基于 HOG、LBP 和 SVM 的交叉口交通密度估计
计算机视觉与模式识别
2020-05-06 v1
摘要
道路上车辆交通量的增加是一个重大问题。高交通量会造成交通拥堵、不必要的延误、污染、经济损失、健康问题、事故、应急车辆通行受阻以及交通违章，最终导致生产力下降。在高峰时段，这些问题变得更加严重。传统的交通管理和控制系统无法解决这一问题。目前，交叉口的交通信号灯不具有自适应性，且具有固定的时间延迟。有必要建立一个优化且智能的控制系统，以提高交通流的效率。智能交通系统执行交通密度估计，并根据交通量相应地调整交通信号灯。我们提出一种利用图像处理和机器学习技术实时估计交叉口交通密度的有效方法。所提出的方法拍摄交叉口的交通图像以估计交通密度。我们使用基于方向梯度直方图（HOG）、局部二值模式（LBP）和支持向量机（SVM）的方法进行交通密度估计。该策略计算成本低，可以在树莓派板上高效运行。代码发布于 https://github.com/DevashishPrasad/Smart-Traffic-Junction。
引用
@article{arxiv.2005.01770,
title = {HOG, LBP and SVM based Traffic Density Estimation at Intersection},
author = {Devashish Prasad and Kshitij Kapadni and Ayan Gadpal and Manish Visave and Kavita Sultanpure},
journal= {arXiv preprint arXiv:2005.01770},
year = {2020}
}
备注
paper accepted at IEEE PuneCon 2019