Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Prediction of Protein Oxidation Sites Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Vehicle Classification in Traffic Environments Using the Growing Neural Gas

verfasst von : Miguel A. Molina-Cabello, Rafael Marcos Luque-Baena, Ezequiel López-Rubio, Juan Miguel Ortiz-de-Lazcano-Lobato, Enrique Domínguez, José Muñoz Pérez

Erschienen in: Advances in Computational Intelligence

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Traffic monitoring is one of the most popular applications of automated video surveillance. Classification of the vehicles into types is important in order to provide the human traffic controllers with updated information about the characteristics of the traffic flow, which facilitates their decision making process. In this work, a video surveillance system is proposed to carry out such classification. First of all, a feature extraction process is carried out to obtain the most significant features of the detected vehicles. After that, a set of Growing Neural Gas neural networks is employed to determine their types. A qualitative and quantitative assessment of the proposal is carried out on a set of benchmark traffic video sequences, with favorable results.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Forecasting Univariate Time Series by Input Transformation and Selection of the Suitable Model
Nächstes Kapitel Recognizing Pedestrian Direction Using Convolutional Neural Networks
Literatur
1.
Baumann, A., Boltz, M., Ebling, J., Koenig, M., Loos, H., Merkel, M., Niem, W., Warzelhan, J., Yu, J.: A review and comparison of measures for automatic video surveillance systems. EURASIP J. Image Video Process. 2008, 1–30 (2008)CrossRef
2.
Buch, N., Velastin, S., Orwell, J.: A review of computer vision techniques for the analysis of urban traffic. IEEE Trans. Intell. Transp. Syst. 12(3), 920–939 (2011)CrossRef
3.
Cheng, H.Y., Hsu, S.H.: Intelligent highway traffic surveillance with self-diagnosis abilities. IEEE Trans. Intell. Transp. Syst. 12(4), 1462–1472 (2011)CrossRef
4.
Crouzil, A., Khoudour, L., Valiere, P., Troung Cong, D.: Automatic vehicle counting system for traffic monitoring. J. Electron. Imag. 25(5), 051207 (2016)CrossRef
5.
Fink, O., Zio, E., Weidmann, U.: Novelty detection by multivariate kernel density estimation and growing neural gas algorithm. Mech. Syst. Sig. Process. 5051, 427–436 (2015)CrossRef
6.
Fritzke, B.: A growing neural gas network learns topologies. In: Advances in Neural Information Processing Systems 7, pp. 625–632. MIT Press, Cambridge (1995)
7.
He, J., Tan, A.H., Tan, C.L., Sung, S.Y.: On quantitative evaluation of clustering systems. In: Wu, W., Xiong, H., Shekhar, S. (eds.) Clustering and Information Retrieval. Network Theory and Applications, vol. 11, pp. 105–133. Springer, Heidelberg (2004)CrossRef
8.
Huang, D.Y., Chen, C.H., Chen, T.Y., Hu, W.C., Lin, Y.L.: A vehicle flow counting system in rainy environment based on vehicle feature analysis. J. Inf. Hiding Multimedia Sig. Process. 7(1), 101–114 (2016)
9.
Jain, A.K., Dubes, R.C.: Algorithms for Clustering Data. Prentice-Hall Inc., Upper Saddle River (1988)MATH
10.
Kamijo, S., Matsushita, Y., Ikeuchi, K., Sakauchi, M.: Traffic monitoring and accident detection at intersections. IEEE Trans. Intell. Transp. Syst. 1(2), 108–117 (2000)CrossRef
11.
Liang, M., Huang, X., Chen, C.H., Chen, X., Tokuta, A.: Counting and classification of highway vehicles by regression analysis. IEEE Trans. Intell. Transp. Syst. 16(5), 2878–2888 (2015)CrossRef
12.
López-Rubio, E., Luque-Baena, R.M.: Stochastic approximation for background modelling. Comput. Vis. Image Underst. 115(6), 735–749 (2011)CrossRef
13.
Luque-Baena, R.M., López-Rubio, E., Domínguez, E., Palomo, E.J., Jerez, J.M.: A self-organizing map to improve vehicle detection in flow monitoring systems. Soft Comput. 19(9), 2499–2509 (2015)CrossRef
14.
Moschou, V., Ververidis, D., Kotropoulos, C.: Assessment of self-organizing map variants for clustering with application to redistribution of emotional speech patterns. Neurocomputing 71(1–3), 147–156 (2007)CrossRef
15.
Podolak, I., Jastrzebski, S.: Density invariant detection of osteoporosis using growing neural gas. Adv. Intell. Syst. Comput. 226, 629–638 (2013)
16.
Rad, R., Jamzad, M.: Real time classification and tracking of multiple vehicles in highways. Pattern Recogn. Lett. 26(10), 1597–1607 (2005)CrossRef
17.
Wang, X.J., Shen, H.: Improved growing learning vector quantification for text classification. Jisuanji Xuebao/Chin. J. Comput. 30(8), 1277–1285 (2007)
Metadaten
Titel
Vehicle Classification in Traffic Environments Using the Growing Neural Gas
verfasst von
Miguel A. Molina-Cabello
Rafael Marcos Luque-Baena
Ezequiel López-Rubio
Juan Miguel Ortiz-de-Lazcano-Lobato
Enrique Domínguez
José Muñoz Pérez
Copyright-Jahr
2017
Buch
Advances in Computational Intelligence

Print ISBN: 978-3-319-59146-9

Electronic ISBN: 978-3-319-59147-6

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-59147-6_20