FenixEdu™

Dissertação

{en_GB=City Cam: Similarity based classification of vehicle count time series} {} EVALUATED

Detalhes: {pt=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., en=Classification of traffic patterns based on images. With a rise of utilization of vehicles in an urban context it also becomes increasingly important to be able to understand how traffic density varies in time. Traffic surveillance cameras are a widespread and relatively cheap tool that can be used to analyse these traffic patterns. Image processing in a traffic context presents its own challenges. We propose a method of converting the sequence of images acquired by traffic cameras into traffic state classification. The main contribution of this work is the application of Sparse Subspace Clustering algorithm to describe the traffic flow. Vehicle counts are first extracted from the images. Vehicle density estimation through deep learning is employed to avoid using detection methods. The sequence of vehicle counts, segmented in same sized intervals, is fed to an optimization program which returns a sparse subspace representation of the data. This alternative representation allows the definition of a similarity measure. Considering a segment of vehicle counts as a node, and the similarity between two nodes being the weight of an edge connecting them, the data can be viewed as a graph. We apply spectral clustering to this graph to obtain classifications. The error values returned in the optimization program are indicators of how unique a segment is, easing the detection of anomalies in traffic density patterns. There is no metric to analyze the results of this process, so a qualitative analysis is performed to evaluate the obtained results}
Keywords: {pt=trânsito, imagem, estimação de densidade, sparse subspace clustering, sub-espaço, classificação, en=traffic, image, density estimation, sparse subspace clustering, subspace representation, classification}

Discussão: novembro 15, 2021, 8:0