Análisis del sistema automático de conteo y clasificación de flujo vehicular basado en secuencias de video y redes neuronales artificiales

Wendolyn Almeida Maltos

Introducción

Vehículo pequeño

Vehículo Mediano

Vehículo Grande

Objetivo

Analizar el sistema automático de conteo y clasificación de flujo vehicular basado en secuencias de video y redes neuronales artificiales para observar su comportamiento al momento de llevar a cabo la detección y clasificación vehicular ; así mismo para determinar que tan robusto es el sistema.

Estructura

Grabar video en sintram con ayuda de tarjeta capturadora de video

Transformar videos para reducir espacio en memoria con div x converter

Procesar imágenes con matlab

definir patrones de entrenamiento

Procesar RNA con matlab

Primera parte

Procesamiento de Imágenes

Cámara 9

Parámetros

Definir Área De Interés

Detección De Bordes

Dilatación De Bordes Rellenar Agujeros Eliminación De Objetos Incompletos

Erosionar imagen

Visita Al Sintram

Cámara 4 (Lázaro Cárdenas y Vasconzelos)

Cámara 5 (Constitución y Venustiano Carranza)

Cámara 12 (Manuel Barragán y Sendero)

Cámara 13 (Gonzalitos y Lincoln )

Cámara 5

Cámara 12

Cámara 4

Matlab: 974 automóviles

Visualmente: 269 automóviles

Cámara 13

Matlab: 609 automóviles

Visualmente: 408 automóviles

Conclusiones de la primera parte

Condiciones para una buena operación del sistema:

Cámara centrada

Condiciones ambientales y climatologicas No lluvia No sombras

Flujo continuo

Segunda parte

Red Neuronal Artificial

Red neuronal artificial

Z1

Z2

Z3

A

Y3

Y2

Y1

P2

B

P1

W11

W21

W31W12

W22

W32

A1 A2

A3

V11

V21

V31

V12

V22

V32

V13

V23

V33B1 B

2

B3

Wij VjkF1 F2

Clase 1

Clase 2

Clase 3

CAPA DE ENTRADA CAPA OCULTA CAPA DE SALIDA

Pesos

W11,W21,W31,W12,W22,W32A1,A2,A3V11,V21,V31,V12,V22,V32,V13,V23,V33B1,B2,B3

f 1 x =ex−e−x

exe−x f 2 x =x

Wij = peso en el arco que une la i-esima neurona de la capa de entrada con la J-esima neurona de la capa oculta.

Vjk = peso en el arco que une la j-esima neurona de la capa oculta con lak-esima neurona de la capa de salida.

i = 1,2 j = 1,2,3 k= 1,2,3

Red neuronal

CONJUNTO DE ENTRENAMIENTO

SSE =0.5852SST = 10R² = 94%

CONJUNTO DE VALIDACION

SSE = 0.3459SST = 6R² =94%

Matriz de clasificación

500G

050M

005P

GMP 

 

Matriz de clasificación 

33.33333300G

033.33333330M

0033.3333333P

GMP 

 

Matriz de clasificació

n (%) 

300G

030M

003P

GMP 

 

Matriz de clasificació

n 

33.33333300G

033.33333330M

0033.3333333P

GMP

 

Matriz de clasificación

(%)

100% 100%

0%

0%

Conjunto de entrenamiento Conjunto de validación

Conclusiones de la segunda parte

La red neuronal artificial realizó una clasificación perfecta, con lo cual se concluye que el utilizar éste modelo permite tener éxito en los estudios de clasificación vehicular efectuados.

Agradecimientos

A la Universidad Autónoma de Nuevo León (UANL), a la Facultad de IngenieríaMecánica y Eléctrica (FIME),así como al Posgrado en Ingeniería de Sistemas (PISIS).

A la Academia mexicana de ciencia e investigación.

Al Instituto de ingeniería civil

Dr. Mauricio cabrera ríos

Lic . Mauro Jesús Maldonado Chan