Rastreamento veicular em vídeos de tráfego com aplicação em contagem de veículos

Abstract

Esta dissertação apresenta o desenvolvido de um método, baseado em agrupamento de partículas, para realizar a contagem de veículos em vídeos de tráfego. Tal procedimento é importante em sistemas de tráfego inteligentes, ou como uma ferramenta auxiliar no planejamento de vias urbanas. Utilizando técnicas de processamento de imagens e agrupamento de partículas, o método proposto utiliza-se da coerência de movimento e posição espacial existente entre partículas extraídas das imagens de vídeo para agrupá-las, formando figuras convexas que são analisadas em busca de possíveis veículos. Essa análise leva em consideração a morfologia das figuras convexas e a informação de fundo da imagem, para unir ou dividir os agrupamentos. Após a identificação de um veículo, o mesmo é rastreado utilizando-se similaridade de histograma de cores, aplicado em janelas centradas nas partículas. A contagem dos veículos ocorre em laços virtuais definidos pelo usuário nas pistas desejadas, através da intersecção das figuras convexas rastreadas com estes laços virtuais. Testes foram realizados utilizando-se vídeos de seis cenas diferentes, totalizando 81.000 quadros. Os resultados das contagens de veículos obtidos foram comparados a dois métodos atuais. Um método possui abordagem similar ao método proposto (KIM, 2008), que tenta fixar agrupamentos de partículas em formas elipsoidais. O outro método (SÁNCHEZ et al., 2011) rastreia objetos conectados, quando estes são diferentes do fundo, através da intersecção destes objetos entre quadros adjacentes. Considerando-se o universo total de veículos analisados, 1085 veículos, os resultados obtidos pelo método proposto apresentaram uma diferença absoluta na contagem dos veículos intermediária aos métodos comparativos, 53 veículos contra 66 e 27 para (KIM, 2008) e (SÁNCHEZ et al., 2011) respectivamente, sendo o único método que contou menos veículos que o valor real, enquanto os métodos comparativos contaram veículos além do valor real. O método proposto perde 102 veículos, valor inferior ao método de (SÁNCHEZ et al., 2011), 181, e praticamente o mesmo número que o método de (KIM, 2008), 101. Já os veículos detectados mais de uma vez apresentam valores inferiores para o método proposto, 49, em relação aos métodos comparativos, 167 para (KIM, 2008) e 208 para (SÁNCHEZ et al., 2011).

This dissertation presents the developed of a method based on particle group, to conduct the count of vehicles in traffic videos. This procedure is important in intelligent traffic systems, or as an auxiliary tool in the planning of urban streets. Using image processing techniques and grouping of particles, the proposed method uses the coherence of spatial position and movement between particles extracted from the video footage to assemble them into convex figures that are parsed in search of possible vehicles. This analysis takes into account the morphology of convex figures and background information of the image, to merge or split the groups. After the identification of a vehicle, it is tracked using color histogram similarity, applied in Windows centered on particles. The count of vehicles occurs in user-defined virtual loops on the tracks desired, through the intersection of convex figures traced with these virtual loops. Tests were performed using videos of six different scenes, totaling 81,000 frames. The results of vehicle counts obtained were compared to two current methods. A method has similar approach to proposed method (KIM, 2008), which attempts to establish groups of particles in ellipsoidal shapes. The other method (SÁNCHEZ et al., 2011) tracks connected objects, when these are different from the background, through the intersection of these objects between adjacent frames. Considering the total universe of vehicles examined, 1085, the results obtained by the proposed method showed an intermediate absolute difference in counting of vehicles to comparative methods, 53 against 66 and 27 vehicles for (KIM, 2008) and (SÁNCHEZ et al., 2011) respectively. The proposed method is the only one that counted vehicles less than the real value, while comparative methods counted vehicles beyond the real value. The proposed method loses 102 vehicles, lower than value to (SÁNCHEZ et al., 2011), 181, and roughly the same number as the method of (KIM, 2008), 101. The number of vehicles detected more than once are lower for the proposed method in relation to the comparative methods, 49 vehicles against 167 to (Kim, 2008) and 208 to (SANCHEZ et al., 2011).