Instituição: Universidade Federal da BahiaCurso: Mestrado em MecatrônicaAluno: Andrews SobralOrientador: Leizer SchnitmanC...
   Introdução   Métodos de Análise de Tráfego     Soluções Tradicionais e Holísticas   Método Proposto   Avaliação do...
Secretaria de Transporte e Trânsito de Vila Velha                 Espírito Santo                                          ...
http://www.salvador.ba.gov.br/paginas/transito                 aovivo.aspx                                                 4
Abordagem Tradicional                        5
   Abordagem Tradicional     Abordagem Bottom-up                                  Buch et al. (2011)     Abordagem Top-...
e.g:SIFT (Scale-Invariant Feature Transform) de Lowe (1999)SURF (Speeded Up Robust Feature ) de Bay et al. (2008)HOG (Hist...
e.g:                                                                               Frame Difference                       ...
Sistema da AgilityVideo (2012) para contagem de veículos.   Sistema da VaxtorSystems (2012) para estimativa de velocidade ...
Aglomerações de Veículos                           10
Abordagem Holística                      11
   Análise de Aglomerados                               Junior et al. (2010)          Vídeo                      Nuvem de...
Sistema comercial da ObjectVideo                                                (2012) para classificação do     Classific...
IntroduçãoCritérios e Limitações                         14
2                                                                 41                                           3          ...
Chan e Vasconcelos (2005)                            48x48 pixelsDerpanis e Wildes (2011)                                 ...
Processo de Subtração de FundoAvaliação dos Métodos de Subtração de Fundo    Segmentação da Nuvem de VeículosEstimação da ...
n : índice do frame, n Є [1,N] | N : qt total de frames.T : limiar (e.g. qt necessária de frames para gerar um modelo adeq...
19
   Algoritmos selecionados:                               20
   Base de dados:     ChangeDetection de Goyette et al. (2012)     Cenas indoor e outdoor     31 vídeos (~ 90.000 fram...
    Métricas:                   Melhor desempenho = menor rank (GOYETTE et al., 2012)Legenda:TP – True Positive, qt. de p...
   Categoria baseline   Pessoas e veículos em movimento.                         Pequenas variações de luminosidade e som...
   Categoria dyn. bkg   Plano de fundo dinâmico.                         Pessoas, veículos e objetos em movimento.   Cat...
   Categoria shadow   Sombras fortes.                       Pessoas, veículos e objetos em movimento.                    ...
   Desempenho geral                       26
27
28
29
Processo de RastreamentoEstimação da Velocidade da Nuvem de Veículos                                               30
   Formas de representação de objetos:       Cor       Textura       Bordas       PDF       Modelos                 ...
     Método KLT          Kanade-Lucas-Tomasi                  Extrator de Características                      Shi e Tom...
35
36
Características ExtraídasMétodos de Classificação                            37
38
39
   Algoritmos selecionados:     K-NN (K-Nearest Neighbor)     NBC (Naive Bayes Classifier)     MLP (MultiLayer Percept...
41
   Base de dados:     UCSD traffic dataset de Chan e Vasconcelos (2005)     Resolução de 320x240 RGB     254 vídeos de...
http://www.svcl.ucsd.edu/projects/traffic/   43
44
45
   Validação Cruzada                        46
47
48
Avaliação dos Classificadores K-NN, NBC, MLP e SVM                                                     49
50
Em média, o classificador K-NN obteve 92.925% de acertos   51
52
Em média, o classificador NBC obteve 92.95% de acertos   53
54
Em média, o classificador MLP obteve 94.5% de acertos   55
56
Em média, o classificador SVM obteve 92.95% de acertos   57
58
59
60
61
62
   Trânsito sem Veículos vs Trânsito com Veículos Parados     Para inicializar o modelo do plano de fundo, o método Mult...
   Avaliação com vídeos noturnos e outros dataset’s.   Detecção de aglomerados de veículos utilizando apenas informações...
   O presente trabalho foi aceito para publicação no 10th IASTED    International Conference on Signal Processing, Patter...
66
67
68
   BUCH, N.; VELASTIN, S.; ORWELL, J. A review of computer vision techniques for the analysis of urban traffic. IEEE    T...
   SAXENA, S.; BREMOND, F.; THONNAT, M.; MA, R. Crowd behavior recognition for video surveillance. In: Proceedings of    ...
Próximos SlideShares
Carregando em…5
×

Classificação Automática do Estado do Trânsito Utilizando Propriedades Holísticas

