論文の概要: HOG, LBP and SVM based Traffic Density Estimation at Intersection

• arxiv url: http://arxiv.org/abs/2005.01770v1
• Date: Mon, 4 May 2020 18:08:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 01:14:25.799470
• Title: HOG, LBP and SVM based Traffic Density Estimation at Intersection
• Title（参考訳）: HOG, LBP, SVMを用いた交差点交通密度推定
• Authors: Devashish Prasad, Kshitij Kapadni, Ayan Gadpal, Manish Visave, Kavita Sultanpure
• Abstract要約: 車両の大量輸送は交通渋滞、不要な遅延、汚染、損失、健康問題、事故、緊急車両の通行、交通違反を引き起こす。 従来の交通管理・制御システムではこの問題に対処できない。 交通流の効率を高めるために最適化された、賢明な制御システムが必要である。
• 参考スコア（独自算出の注目度）: 4.199844472131922
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Increased amount of vehicular traffic on roads is a significant issue. High amount of vehicular traffic creates traffic congestion, unwanted delays, pollution, money loss, health issues, accidents, emergency vehicle passage and traffic violations that ends up in the decline in productivity. In peak hours, the issues become even worse. Traditional traffic management and control systems fail to tackle this problem. Currently, the traffic lights at intersections aren't adaptive and have fixed time delays. There's a necessity of an optimized and sensible control system which would enhance the efficiency of traffic flow. Smart traffic systems perform estimation of traffic density and create the traffic lights modification consistent with the quantity of traffic. We tend to propose an efficient way to estimate the traffic density on intersection using image processing and machine learning techniques in real time. The proposed methodology takes pictures of traffic at junction to estimate the traffic density. We use Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP) and Support Vector Machine (SVM) based approach for traffic density estimation. The strategy is computationally inexpensive and can run efficiently on raspberry pi board. Code is released at https://github.com/DevashishPrasad/Smart-Traffic-Junction.
• Abstract（参考訳）: 道路交通量の増加は重要な問題である。 自動車の交通量が多いと、交通渋滞、不必要な遅延、公害、資金損失、健康問題、事故、緊急車両の通過、交通違反が発生し、生産性が低下する。 ピーク時には、問題はさらに悪化する。 従来の交通管理と制御システムはこの問題に対処できない。 現在、交差点の信号機は適応性がなく、時間的遅れがある。 交通流の効率を高めるために最適化された、賢明な制御システムが必要である。 スマート交通システムは,交通密度の推定を行い,交通量に応じて信号機を改造する。 我々は,画像処理と機械学習技術を用いて交差点の交通密度をリアルタイムで推定する効率的な手法を提案する傾向がある。 提案手法は交通密度を推定するためにジャンクションにおける交通の写真を撮影する。 トラフィック密度推定には,Histogram of Oriented Gradients (HOG), Local Binary Patterns (LBP), Support Vector Machine (SVM) を用いる。 この戦略は計算コストが安く、raspberry piボード上で効率的に実行できる。 コードはhttps://github.com/DevashishPrasad/Smart-Traffic-Junctionで公開されている。

関連論文リスト

• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• Vision-Based Incoming Traffic Estimator Using Deep Neural Network on General Purpose Embedded Hardware [0.0]
  不適切な交通管理は、国家の燃料、時間、生産性を無駄にする。 ディープニューラルネットワーク(DNN)は、各画像のトラフィック強度をリアルタイムで推測するように訓練された。 システムはRaspberry Piのシングルボードコンピュータで実装された。
  論文  参考訳（メタデータ） (2023-10-28T23:33:00Z)
• DenseLight: Efficient Control for Large-scale Traffic Signals with Dense Feedback [109.84667902348498]
  交通信号制御(TSC)は、道路網における車両の平均走行時間を短縮することを目的としている。 従来のTSC手法は、深い強化学習を利用して制御ポリシーを探索する。 DenseLightは、不偏報酬関数を用いてポリシーの有効性をフィードバックする新しいRTLベースのTSC手法である。
  論文  参考訳（メタデータ） (2023-06-13T05:58:57Z)
• Leveraging Neo4j and deep learning for traffic congestion simulation & optimization [0.0]
  渋滞や事故の場合に交通が後進的に伝播し,道路の他の部分への全体的影響を示す。 また、実時間トラフィックデータに基づいて連続的なRNN-LSTM(Long Short-Term Memory)ディープラーニングモデルを訓練し、道路固有の渋滞に基づいてシミュレーション結果の精度を評価する。
  論文  参考訳（メタデータ） (2023-04-01T01:23:10Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Deep traffic light detection by overlaying synthetic context on arbitrary natural images [49.592798832978296]
  深部交通光検出器のための人工的な交通関連トレーニングデータを生成する手法を提案する。 このデータは、任意の画像背景の上に偽のトラフィックシーンをブレンドするために、基本的な非現実的なコンピュータグラフィックスを用いて生成される。 また、交通信号データセットの本質的なデータ不均衡問題にも対処し、主に黄色い状態のサンプルの少なさによって引き起こされる。
  論文  参考訳（メタデータ） (2020-11-07T19:57:22Z)
• Defining Traffic States using Spatio-temporal Traffic Graphs [9.861775841965386]
  本稿では,交通グラフを用いた交差点の空間領域の交通状況の把握手法を提案する。 これらのトラフィックグラフが時間とともに異なるトラフィック状態を示す方法 — a) 渋滞が形成されている(クランプ)、あるいは、渋滞が分散している(アンクランプ)、c) トラフィックが正常に流れている(中性)。
  論文  参考訳（メタデータ） (2020-07-27T17:27:52Z)
• iTV: Inferring Traffic Violation-Prone Locations with Vehicle Trajectories and Road Environment Data [12.715237421592624]
  本研究では,大規模車両軌跡データと環境データに基づいて,都市部における交通違反発生箇所を推定する枠組みを提案する。 提案手法の有効性を評価するため,中国2都市から収集した大規模・現実世界の車両軌道について広範な研究を行った。
  論文  参考訳（メタデータ） (2020-05-09T08:52:43Z)
• An IoT-Based System: Big Urban Traffic Data Mining Through Airborne Pollutant Gases Analysis [0.0]
  イランなどの発展途上国では、人口の増加により車両の数が増加している。 交通警察官による交通渋滞を抑え、効率的に経路を拡大し、市民による交通の減少に最適な方法を選択する必要がある。 今日では、交通警察や都市交通管制システムなど多くの交通機関が、交通カメラ、誘導センサー、衛星画像、レーダーセンサー、超音波技術、電波識別(RFID)を都市交通診断に利用している。 本稿で提案する手法は,大気汚染量を算出して交通渋滞を発生させるスマートシステムを含むIOTに基づく交通渋滞の検出である。
  論文  参考訳（メタデータ） (2020-02-15T13:04:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。