Clasificación y conteo vehícular mediante análisis de imágenes.

Juan Fernando Segarra-López; Juan Carlos Cobos-Torres

doi:10.56048/MQR20225.6.4.2022.313-334

Autores/as

Juan Fernando Segarra-López UNIVERSIDAD CATÓLICA DE CUENCA https://orcid.org/0000-0001-9324-604X
Juan Carlos Cobos-Torres UNIVERSIDAD CATÓLICA DE CUENCA

DOI:

https://doi.org/10.56048/MQR20225.6.4.2022.313-334

Palabras clave:

Conteo Vehicular, Tráfico Vehicular, Inteligencia Artificial, Reconocimiento de Objetos, Visión por Computadora.

Resumen

Este trabajo propone un algoritmo capaz de analizar una muestra de video (grabación) o video en tiempo real del tránsito vehicular, el modelo final es capaz de diferenciar, clasificar y contar 3 tipos de vehículos utilizando conceptos fundamentales de inteligencia artificial y visión por computadora, con bibliotecas de código abierto; TensorFlow para la inteligencia artificial y OpenCV para la visión artificial. La metodología utilizada puede dividirse fundamentalmente en tres pasos; adquisición de datos (creando una base de datos propia con modelos de vehículos que transitan en los puntos de la ciudad utilizados para este proyecto), el desarrollo de la red (basado en un modelo de red conocido como AlexNet, una red neuronal convolucional muy utilizada en proyectos de imagen clasificación con resultados probados y confiables) y finalmente el procesamiento de la información (con una subrutina final, a través de la cual se extraen las imágenes de objetos en movimiento detectados en el video para luego contarlos y clasificarlos según su tipo). Los resultados obtenidos superan el noventa por ciento de efectividad si se contrastan con metodologías manuales, estos resultados han sido analizados en diferentes casos separados por horarios: por la mañana, por la tarde y por la noche; donde a pesar de que cambia la luminosidad y el flujo vehicular, se concluye que el modelo es robusto y puede ser llevado a producción en la industria privada o pública.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Cited

DOI: 10.56048

Citas

Abadi, M., Barham, P., Chen, J., Chen Z., Davis A., Dean J., Devin M., Ghemawat S., Irving G., Isard M., Kudlur M., Levenberg J., Monga R., Moore S., Murray D., Steiner B., Tucker P., Vasudevan V., Warden Pete, Wicke M., Yu Y., Zheng, X. (2016). TensorFlow: A system for large-scale machine learning.

Anandhalli, M., Baligar, V. (2018). A novel approach in real-time vehicle detection and tracking using Raspberry Pi. Alexandria engineering journal, 57(3), pp. 1597-1607. Elsevier.

Anandhalli, M., Baligar, V., (2015). Improvised approach using background subtraction for vehicle detection. in Advance Computing Conference (IACC). IEEE International, vol., no., pp.303-308, 12-13 June 2015. DOI: 10.1109/IADCC.2015.7154719.

Anandhalli, M., Baligar, V., Baligar, P. Deepsir, P., Iti M. (2021). Vehicle detection and tracking for traffic management.

Antoniou, C., Balakrishna, R. & Koutsopoulos, H.N. (2011). A Synthesis of emerging data collection technologies and their impact on traffic management applications. Eur. Transp. Res. Rev. 3, 139–148.

Chen L., Ye F., Y Ruan Y., Fan, H. and Chen, Q. (2018). An algorithm for highway vehicle detection based on convolutional neural network.

Chungy, Eric, Davisy, John, Lee, Jaewon. (2014). LINQits: Big Data on Little Client.

Guillaume, L. (2008). Road Traffic Data: Collection Methods and Applications.

Krizhevsky, A., Sutskever, I., Hinton, G. (2017). ImageNet Classification with Deep Convolutional Neural Networks.

Li Y., Li, B., Tian, B., Yao Q. (2013). Vehicle Detection Based on the and-or Graph for Congested Traffic Conditions in Intelligent Transportation Systems, IEEE Transactions on, vol.14, no.2, pp.984-993. DOI: 10.1109/TITS.2013.2250501.

Lippmann, R.P. (1987). An introduction to computingwith neural nets. IEEE Accost. Speech Signal Process. Mag., April: 4-22.

Lopes, J., Bento, J., Huang, E., Antoniou, C. and Ben-Akiva M. (2008). Traffic and Mobility Data Collection for Real-Time Applications.

Maind, S., Wankar, P. (2014). Research paper on basic of artificial neural network. International Journal on Recent and Innovation Trends in Computing and Communication, 2(1):96–100.

Mejía, I., (2017). Análisis y propuesta de solución integral al congestionamiento vehicular que se produce en la Av. 24 de Mayo y Vía al Valle, de la ciudad de Cuenca. [pag 19-21].

Pico L. (2017). Sistema para conteo y clasificación vehicular en tiempo real implementado en una plataforma embebida ARM.

R. Phadnis, J. Mishra and S. Bendale, "Objects Talk-Object Detection and Pattern Tracking Using TensorFlow," 2018 Second International Conference on Inventive Communication and Computational Technologies (ICICCT), Coimbatore, 2018, pp. 1216-1219, doi: 10.1109/ICICCT.2018.8473331.

Renjun Lin, Xianbin Cao, Yanwu Xu, Changxia Wu, Hong Qiao, "Air-borne moving vehicle detection for video surveillance of urban traffic," in Intelligent Vehicles Symposium, 2009 IEEE, pp.203-208, 2009. DOI: 10.1109/IVS.2009.5164278.

Segarra, R. (2022). Diseño de un sistema de parking automático mediante técnicas de visión artificial. [pag 40-41].

Ritchie, S. (2002). Real-Time Traffic Measurement from Single Loop Inductive Signatures.

Tan, Q., Wang, J., David, A. (2088) Road Vehicle Detection and Classification from Very-High-Resolution Color Digital Orthoimagery based on Object-Oriented Method. International Geoscience and Remote Sensing Symposium (IGARSS). 4. IV - 475. 10.1109/IGARSS.2008.4779761.

Tian, B., Li, Y., Li, B., Wen D., (2014). Rear-View Vehicle Detection and Tracking by Combining Multiple Parts for Complex Urban Surveillance in Intelligent Transportation Systems. IEEE Transactions on, vol.15, no.2, pp.597-606DOI: 10.1109/TITS.2013.2283302.

Zheng, H., Li L. (2007). An Artificial Immune Approach for Vehicle Detection from High Resolution Space Imagery.

Zheng, Z., Zhou, G., Wang, Y., Liu Y., Li, X., Wang, X., and Jiang, L., (2013). A Novel Vehicle Detection Method with High Resolution Highway Aerial Image.