FenixEdu™

Dissertação

City Cam: Similarity based classification of vehicle count time series EVALUATED

Detalhes: Classificação de padrões de trânsito baseado em imagens. Com o aumento da utilização de veículos também se torna cada vez mais importante compreender como a densidade de trânsito varia com o tempo. Câmaras são ferramentas bastante difundidas e baratas que podem ser usadas com o intuito de analisar estes padrões de trânsito. Mas o processamento de imagem, no contexto de trânsito, tem dificuldades associadas. A principal contribuição deste trabalho é a aplicação do algoritmo de Sparse Subspace Clustering para caracterização do fluxo de veículos. Propomos um método para converter sequências de imagens capturadas por câmaras em classificações de estado do trânsito. A contagem de veículos é extraída da imagem. Usa-se "deep learning" para obter estimativas de densidade de veículos numa imagem. A sequência de contagem de veículos, segmentada em partes de tamanho igual, é processada por um programa de optimização que devolve uma representação esparsa em sub-espaços dos dados. Esta representação dos dados permite a definição de uma métrica de semelhança. Considerando um segmento de contagens de veículos como sendo um nodo, e a semelhança entre dois nodos sendo o peso da aresta que os liga, a nova representação pode ser usada como um grafo. Aplicamos spectral clustering a este grafo de modo a obter classificações. O erro retornado no programa de optimização é indicador de quão singular um segmento é, facilitando detecção de anomalias em padrões de densidade de trânsito. Não havendo métricas para análise dos resultados deste processo, fez-se uma análise qualitativa para poder avaliar os resultados obtidos.
Keywords: trânsito, imagem, estimação de densidade, sparse subspace clustering, sub-espaço, classificação

Discussão: novembro 15, 2021, 8:0