Vehicle detection and classification in traffic images using convolutional neural networks

Detalhes bibliográficos
Autor(a) principal: Roecker, Max Naegeler
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
Texto Completo: http://repositorio.uem.br:8080/jspui/handle/1/5907
Resumo: Orientador: Prof. Dr. Yandre Maldonado e Gomes da Costa.
id UEM-10_d4a87fa9bdda6981047955377c8b7e0a
oai_identifier_str oai:localhost:1/5907
network_acronym_str UEM-10
network_name_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository_id_str
spelling Vehicle detection and classification in traffic images using convolutional neural networksRedes neurais convolucionaisDetecção de veículosVisão computacionalAprendizagem de máquina006.32Ciências Exatas e da TerraCiência da ComputaçãoOrientador: Prof. Dr. Yandre Maldonado e Gomes da Costa.Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2019RESUMO: A detecção e classificação de veículos é um componente fundamental para sistemas inteligentes de tráfego. Nos últimos anos, com o declínio do custo de aquisição de imagens por meio de câmeras de vigilância, a proposta de métodos que utilizam imagens digitais como principal fonte de informação aumentou consideravelmente. Este trabalho propõe duas configurações de redes neurais convolucionais -- ? e ? -- para serem utilizadas junto ao método YOLO na detecção de veículos presentes em imagens digitais além da classificação em seis categorias: Ônibus, Microônibus, Minivan, Sedan, SUV e Caminhão. Resultados experimentais com o conjunto de dados BIT-Vehicle (DONG, 2015) reportam valores de 93.20% e 91.24% de precisão média entre as categorias para os modelos equipados com ? e ?, respectivamente. Testes realizados em três ambientes distintos exibem que uma latência de inferência sempre abaixo de um segundo em ambos os modelos. Conclui-se que o modelo é discriminativo e capaz de generalizar padrões para a detecção e categorização de tipos de veículos ao mesmo tempo que não requer muitos recursos computacionais. Essa característica sugere que o modelo pode ser útil para o desenvolvimento de sistemas inteligentes de tráfego, melhorando a acurácia e a latência na tomada de decisão.ABSTRACT: Vehicle detection and classification is a fundamental component in intelligent traffic systems. In the last years, with the decreasing costs of digital images acquisition by surveillance cameras, the proposal of methods that uses digital images as the main source of information have been increased. This work proposes two convolutional neural networks backbones -- ? and ? -- to be used with the YOLO method for detection and classification of vehicles present in digital images into six categories: Bus, Microbus, Minivan, Sedan, SUV, and Truck. Experimental results with the BIT-Vehicle Dataset (DONG, 2015) reports values 93.20% and 91.24% of the standard mean average precision for the models ? e ?, respectively. The tests in three distinct environments exhibit the inference latency is always under one second in both models. We conclude that the model is discriminative and capable of generalizing the patterns of the vehicle type detection and classification task while not requiring expensive computational resources. These features suggest that the model can be useful in the development of embedded intelligent traffic systems, improving accuracy and decision latency.61 f. : il. color.Universidade Estadual de MaringáDepartamento de InformáticaPrograma de Pós-Graduação em Ciência da ComputaçãoMaringá, PRCentro de TecnologiaCosta, Yandre Maldonado e Gomes daGonçalves, Diego BertoliniBritto Júnior, Alceu de SouzaRoecker, Max Naegeler2020-09-28T18:31:59Z2020-09-28T18:31:59Z2019info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfROECKER, Max Naegeler. Vehicle detection and classification in traffic images using convolutional neural networks. 2019. 61 f. Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2019, Maringá, PR.http://repositorio.uem.br:8080/jspui/handle/1/5907info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)instname:Universidade Estadual de Maringá (UEM)instacron:UEM2020-09-28T18:38:14Zoai:localhost:1/5907Repositório InstitucionalPUBhttp://repositorio.uem.br:8080/oai/requestopendoar:2024-04-23T14:58:56.808436Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)false
dc.title.none.fl_str_mv Vehicle detection and classification in traffic images using convolutional neural networks
title Vehicle detection and classification in traffic images using convolutional neural networks
spellingShingle Vehicle detection and classification in traffic images using convolutional neural networks
Roecker, Max Naegeler
Redes neurais convolucionais
Detecção de veículos
Visão computacional
Aprendizagem de máquina
006.32
Ciências Exatas e da Terra
Ciência da Computação
title_short Vehicle detection and classification in traffic images using convolutional neural networks
title_full Vehicle detection and classification in traffic images using convolutional neural networks
title_fullStr Vehicle detection and classification in traffic images using convolutional neural networks
title_full_unstemmed Vehicle detection and classification in traffic images using convolutional neural networks
title_sort Vehicle detection and classification in traffic images using convolutional neural networks
author Roecker, Max Naegeler
author_facet Roecker, Max Naegeler
author_role author
dc.contributor.none.fl_str_mv Costa, Yandre Maldonado e Gomes da
Gonçalves, Diego Bertolini
Britto Júnior, Alceu de Souza
dc.contributor.author.fl_str_mv Roecker, Max Naegeler
dc.subject.por.fl_str_mv Redes neurais convolucionais
Detecção de veículos
Visão computacional
Aprendizagem de máquina
006.32
Ciências Exatas e da Terra
Ciência da Computação
topic Redes neurais convolucionais
Detecção de veículos
Visão computacional
Aprendizagem de máquina
006.32
Ciências Exatas e da Terra
Ciência da Computação
description Orientador: Prof. Dr. Yandre Maldonado e Gomes da Costa.
publishDate 2019
dc.date.none.fl_str_mv 2019
2020-09-28T18:31:59Z
2020-09-28T18:31:59Z
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 ROECKER, Max Naegeler. Vehicle detection and classification in traffic images using convolutional neural networks. 2019. 61 f. Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2019, Maringá, PR.
http://repositorio.uem.br:8080/jspui/handle/1/5907
identifier_str_mv ROECKER, Max Naegeler. Vehicle detection and classification in traffic images using convolutional neural networks. 2019. 61 f. Dissertação (mestrado em Ciência da Computação) - Universidade Estadual de Maringá, 2019, Maringá, PR.
url http://repositorio.uem.br:8080/jspui/handle/1/5907
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual de Maringá
Departamento de Informática
Programa de Pós-Graduação em Ciência da Computação
Maringá, PR
Centro de Tecnologia
publisher.none.fl_str_mv Universidade Estadual de Maringá
Departamento de Informática
Programa de Pós-Graduação em Ciência da Computação
Maringá, PR
Centro de Tecnologia
dc.source.none.fl_str_mv reponame:Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
instname:Universidade Estadual de Maringá (UEM)
instacron:UEM
instname_str Universidade Estadual de Maringá (UEM)
instacron_str UEM
institution UEM
reponame_str Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
collection Repositório Institucional da Universidade Estadual de Maringá (RI-UEM)
repository.name.fl_str_mv Repositório Institucional da Universidade Estadual de Maringá (RI-UEM) - Universidade Estadual de Maringá (UEM)
repository.mail.fl_str_mv
_version_ 1797150078999199744

Registros relacionados