615 visualizações

Publicada em

Trabalho apresentado ao Programa de Pós-Graduação em Mecatrônica da Universidade Federal da Bahia como requisito parcial para obtenção do grau de Mestre em Mecatrônica.
Maiores informações:
http://on.be.net/SWcCYo
https://repositorio.ufba.br/ri/handle/ri/13300

Publicada em: Tecnologia
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
615
No SlideShare
0
A partir de incorporações
0
Número de incorporações
2
Ações
Compartilhamentos
0
Downloads
13
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Classificação Automática do Estado do Trânsito Utilizando Propriedades Holísticas

  1. 1. Instituição: Universidade Federal da BahiaCurso: Mestrado em MecatrônicaAluno: Andrews SobralOrientador: Leizer SchnitmanCo-orientador: Luciano Oliveira 1
  2. 2.  Introdução Métodos de Análise de Tráfego  Soluções Tradicionais e Holísticas Método Proposto Avaliação dos algoritmos de subtração de fundo Avaliação dos algoritmos de classificação Resultados e Considerações Finais 2
  3. 3. Secretaria de Transporte e Trânsito de Vila Velha Espírito Santo 3
  4. 4. http://www.salvador.ba.gov.br/paginas/transito aovivo.aspx 4
  5. 5. Abordagem Tradicional 5
  6. 6.  Abordagem Tradicional  Abordagem Bottom-up Buch et al. (2011)  Abordagem Top-down KNN, SVM, ANN, ... Filtro de Kalman, Partículas, ... 6
  7. 7. e.g:SIFT (Scale-Invariant Feature Transform) de Lowe (1999)SURF (Speeded Up Robust Feature ) de Bay et al. (2008)HOG (Histogram of Oriented Gradients) de Dalal e Triggs (2005)Haar wavelet de Papageorgiou et al. (1998) Alguns trabalhos que utilizam a abordagem bottom-up: Cheng e Chen (2011), Lan e Zhang (2010), Thi et al. (2008),Haar-like de Viola e Jones (2001) Acunzo et al. (2007) Alefs (2006) 7
  8. 8. e.g: Frame Difference Mean Background de Lai e Yung (1998)Alguns trabalhos que utilizam a abordagem top-down: Gaussian Average de Wren (1997)Mithun et al. (2012), Lai et al. (2010), Buch et al. (2010), Monteiro et al.(2008), Morris e Trivedi (2006), Hsieh et al. (2006), Gaussian Mixture Model of Stauffer e Grimson (1999),JunFang et al. (2011) e Luo e Zhu (2010) Zivkovic (2004), Baf et al (2008), Zhao et al (2012) 8
  9. 9. Sistema da AgilityVideo (2012) para contagem de veículos. Sistema da VaxtorSystems (2012) para estimativa de velocidade de veículos. Sistema da I2V (2012) para contagem de veículos por Sistema da VCA (2012) para detecção, rastreamento e classificação de classificação veículos 9
  10. 10. Aglomerações de Veículos 10
  11. 11. Abordagem Holística 11
  12. 12.  Análise de Aglomerados Junior et al. (2010) Vídeo Nuvem de Veículos Trabalhos relacionados à análise de tráfego Porikli e Li (2004) – DCT e vetores de fluxo MPEG Chan e Vasconcelos (2005) – modelo ARMA Lee e Bovik (2009) – hist. vetores fluxo óptico Derpanis e Wildes (2011) – filtro 3D + fourrier Densidade • Subtração de Fundo Principais Atributos Velocidade • Fluxo Óptico Saxena et al. (2008), Zhan Direção e Sentido • Análise da Textura, Cor e Borda et al. (2008;) e Junior et al. • Análise no Domínio da Frequência (2010) Localização 12
  13. 13. Sistema comercial da ObjectVideo (2012) para classificação do Classificação baseada no modelo estado do trânsito.autoregressivo ARMA de Chan e Vasconcelos (2005) 13
  14. 14. IntroduçãoCritérios e Limitações 14
  15. 15. 2 41 3 Critérios e Limitações Câmeras estáticas Vias em sentidos opostos Vias locais e coletoras Cenas noturnas Cruzamentos e intervenções de nível 15
  16. 16. Chan e Vasconcelos (2005) 48x48 pixelsDerpanis e Wildes (2011) 16
  17. 17. Processo de Subtração de FundoAvaliação dos Métodos de Subtração de Fundo Segmentação da Nuvem de VeículosEstimação da Densidade da Nuvem de Veículos 17
