A novel image-based approach for detecting vehicles in user-defined virtual inductive loops

Abstract

The number of vehicles circulating in modern urban centers is increasing and traffic data have important applications for urban planning and development. Therefore, traffic monitoring systems are essential for managing modern urban centers and roadways. Nowadays, due to the advances in computer vision, there is an ongoing research effort to replace traditional traffic monitoring sensors (e.g. inductive loops, microwave, etc.) by image-based systems, which are easier to repair and are more flexible to operate. These image-based systems have to be robust against challenging situations that can severely affect the results, such as sudden illumination changes, cast shadows and partial or total occlusions. In this work, our main contributions are twofold: First, we propose a novel shadow detection scheme that combines hypergraph image segmentation with color and texture information for accurate shadow detection. Second, a vehicle detection scheme that uses an image-based sensor (camera) for detecting vehicles at user-defined virtual loops, simulating the operation of inductive loops. Using the proposed vehicle detection scheme, allows several user-defined virtual loops to be monitored simultaneously with one camera. Initially, the background is modeled with an improved Gaussian Mixture Models approach, and then the shadows detected at the virtual loops are removed to minimize false vehicular detections. Next, vehicles are detected at the user-defined virtual loops using a combination of efficient edge detection and color information. The proposed vehicle detection scheme provides a vehicle detection signal that also can be used for counting vehicles at the user defined virtual loops. The experimental results indicate that the proposed scheme can accurately detect vehicles at user-defined virtual loops and provide their counts (with more than 98% accuracy, in average), besides being more robust to cast shadows and sudden illumination changes than comparable methods that represent the state of the art. Also, experiments performed on common and publicly shadow detection datasets suggest that our proposed hypergraph image segmentation shadow detection approach is capable of obtaining accurate shadow detection results when compared with recent and relevant shadow detection methods.

O número de veículos em circulação nos grandes centros urbanos está aumentando e dados de tráfego tem importantes aplicações para o planejamento e desenvolvimento urbano. Portanto, esses dados são essenciais para o gerenciamento de cidades e rodovias. Hoje, devido aos avanços em visão computacional, há diversas pesquisas focadas em substituir sensores de monitoramento de tráfego tradicionais (por exemplo, loops indutivos, sensores de micro-ondas, etc) por sistemas com sensores baseados em imagens, que são mais fáceis de reparar e possuem maior flexibilidade de operação. Esses sensores baseados em imagens tem de ser robustos contra situações desafiadores que podem afetar severamente os resultados, tais como mudanças bruscas de iluminação, sombras e oclusões totais ou parciais. Neste trabalho, nossas contribuições são duas: Primeiro, propomos uma nova abordagem para detecção de sombras que combina segmentação de imagens por hipergrafos com informações de cor e textura para obtenção de resultados precisos. Segundo, um sistema de detecção de veículos que usa sensores baseados em imagens (i.e. câmeras) para detectar veículos em loops virtuais definidos pelo usuário, simulando o comportamento de um loops indutivos. Usando o método de detecção de veículos proposto, diversos loops virtuais podem ser monitorados simultaneamente por uma única câmera. Inicialmente, o fundo é modelado usando uma abordagem melhorada de modelos de misturas de Gaussianas. Então, sombras são detectadas nos loops virtuais e removidas para minimizar falsas detecção de veículos.Em seguida, veículos são detectados nos loops virtuais definidos pelo usuário usando uma combinação de bordas (obtidas por um detector eficiente) e informações de cores. O método de detecção de veículos proposto fornece um sinal de detecção que também pode ser usado para contar veículos nos loops virtuais. Os resultados experimentais mostram que nosso método proposto pode detectar e contar veículos de forma precisa (com mais de 98% de acurácia, em média), além de ser mais robusto a sombras e mudanças bruscas de iluminação que métodos comparáveis que representam o estado da arte. Além disso, experimentos realizados em datasets de detecção de sombras públicos e comuns na literatura sugerem que nosso método de detecção de sombras usando segmentação de imagens com hipergrafos é capaz de obter resultados de detecção de sombras precisos quando comparado com outros métodos recentes e relevantes.