmental pollution and infrastructure requirements. The use of intelligent transport systems based on video could mitigate negative impacts at a relatively low cost. To accomplish this, urban traffic must be discriminated from video captures. Urban traffic discrimination is divided into three tasks: detection, classification and tracking. First, a dataset with annotations of different types of vehicles on three different scenarios is detailed. Next, detection techniques based on motion features and on appearance features are reviewed, and the results of an experiment using detection techniques based on motion features are shown. Then, classification methods that use feature extraction algorithms and classifiers are reviewed. The results of an experiment that used histograms of oriented gradients and support vector machines for classification are shown. Afterwards, deep learning techniques for detection and classification are examined and evaluated with experiments using two algorithms on different urban scenarios. Finally, multi-objective tracking techniques are reviewed and tested on the results obtained with deep learning and the results are shown.139application/pdfengDerechos reservados - Universidad Nacional de Colombiahttp://creativecommons.org/licenses/by-nd/4.0/620 - Ingeniería y operaciones afines::629 - Otras ramas de la ingenieríaTrabajo de grado - MaestríaAcceso abiertoinfo:eu-repo/semantics/openAccessTraffic discriminationDiscriminación de tráficoDetección de vehículosVehicle detectionVehicle recognitionClasificación de vehículosSeguimiento de vehículosVehicle trackingAprendizaje profundoMultiple Object TrackingRedes neuronales convolucionalesDeep LearningSistemas inteligentes de transporteConvolutional neural networkIntelligent transport systems