  18. 18. n : índice do frame, n Є [1,N] | N : qt total de frames.T : limiar (e.g. qt necessária de frames para gerar um modelo adequado do plano de fundo). 18
  19. 19. 19
  20. 20.  Algoritmos selecionados: 20
  21. 21.  Base de dados:  ChangeDetection de Goyette et al. (2012)  Cenas indoor e outdoor  31 vídeos (~ 90.000 frames)  06 categorias ▪ baseline, jitter, dynamic background, intermitent object motion, shadow, thermal http://www.changedetection.net/ 21
  22. 22.  Métricas: Melhor desempenho = menor rank (GOYETTE et al., 2012)Legenda:TP – True Positive, qt. de pixels do primeiro plano classificados como primeiro plano.FP – False Positive, qt. de pixels do segundo plano que foram classificados como primeiro plano.TN – True Negative, qt. de pixels do segundo plano que foram classificados como segundo plano .FN – False Negative, qt. de pixels do primeiro plano que foram classificados como segundo plano. 22
  23. 23.  Categoria baseline Pessoas e veículos em movimento. Pequenas variações de luminosidade e sombras. Categoria camera jitter Oscilações na câmera. Perda de foco. 23
  24. 24.  Categoria dyn. bkg Plano de fundo dinâmico. Pessoas, veículos e objetos em movimento. Categoria int.obj.motion Objetos que param repentinamente. Pequenas variações de luminosidade e sombras. 24
  25. 25.  Categoria shadow Sombras fortes. Pessoas, veículos e objetos em movimento. 25
  26. 26.  Desempenho geral 26
  27. 27. 27
  28. 28. 28
  29. 29. 29
  30. 30. Processo de RastreamentoEstimação da Velocidade da Nuvem de Veículos 30
  31. 31.  Formas de representação de objetos:  Cor  Textura  Bordas  PDF  Modelos 31
  32. 32.  Método KLT  Kanade-Lucas-Tomasi Extrator de Características Shi e Tomasi (1994) Fluxo Óptico Lucas e Kanade (1981) Bouguet (2000) (a) Dois frames consecutivos. (b) Extração de pontos do primeiro frame. Tmax = 500 e Tmin = 50 (c) Rastreamento dos pontos no frame seguinte. (d) Filtragem dos pontos cujo deslocamento é infeior à um limiar. Tlim = 3 pixelsTambém utilizado em análise de agromerados nos trabalhos de:Saxena et al. (2008), Santoro et al. (2010), Rodriguez et al. (2011) e He e Liu (2012) 34
  33. 33. 35
  34. 34. 36
  35. 35. Características ExtraídasMétodos de Classificação 37
  36. 36. 38
  37. 37. 39
  38. 38.  Algoritmos selecionados:  K-NN (K-Nearest Neighbor)  NBC (Naive Bayes Classifier)  MLP (MultiLayer Perceptrons)  SVM (Support Vector Machine) 40
  39. 39. 41
  40. 40.  Base de dados:  UCSD traffic dataset de Chan e Vasconcelos (2005)  Resolução de 320x240 RGB  254 vídeos de 42 a 52 frames por vídeo (10 FPS, 4~5seg por vídeo)  Anotações especificando: ▪ Nível de congestão (alto, médio e baixo), clima (ensolarado, chuvoso ou nublado), # de frames, ... http://www.svcl.ucsd.edu/projects/traffic/ 42
  41. 41. http://www.svcl.ucsd.edu/projects/traffic/ 43
  42. 42. 44
  43. 43. 45
  44. 44.  Validação Cruzada 46
  45. 45. 47
  46. 46. 48
  47. 47. Avaliação dos Classificadores K-NN, NBC, MLP e SVM 49
  48. 48. 50
  49. 49. Em média, o classificador K-NN obteve 92.925% de acertos 51
  50. 50. 52
  51. 51. Em média, o classificador NBC obteve 92.95% de acertos 53
  52. 52. 54
  53. 53. Em média, o classificador MLP obteve 94.5% de acertos 55
  54. 54. 56
  55. 55. Em média, o classificador SVM obteve 92.95% de acertos 57
  56. 56. 58
  57. 57. 59
  58. 58. 60
  59. 59. 61
  60. 60. 62
  61. 61.  Trânsito sem Veículos vs Trânsito com Veículos Parados  Para inicializar o modelo do plano de fundo, o método MultiLayer, requer que os veículos presentes na cena não estejam parados.  Mesmo havendo um modelo do plano de fundo prévio e adequado, o algoritmo de subtração de fundo precisa atualizá-lo com uma certa taxa de aprendizado. Se os veículos ficarem parados por um longo período de tempo e, dependendo da taxa de aprendizado, o algoritmo poderá incluí-los no modelo causando uma divergência com a realidade (quantidade real de veículos presentes na cena). Resultados compatíveis com os trabalhos de Chan e Vasconcelos (2005) e Derpanis e Wildes (2011). Taxa de acertos:  90.90% dos vídeos com alta congestão.  84.44% dos vídeos com média congestão.  98.18% dos vídeos com baixa congestão. 63
