FenixEdu™

Dissertação

{en_GB=Vehicle Counting with Object Detection on Traffic Webcams} {} EVALUATED

Detalhes: {pt=À medida que a população residente em áreas urbanas vai aumentando, vai se tornando cada vez mais necessário o estudo e compreensão do trânsito das cidades. Muitas cidades têm investido na instalação de Sistemas de Transporte Inteligente (ITS) para este propósito. As câmaras de trânsito constituem um dos sensores mais comuns nas ITS e são utilizadas para fins de análise e monitorização. Dentro dos métodos capazes de analisar imagens de trânsito de baixa resolução, a Detecção de Objectos é uma abordagem de interesse e raramente adaptada a esta aplicação. Neste trabalho vamos utilizar um detector de objectos de topo, o Faster-RCNN, e adaptá-lo a imagens de baixa resolução obtidas por câmaras de trânsito. As aplicações tradicionais deste tipo de detector de objectos apresentam fortes diferenças face à aplicação que aqui pretendemos efectuar. Estas diferenças causam a principal dificuldade desta abordagem e são mencionadas ao longo deste trabalho. No dataset de trânsito de baixa resolução utilizado, a nossa implementação da Faster-RCNN obteve uma mean Average Precision (mAP) de 70%. Esta mAP é 10% ou 20% superior que a mAP obtida por outros detectores de objectos state-of-the-art nas mesmas condições de teste. Também realizámos testes noutro dataset de imagens de trânsito. Neste, a nossa implementação produziu resultados comparáveis aos obtidos através de calculo da densidade, uma técnica standard para a contagem de objectos, incluindo veículos., en=As the population residing in urban areas continues to grow, the need for understanding the traffic flow of a city is becoming increasingly more essential. Several cities have invested in the installation and deployment of Intelligent Transportation Systems (ITS). Some of the most commonly used sensors in ITS are traffic cameras used for analysis and monitoring purposes. Among the existing methods that can perform this analysis based on low-resolution camera footage, Object Detection is a compelling and yet to be specifically adapted approach. In this work, we are using a state-of-the-art general object detector, Faster-RCNN, and adapting it to real-world low-resolution traffic footage. The traditional applications of this type of object detectors present considerable differences to our intended application on traffic data. These differences pose the main challenge of this approach and are mentioned throughout our work. On the low-resolution traffic dataset we are using, our implementation of Faster-RCNN achieved a mean Average Precision (mAP) of 70%. Other state-of-the-art general object detectors achieved results 10% or 20% lower on the same testing conditions. In another traffic dataset, our approach achieved results comparable to those achieved by density estimation, a standard object and vehicle counting technique.}
Keywords: {pt=Contagem de Veículos, Detecção de Objectos, CNNs, Monitorização de Trânsito, en=Vehicle Counting, Object Detection, CNNs, Traffic Monitoring}

Discussão: outubro 7, 2020, 10:30