Classificação automática do estado do trânsito baseada em contexto global

• Ano de defesa: 2012
• Autor(a) principal: Sobral, Andrews Cordolino
• Orientador(a): Schnitman, Leizer
• Banca de defesa: Lima, Antonio Cezar de Castro, Galvão, Roberto Kawakami Harrop
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal da Bahia. Escola Politécnica
• Programa de Pós-Graduação: Mecatrônica
• País: brasil
• Palavras-chave em Português: Trânsito; Controle eletrônico; Levantamentos de trânsito
• Link de acesso: http://repositorio.ufba.br/ri/handle/ri/13300

Atualmente, sistemas inteligentes utilizados para monitora ção de tr afego urbano têm sido adotados com maior frequência. As solu ções tradicionais produzem estat ísticas atrav és da detec ção e contagem individual de veí culos presentes no trânsito. Por em, estes sistemas comumente falham, especialmente em cenas que possuem uma grande quantidade de ve cuílos em movimento (e.g. alto congestionamento) por conta do aumento da oclusão entre os ve ículos. Muitas vezes a oclusão acaba prejudicando a predi çãao exata da quantidade de veí culos presentes na cena e a correta identi ca ção do real estado do trânsito. M étodos alternativos analisam o v ídeo de forma global considerando o trânsito como uma unica entidade { nuvem ou aglomerado de veí culos que possuem um comportamento único. Atrav és da an álise do comportamento da nuvem de veí culos, os m étodos baseados em contexto global procuram extrair informa ções relevantes tais como a densidade, velocidade,localiza ção e sentido dos veí culos presentes na cena, favorecendo a identi fica ção do real estado do trânsito. Considerando esta abordagem, o presente trabalho propõe um método para classi fica ção do estado do trânsito. Para determinar o estado do trânsito, optou-se por utilizar duas propriedades para classi ficar o trânsito em três n veis de congestionamento: baixo, m édio e alto. Tais propriedades são representadas pela densidade m édia da nuvem de ve ículos e sua respectiva velocidade m edia. Estas duas propriedades são combinadas em um vetor de caracterí sticas que foi utilizado para compor o conjunto de treinamento. Os resultados experimentais demonstram uma taxa de acerto de 94,5% em um conjunto de 254 ví deos de trânsito utilizando redes neurais arti ficiais.