  62. 62.  Avaliação com vídeos noturnos e outros dataset’s. Detecção de aglomerados de veículos utilizando apenas informações de aparência. Testes com novos métodos de rastreamento e subtração de fundo. 64
  63. 63.  O presente trabalho foi aceito para publicação no 10th IASTED International Conference on Signal Processing, Pattern Recognition and Applications (SPPRA’2013) que será realizado nos dias 12 à 14 de Fevereiro de 2013 em Innsbruck, Austria (SOBRAL et al., 2012). 65
  64. 64. 66
  65. 65. 67
  66. 66. 68
  67. 67.  BUCH, N.; VELASTIN, S.; ORWELL, J. A review of computer vision techniques for the analysis of urban traffic. IEEE Transactions on Intelligent Transportation Systems (ITS11), v. 12, n. 3, p. 920{939, sept. 2011. CHAN, A.; VASCONCELOS, N. Classification and retrieval of traffic video using auto-regressive stochastic processes. In: IEEE Intelligent Vehicles Symposium, 2005. p. 771-776. DERPANIS, K. G.; WILDES, R. P. Classification of traffic video based on a spatiotemporal orientation analysis. In: Proceedings of the 2011 IEEE Workshop on Applications of Computer Vision (WACV). Washington, DC, USA: IEEE Computer Society, 2011. (WACV11), p. 606-613. ISBN 978-1-4244-9496-5. JUNIOR, J. J.; MUSSE, S.; JUNG, C. Crowd analysis using computer vision techniques. IEEE Signal Processing Magazine, v. 27, n. 5, p. 6677, sept. 2010. LUCAS, B. D.; KANADE, T. An iterative image registration technique with an application to stereo vision. In: Proceedings of the 7th international joint conference on Artificial intelligence - Volume 2. [S.l.: s.n.], 1981. p. 674-679. LEE, J.; BOVIK, A. Estimation and analysis of urban traffic flow. In: 16th IEEE International Conference on Image Processing (ICIP09). [S.l.: s.n.], 2009. p. 1157-1160. ISSN 1522-4880. SANTORO, F.; PEDRO, S.; TAN, Z.-H.; MOESLUND, T. B. Crowd analysis by using optical flow and density based clustering. Proceedings of the European Signal Processing Conference (EUSIPCO), European Association for Signal Processing (EURASIP), v. 18, p. 269{273, 2010. ISSN 2076-1465. 69
  68. 68.  SAXENA, S.; BREMOND, F.; THONNAT, M.; MA, R. Crowd behavior recognition for video surveillance. In: Proceedings of the 10th International Conference on Advanced Concepts for Intelligent Vision Systems. Berlin, Heidelberg: Springer- Verlag, 2008. (ACIVS08), p. 970-981. ISBN 978-3-540-88457-6. SENST, T.; EISELEIN, V.; SIKORA, T. Robust local optical flow for feature tracking. IEEE Transactions on Circuits and Systems for Video Technology, 2012. SHI, J.; TOMASI, C. Good features to track. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR94). [S.l.: s.n.], 1994. p. 593-600. ISSN 1063-6919. SOBRAL, A.; OLIVEIRA, L.; SCHNITMAN, L.; SOUZA, F. D. Highway traffic congestion classification using holistic properties. 10th IASTED International Conference on Signal Processing, Pattern Recognition and Applications (SPPRA2013), fev. 2013. YAO, J.; ODOBEZ, J. Multi-layer background subtraction based on color and texture. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR07), 2007. p. 1{8. YILMAZ, A.; JAVED, O.; SHAH, M. Object tracking: A survey. ACM Computing Surveys, ACM, New York, NY, USA, v. 38, n. 4, dec 2006. ISSN 0360-0300. ZHAN, B.; MONEKOSSO, D. N.; REMAGNINO, P.; VELASTIN, S. A.; XU, L.-Q. Crowd analysis: a survey. Machine Vision and Applications, v. 19, n. 5-6, p. 345-357, 2008. 70

×