Traffic Surveillance using Visual Domains Adaptation

Abstract

Over the past decade, traffic surveillance systems development have attracted the interest of many in the computer vision community. Mainly due to possible improvement of drivers security such as implementations in systems capable of predict real-time accidents, detection of infractions on roads or even time and fuel reduction by selecting the right way of traveling. The use of computer vision techniques to monitoring traffic as proven to be a non-invasive, cost effective, automated option when it comes to traffic surveillance. The challenge today is to efficiently develop an Intelligent Transportation System capable of real-time detecting roads with high affluence of traffic and for example, sending that information so that drivers can choose another way in advance, make an efficient and autonomous management of traffic lights, or in extreme scenarios, like a car accident, a system that automatically notifies authorities to provide quicker medical assistance.\\The purpose of this work is to implement some visual domain adaptation based approaches when it comes to identify the existence or not of a vehicle in an intersection. To accomplish the purpose of adapting dynamic events on traffic surveillance, or similar tasks, we conducted along this thesis several approaches with holistic classification exploring domain adaptation of evolutionary events to some GIST features extracted from the dataset images and also apply the same approaches on AlexNet neural networks features of the same dataset images. This approaches are being implemented in order to be used on situations where a dynamic evolution of domains is needed and where we have an unlabeled target data.

Durante a última decada, o desenvolvimento de sistemas direcionados para controlo e manutenção de trafego tem desplotado imenso interesse na comunidade de visão por computadores. Isto deve-se muito ao facto do grande número de oportunidades no melhoramento de técnicas para segurança dos condutores, como por exemplo, predição em tempo real de acidentes, deteção de comportamentos ilegais nas estradas ou até aplicar estas técnicas a aplicações que permitam poupar tempo e combustível ao escolher o melhor caminho. A utilização destas técnicas para monitorização de trafego tem provado ser uma opção não invasiva, barata e autonoma. Hoje em dia é bastante desejado um sistema inteligente capaz de monitorizar em tempo real densidade de tráfego para que com antecedência se possam calcular novas rotas para que condutores evitem tráfego indesejado, outra aplicação será a gestão automática de semáforos, ou até em casos mais extremos, fazer a predição de acidentes e em caso de acidente notifique as autoridades para que possam as pessoas envolvidas possam receber cuidados médicos o mais rápido possível.\\Este trabalho tem como propósito a implementação de abordagens de adaptação de domínios visuais para a detecção de veículos em imagens na aproximação de um cruzamento. Para atingir os nossos objectivo de adaptar dinamicamente eventos relacionados com monitorização de trafego, implementámos algumas abordagens baseadas em classificação holística para explicar a adaptação evolutiva de domínios, inicialmente aplicadas a caracteristicas GIST extraídas das imagens incluídas no dataset utilizado. Posteriormente aplicamos as mesmas abordagens a características extraídas com a ajuda da rede neuronal AlexNet. Estas abordagens que estamos a implementar pretendem ser aplicadas em situações onde se seja necessária uma evolução dinâmica de domínios e onde temos dados sem labels no treino.