Powiadomienia systemowe
- Sesja wygasła!
Identyfikatory
Warianty tytułu
Classification of traffic conditions on the basis of textural features in the images
Języki publikacji
Abstrakty
W artykule zaproponowano metodę klasyfikacji warunków ruchu na drogach wielopasowych na podstawie zdjęć z filmu pochodzącego z monitoringu dużego skrzyżowania wykonanego z użyciem drona (UAV - Unmanned Aerial Vehicle). W metodzie wykorzystano technologie przetwarzania obrazów oraz cechy obrazów teksturowych, takie jak: energia, entropia, kontrast, jednorodności, podobieństwa, korelacja. Cechy te poddano analizie wybierając pięć najbardziej wyróżniających cztery klasy warunków ruchu. Klasyfikację wykonano za pomocą sieci neuronowej. Przeprowadzona walidacja modelu wykazała, że zaproponowana metoda może być wykorzystana do klasyfikacji warunków ruchu.
The paper discusses the application of texture analysis of road traffic images for determination of traffic conditions. The capability of mapping traffic conditions is investigated using such texture features as: energy, entropy, contrast, homogeneity, dissimilarity, correlation, captured by cooccurrence matrices. An optimal combination of features is chosen for classification of traffic condition levels. Four classes of traffic conditions are correctly differentiated using the proposed texture model of road traffic images. Classification was performed using a neural network. The model is validated using images registered by an UAV flying over a traffic junction.
Rocznik
Tom
Strony
662--665
Opis fizyczny
Bibliogr. 9 poz., tab., wykr., pełen tekst na CD
Twórcy
autor
- Politechnika Śląska, Wydział Transportu, Katedra Systemów Transportowych i Inżynierii Ruchu
Bibliografia
- 1. Bi Song, Han Li-qun, Zhong Yi-xin, Wang Xiao-jie: All-day traffic states recognition system without vehicle segmentation, The Journal of China Universities of Posts and Telecommunications, vol. 18 (2011) 1-11.
- 2. Li Weia, Dai Hong-yingb: Real-time Road Congestion Detection Based on Image Texture Analysis, Procedia Engineering 137 ( 2016 ) 196-201.
- 3. Tracz M., Chodur J.: Metoda obliczania przepustowości skrzyżowań z sygnalizacją świetlną, GDDKiA 2004.
- 4. K. Kalaitzakis, V. Kastrinaki, M. Zervakis, A survey of video processing techniques for traffic applications, Image and Vision Computing 21 (2003) pp 359-381.
- 5. Xiying Lia, Yongye Shea, Donghua Luob, Zhi Yu: A Traffic State Detection Tool for Freeway Video Surveillance System 13th COTA International Conference of Transportation Professionals (CICTP 2013), Procedia, Social and Behavioral Sciences 2013, p. 2453-2461.
- 6. Yu Qiaoa, Zhongke Shia: Traffic Parameters Detection Using Edge and Texture Procedia Engineering 29 (2012) 3858-3862.
- 7. Ouessai Asmaa, Keche Mokhtar, Ouamri Abdelaziz: Road traffic density estimation using microscopic and macroscopic parameters, Image and Vision Computing 31 (2013) 887-894.
- 8. Haralick R., Shanmugam K., Dinstein I.: Textural features for image classification. IEEE Transaction on systems, Man and cybernetics, 1973.
- 9. Osowski S.: Sieci neuronowe w ujęciu algorytmicznym, WNT Warszawa 1996.
Uwagi
PL
Opracowanie ze środków MNiSW w ramach umowy 812/P-DUN/2016 na działalność upowszechniającą naukę.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-f1493082-3ddd-48dd-ac1e-ce788894b525