Motion analysis of traffic video as a characterization technique of traffic flow / Edison Fernando Vela Velasco ; tutor Israel Gustavo Pineda Arias
Tipo de material: TextoIdioma: Inglés Idioma del resumen: Español Fecha de copyright: Urcuquí, 2022Descripción: 89 hojas : ilustraciones (algunas a color) ; 30 cm + 1 CD-ROMTema(s): Recursos en línea: Nota de disertación: Trabajo de integración curricular (Ingeniero/a en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí, Resumen: El tráfico es un problema complejo en las áreas urbanas de todo el mundo que afecta la vida de millones de personas todos los días. Una estimación robusta de las velocidades de los vehículos, utilizando videos de una sola cámara, permite estudiar, comprender y controlar los flujos de vehículos, lo que proporciona información para diseñar y administrar ciudades inteligentes. Actualmente, muchas ciudades tienen varias cámaras que monitorean el tráfico. Sin embargo, la calibración frecuente de cada cámara para medir la velocidad del vehículo es un proceso costoso. Este trabajo propone un sistema para estimar las velocidades de los vehículos mediante redes neuronales y un algoritmo de seguimiento para evitar la calibración manual de la cámara. El objetivo es entrenar el modelo con secuencias de video de un conjunto de cámaras y probar el modelo con secuencias de cámaras en diferentes ubicaciones. El sistema propuesto tiene cuatro componentes: detección, seguimiento, posprocesamiento y estimación de velocidad. Para el primer componente, este trabajo evalúa dos algoritmos de detección: Solo mira una vez (YOLO) y Red neuronal convolucional basada en regiones (RCNN). El segundo componente rastrea los objetos en la secuencia de video con el algoritmo de rastreo Globally Optimal Greedy (GOG). El tercer componente mide la diferencia en píxeles de los vehículos entre cuadros. Finalmente, el cuarto componente aprende a mapear las diferencias de píxeles con las estimaciones de velocidad. Experimentalmente, este trabajo evalúa la precisión del sistema propuesto bajo diferentes condiciones de luz, condiciones climáticas y posiciones de la cámara. Los datos provienen del benchmark UA-DETRAC, y los resultados muestran que el sistema propuesto puede estimar con precisión las velocidades con secuencias de cámaras que no participaron en el entrenamiento.Tipo de ítem | Biblioteca actual | Signatura | Copia número | Estado | Fecha de vencimiento | Código de barras | Reserva de ítems | |
---|---|---|---|---|---|---|---|---|
Tesis | Biblioteca Yachay Tech | ECMC0090 (Navegar estantería(Abre debajo)) | 1 | No para préstamo | T000136 |
Trabajo de integración curricular (Ingeniero/a en Tecnologías de la Información). Universidad de Investigación de Tecnología Experimental Yachay. Urcuquí,
Incluye referencias bibliográficas (páginas 63-68)
Trabajo de integración curricular con acceso abierto
Texto (Hypertexto links)
El tráfico es un problema complejo en las áreas urbanas de todo el mundo que afecta la vida de millones de personas todos los días. Una estimación robusta de las velocidades de los vehículos, utilizando videos de una sola cámara, permite estudiar, comprender y controlar los flujos de vehículos, lo que proporciona información para diseñar y administrar ciudades inteligentes. Actualmente, muchas ciudades tienen varias cámaras que monitorean el tráfico. Sin embargo, la calibración frecuente de cada cámara para medir la velocidad del vehículo es un proceso costoso. Este trabajo propone un sistema para estimar las velocidades de los vehículos mediante redes neuronales y un algoritmo de seguimiento para evitar la calibración manual de la cámara. El objetivo es entrenar el modelo con secuencias de video de un conjunto de cámaras y probar el modelo con secuencias de cámaras en diferentes ubicaciones. El sistema propuesto tiene cuatro componentes: detección, seguimiento, posprocesamiento y estimación de velocidad. Para el primer componente, este trabajo evalúa dos algoritmos de detección: Solo mira una vez (YOLO) y Red neuronal convolucional basada en regiones (RCNN). El segundo componente rastrea los objetos en la secuencia de video con el algoritmo de rastreo Globally Optimal Greedy (GOG). El tercer componente mide la diferencia en píxeles de los vehículos entre cuadros. Finalmente, el cuarto componente aprende a mapear las diferencias de píxeles con las estimaciones de velocidad. Experimentalmente, este trabajo evalúa la precisión del sistema propuesto bajo diferentes condiciones de luz, condiciones climáticas y posiciones de la cámara. Los datos provienen del benchmark UA-DETRAC, y los resultados muestran que el sistema propuesto puede estimar con precisión las velocidades con secuencias de cámaras que no participaron en el entrenamiento.
Textos en inglés con resúmenes en español e inglés
No hay comentarios en este titulo.