Classificação automática do estado do trânsito baseada em contexto global
Ano de defesa: | 2012 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
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
|
Departamento: |
Não Informado pela instituição
|
País: |
brasil
|
Palavras-chave em Português: | |
Link de acesso: | http://repositorio.ufba.br/ri/handle/ri/13300 |
Resumo: | 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. |
id |
UFBA-2_eb944ba41e2bf5a91716981e9fe77bed |
---|---|
oai_identifier_str |
oai:repositorio.ufba.br:ri/13300 |
network_acronym_str |
UFBA-2 |
network_name_str |
Repositório Institucional da UFBA |
repository_id_str |
|
spelling |
Sobral, Andrews CordolinoSchnitman, LeizerOliveira, LucianoLima, Antonio Cezar de CastroGalvão, Roberto Kawakami Harrop2013-10-29T16:59:49Z2013-10-29T16:59:49Z2013-10-292012-12-19http://repositorio.ufba.br/ri/handle/ri/13300Atualmente, 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.Submitted by LIVIA FREITAS (livia.freitas@ufba.br) on 2013-10-29T16:59:33Z No. of bitstreams: 1 dissertacao_mestrado_andrews-sobral.pdf: 12939498 bytes, checksum: 704a2ed85ace914b87b98cfe77a6e38c (MD5)Approved for entry into archive by LIVIA FREITAS (livia.freitas@ufba.br) on 2013-10-29T16:59:48Z (GMT) No. of bitstreams: 1 dissertacao_mestrado_andrews-sobral.pdf: 12939498 bytes, checksum: 704a2ed85ace914b87b98cfe77a6e38c (MD5)Made available in DSpace on 2013-10-29T16:59:49Z (GMT). No. of bitstreams: 1 dissertacao_mestrado_andrews-sobral.pdf: 12939498 bytes, checksum: 704a2ed85ace914b87b98cfe77a6e38c (MD5)TrânsitoControle eletrônicoLevantamentos de trânsitoClassificação automática do estado do trânsito baseada em contexto globalinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal da Bahia. Escola PolitécnicaMecatrônicaUFBAbrasilinfo:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFBAinstname:Universidade Federal da Bahia (UFBA)instacron:UFBAORIGINALdissertacao_mestrado_andrews-sobral.pdfdissertacao_mestrado_andrews-sobral.pdfapplication/pdf12939498https://repositorio.ufba.br/bitstream/ri/13300/1/dissertacao_mestrado_andrews-sobral.pdf704a2ed85ace914b87b98cfe77a6e38cMD51LICENSElicense.txtlicense.txttext/plain1345https://repositorio.ufba.br/bitstream/ri/13300/2/license.txtff6eaa8b858ea317fded99f125f5fcd0MD52TEXTdissertacao_mestrado_andrews-sobral.pdf.txtdissertacao_mestrado_andrews-sobral.pdf.txtExtracted texttext/plain136319https://repositorio.ufba.br/bitstream/ri/13300/3/dissertacao_mestrado_andrews-sobral.pdf.txt52c2c77781ee96d2dfd59adcbb3b69eaMD53ri/133002022-02-20 21:58:45.66oai:repositorio.ufba.br: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Repositório InstitucionalPUBhttp://192.188.11.11:8080/oai/requestopendoar:19322022-02-21T00:58:45Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA)false |
dc.title.pt_BR.fl_str_mv |
Classificação automática do estado do trânsito baseada em contexto global |
title |
Classificação automática do estado do trânsito baseada em contexto global |
spellingShingle |
Classificação automática do estado do trânsito baseada em contexto global Sobral, Andrews Cordolino Trânsito Controle eletrônico Levantamentos de trânsito |
title_short |
Classificação automática do estado do trânsito baseada em contexto global |
title_full |
Classificação automática do estado do trânsito baseada em contexto global |
title_fullStr |
Classificação automática do estado do trânsito baseada em contexto global |
title_full_unstemmed |
Classificação automática do estado do trânsito baseada em contexto global |
title_sort |
Classificação automática do estado do trânsito baseada em contexto global |
author |
Sobral, Andrews Cordolino |
author_facet |
Sobral, Andrews Cordolino |
author_role |
author |
dc.contributor.author.fl_str_mv |
Sobral, Andrews Cordolino |
dc.contributor.advisor1.fl_str_mv |
Schnitman, Leizer |
dc.contributor.advisor-co1.fl_str_mv |
Oliveira, Luciano |
dc.contributor.referee1.fl_str_mv |
Lima, Antonio Cezar de Castro Galvão, Roberto Kawakami Harrop |
contributor_str_mv |
Schnitman, Leizer Oliveira, Luciano Lima, Antonio Cezar de Castro Galvão, Roberto Kawakami Harrop |
dc.subject.por.fl_str_mv |
Trânsito Controle eletrônico Levantamentos de trânsito |
topic |
Trânsito Controle eletrônico Levantamentos de trânsito |
description |
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. |
publishDate |
2012 |
dc.date.submitted.none.fl_str_mv |
2012-12-19 |
dc.date.accessioned.fl_str_mv |
2013-10-29T16:59:49Z |
dc.date.available.fl_str_mv |
2013-10-29T16:59:49Z |
dc.date.issued.fl_str_mv |
2013-10-29 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://repositorio.ufba.br/ri/handle/ri/13300 |
url |
http://repositorio.ufba.br/ri/handle/ri/13300 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Federal da Bahia. Escola Politécnica |
dc.publisher.program.fl_str_mv |
Mecatrônica |
dc.publisher.initials.fl_str_mv |
UFBA |
dc.publisher.country.fl_str_mv |
brasil |
publisher.none.fl_str_mv |
Universidade Federal da Bahia. Escola Politécnica |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFBA instname:Universidade Federal da Bahia (UFBA) instacron:UFBA |
instname_str |
Universidade Federal da Bahia (UFBA) |
instacron_str |
UFBA |
institution |
UFBA |
reponame_str |
Repositório Institucional da UFBA |
collection |
Repositório Institucional da UFBA |
bitstream.url.fl_str_mv |
https://repositorio.ufba.br/bitstream/ri/13300/1/dissertacao_mestrado_andrews-sobral.pdf https://repositorio.ufba.br/bitstream/ri/13300/2/license.txt https://repositorio.ufba.br/bitstream/ri/13300/3/dissertacao_mestrado_andrews-sobral.pdf.txt |
bitstream.checksum.fl_str_mv |
704a2ed85ace914b87b98cfe77a6e38c ff6eaa8b858ea317fded99f125f5fcd0 52c2c77781ee96d2dfd59adcbb3b69ea |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFBA - Universidade Federal da Bahia (UFBA) |
repository.mail.fl_str_mv |
|
_version_ |
1793970555059175424 |