Low computational-complexity algorithm for theestimation of traffic parameters using spatio-temporal images and convolutional neural networks for real-time traffic monitoring
Date
2019Les auteurs
Poullain, Guillaume Gabriel HervéDirecteur
Calderon Bocanegra, Francisco CarlosÉditeur
Pontificia Universidad Javeriana
Faculté
Facultad de Ingeniería
Programme
Ingeniería Electrónica
Titre obtenu
Ingeniero (a) Electrónico
Type
Tesis/Trabajo de grado - Monografía - Pregrado
Partager cet enregistrement
Citación
Metadata
Afficher la notice complète
Documents PDF
résumé
Este trabajo de grado presenta un nuevo método utilizando imágenes espacio-temporales para contar y clasificar en nueve objetos-clases, los objetos que cruzan una línea definida en la calle usando redes neuronales convolucionales. En primer lugar, presenta un algoritmo de etiquetado automático de las imágenes espacio-temporales utilizando un algoritmo de código abierto de la "secretaria de movilidad de Bogotá". El algoritmo de etiquetado permite crear un conjunto de datos, para entrenar diferentes redes convoluciones, en particular, redes llamado YOLO. Se presentan los resultados y parámetros de entrenamiento. Los modelos entrenados se utilizan para contar el número de objetos en cada imagen espacio-temporal para realizar el conteo de toda la prueba de video. Este método de conteo se compara con el conteo manual y el algoritmo de código abierto en términos de conteo y también en términos de tiempo de procesamiento.
Abstrait
This thesis presents a new method using spatio-temporal images to count and to classify in nine objects-classes objects crossing a defined line in the street using convolutional neural networks. Firstly, it presents an automatic labeling algorithm of the spatio-temporal images using an open-source algorithm of the "secretaria de movilidad de Bogota". The labeling algorithm allows creating a data set, to train different convolutional networks, in particular, YOLO networks. The results and parameters of training are presented. The trained models are then used to count the numbers of objects in each spatio-temporal imageto realize the counting for the whole video test. This counting method is compared with manual counting and the open-source algorithm in terms of counting and also in terms of processing time.
Mots-clés
Monitoreo del tráficoImágenes espacio - temporales
Redes neuronales convolucionales
YOLO
Visión por computador
Keywords
Traffic monitoringSpatio - temporal images
Convolutional neural networks
YOLO
Computer vision
Des thèmes
Ingeniería electrónica - Tesis y disertaciones académicasRedes neuronales (Computadores)
Visión por computador
Tráfico urbano
Google Analytics Statistics
Collections
- Ingeniería Electrónica [550]