Algoritmo automático de detección y aforo vehicular en tiempo real en horario diurno
En este trabajo se ha implementado una arquitectura para el conteo y clasificación vehicular. Se aplica la Computación Acumulativa para detectar al conjunto de vehículos en movimiento y discriminar los píxeles estáticos, se hace la segmentación a través de Funciones de Densidad de Probabilidad (FDP)...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2014 |
| País: | México |
| Institución: | Universidad Autónoma de Querétaro |
| Repositorio: | Repositorio Institucional de la Universidad Autónoma de Querétaro |
| Idioma: | español |
| OAI Identifier: | oai:ri-ng.uaq.mx:123456789/6744 |
| Acceso en línea: | https://ri-ng.uaq.mx/handle/123456789/6744 |
| Access Level: | acceso abierto |
| Palabra clave: | Computación Acumulativa Ventanas de Parzen ANOVA |
| Sumario: | En este trabajo se ha implementado una arquitectura para el conteo y clasificación vehicular. Se aplica la Computación Acumulativa para detectar al conjunto de vehículos en movimiento y discriminar los píxeles estáticos, se hace la segmentación a través de Funciones de Densidad de Probabilidad (FDP) de Ventanas de Parzen, para obtener un núcleo Gaussiano en cada objeto; la altura de cada pico de Gauss representa el volumen del vehículo. Por último se hace el análisis de varianza ANOVA, para validar la similitud de los vehículos y seguirlos de un instante al otro. Se obtuvo un conjunto de muestras para determinar los umbrales de calibración en la eliminación de ruido y píxeles estáticos, anchos de ventana para el cálculo de las FDP, el nivel de significancia en los análisis de similitud y la eficiencia en el algoritmo de seguimiento propuesto. Los resultados obtenidos pueden ser mejorados, ya que al incrementar el número de objetos en escena, se alcanzan niveles de error del 54%, los métodos evaluados por separado dan buenos resultados. La detección de objetos junto con el análisis de similitud y una buena calibración, puede llegar a niveles de eficiencia del 95%. Los altos niveles de error en la evaluación del sistema se deben al lugar experimental, ya que se intentó cubrir con una sola cámara los ocho accesos de la escena, y esto provoca un gran número de objetos ocluidos. Se propone como trabajos futuros implementar un sensor de video en cada acceso y utilizar la técnica de ANOVA para analizar la similitud entre los objetos detectados en una cámara y otra, o cambiar la experimentación a una carretera de un solo carril. |
|---|