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) / 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.
| Identifer | oai:union.ndltd.org:IBICT/oai:192.168.11:11:ri/13300 |
| Date | 19 December 2012 |
| Creators | Sobral, Andrews Cordolino |
| Contributors | Schnitman, Leizer, Oliveira, Luciano, Lima, Antonio Cezar de Castro, Galvão, Roberto Kawakami Harrop |
| Publisher | Universidade Federal da Bahia. Escola Politécnica, Mecatrônica, UFBA, brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Source | reponame:Repositório Institucional da UFBA, instname:Universidade Federal da Bahia, instacron:UFBA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds