presentación de powerpointgaunal.medellin.unal.edu.co/moycot/wp-content/uploads/... · 2016. 7....
TRANSCRIPT
-
Método de Video Detección y Seguimiento a
Vehículos en la ciudad de Medellín
Prof. Jorge Espinosa CSE, M.Sc., Ph.D(c)
1
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Agenda
2
1. Motivación - Problemática
2. El Seguimiento (Tracking)
3. Detección Multiobjetivo
4. Detección y Seguimiento Multiobjetivo
5. Método de Detección y Seguimiento
6. Calibración de cámaras
7. Self-Adaptive Gaussian Mixture Model for Urban Traffic Monitoring System
(SAGMM)
8. Aplicaciones de Hough Transformation para SAGMM
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Motivación
3
• Tráfico vehicular y normatividad:• Congestión de las vías (Tiempos de viaje incrementados en un 40%)[6]• Regulación y control [18]• Centros de Control de Tráfico Masivo [11]• Dificultades en los entornos Urbanos [22]• Interacción Vehicular (Flujo Multimodal) [13]
• Oportunidades tecnológicas:• Capacidad de Procesamiento [1]• Representación en 3D y reconstrucción• Reconocimiento de objetos [3]• Análisis del movimiento y monitoreo (tracking). [2]
Imagen de Arizona Department of Transportation
Imagen Diario ADN - Medellín
¿Cuál es la problemática?
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Problemática
44
Video Detección Lecciones Aprendidas Caso MedellínJuan Manuel Gómez SierraXM – Seminario Internacional de TyT - 2015https://www.medellin.gov.co/simm/mapas/camaras.html
https://www.medellin.gov.co/simm/mapas/camaras.html
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Problemática
• Costo computacional• Utilizar Infraestructura disponible• Ángulos de las cámaras• Conectividad lógica de CCTV• Oclusiones Parciales[4]• Fluctuaciones de Luz[5]• Cambios continuos en el fondo [7]• Errores de identificación• Seguimiento desde múltiples cámaras [15] Imagen Experimentación
5
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Seguimiento (Tracking)
Estimación de la trayectoria de un objeto en el plano de la imagen amedida que este se mueve alrededor de una escena (Yilmaz et al., 2006). [8]
Subdividido en dos aspectos:1. Construir un modelo del objeto a seguir:
a) Representación de Objeto (Forma y Apariencia)
b) Selección de características (Color, Borde, Textura y Flujo Óptico)c) Detección de Objetos (Detectores de Puntos, Sustracción de Fondo,
Segmentación y Aprendizaje Supervisado)Cámara estática
Tiempo Computacional
Tiempo Computacional
Invariante a transforma.
Aprendizaje de diferentes vistas del objeto automát.
Ejemplos de entrenamiento y Labelling
Ideal para imágenes binarias
2. Se utilizará la información de la ubicación del objeto en el fotograma anterior parahacer las predicciones de lo que será la ubicación en el fotograma actual y restringir lacomplejidad de la búsqueda.
6
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Seguimiento (Tracking)
7
Taxonomía
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Seguimiento (Tracking)
8
Taxonomía
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Seguimiento (Tracking)
9
Benchmark
Realizado por (Wu, Lim, and Yang 2013) éste Benchmark se considera referenteimportante para comparar diferentes algoritmos de seguimiento en línea. Se tomaron encuenta en el siguiente análisis los algoritmos que presentan un mejor comportamientoante los siguientes factores:
IV – Illumination Varition – Variación de la iluminación: La iluminación en la región objetivo del seguimeinto sufre de variaciones considerables.SV – Scale Variance – Variación en la escalaOCC – Oclusión: El objetivo sufre de oclusiones parciales o totales.IPR – In Plane Rotation - Rotaciones en el plano: El objetivo de trazabilidad rota en el plano de la imagen.OV – Out of View – Fuera de vista: Alguna parte del objetivo de trazabilidad abandona la vista.
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Seguimiento (Tracking)
10
Benchmark (Consolidado)
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Los Mejores Algoritmos de tracking
11
Struck Structured Output Tracking with Kernels.(Hare,
Saffari, and Torr 2011)
• Método Adaptativo de seguimiento.
• Utiliza SVM – online learning.
• Mecanismo de BUDGET que evita demasiados sv.
SCM : Robust object tracking via sparsity-based collaborative model
(Zhong, Lu, and Yang 2012)
• Modelo de Colaboración• Clasificador basado en ladispersión discriminativo (SD-C)(Background)
• modelo generativo basado endispersión (SGM).(Foreground)
TLD (Predator)Track Learn And Detect. (Kalal, Mikolajczyk, and
Matas 2012)
• T: Median Shift – LucasKanade tracker.
• L: P-N Learning• D: 2 fases: 1)Randomizedforest. 2) 1-NN, 10x10 patch
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Detección y Seguimiento Multiobjetivo
12
• La mayoría de algoritmos basados en MAP (Máxima a posteriori) o HMM. Usando Viterbi [25] Pero sujetos a errores en oclusiones.
• MHT(Reid 1979)[26] joint probabilistic data association filter (JPDAF) (Fortmann, Bar-Shalom, and Scheffe 1983) Limitados porobjetos nuevos en ROI.
• Mayoría de procedimientos parten de inicialización manual o conocimiento previo de los objetos.
• GMM – Muy sensible al ruido.Imagen Experimentación – Utilización de GMM
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Detección Multiobjetivo
13
Experimentación (Calidad de Imágenes)
Video Experimentación – Utilización de GMM (Sensibilidad al Movimiento) Video Experimentación – Utilización de GMM (testBackgroundSubtractorJEEO.m)
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Detección Multiobjetivo
14
Conteo de Vehículos
Video Experimentación – Utilización de GMM (Sensibilidad al Movimiento) Video Experimentación – Utilización de GMM (testBackgroundSubtractorJEEO.m)
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Detección y Seguimiento Multiobjetivo
15
Experimentación (Kalman Filter)
Video Experimentación – – Utilización de GMM + Filtro de Kalman - Cámara (Mejor Resolución) Video Experimentación – – Utilización de GMM + Filtro de Kalman – Videos de la Secretaría
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia 16
Método de Detección y Seguimiento
• Cámaras= Proyección de la realidad en un espacio:∈ × ×Donde
= imagen en cámara j
k= Instante discretizado= …… . – Ver siguiente página= …… . �á
RGB
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Método de Detección y Seguimiento
17
∈ × ×∈ × ×
∈ × × ∈ × ×∈ �× �×
= | ∈
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Método de Detección y Seguimiento
18
Entonces tendremos que
Podremos identificar el objeto en la imagen tomada
= | ∈= , , � = � �Iluminación, Condiciones climáticas� = � �
Orientación, óptica de la cámara== | ∈
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Método de Detección y Seguimiento
19
En realidad los objetos tienen coherencia temporal pseudodeterminística, quiere decir esto que los objetos: = ,En un escenario discretizado sería + = , Donde: : ℤ+ → ℛ es una secuencia y= para ℎ ≤ < + ℎ , = , , … .
pseudoaleatorio (Desconocido) Decisiones de conductores
Inercia
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Método de Detección y Seguimiento
20
En realidad los objetos tienen coherencia temporal pseudodeterminística, quiere decir esto que los objetos: = ,En un escenario discretizado sería + = , Donde: : ℤ+ → ℛ es una secuencia y= para ℎ ≤ < + ℎ , = , , … .
pseudoaleatorio (Desconocido) Decisiones de conductores
Inercia
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Método de Detección y Seguimiento
21
¿Cómo a través de las imágenes puedo inferir los objetos ?
¿Como puedo inferior la posición futura de los objetos + ó los + ?Se deberá entonces validar la Hipótesis + | ó + |Generando una hipótesis de los que debería ser la imagen de los objetos en las cámaras: + | ó + |
Cuando NO tenemos conexidad en las cámaras
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Método de Detección y Seguimiento
22
Cam 1
Cam 2
Cam M
Nuevas Imágenes
SegmentaciónAgrupamientoClasificación
Básica
Cam 1Candidatos a objetos
De M Cámaras y N
Objetos
Objetos Estimados
Nuevos Candidatos a objetos
De M Cámaras y N
ObjetosCreación de
zonas de entrada
,,Cam 2
……
Cam M
�, |
Fusióny
Re-Clasificación
EstadoFuturo
de objetos estimados
PredicciónPor Inercia
+ | + | = � ,
Objetos Predichos
en las imágenesProyección de
los objetos predicho en las cámaras
+ = + | , + | , � + |
+
�,
Corrección
+ | +
+ |
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Método de Detección y Seguimiento
23
Cam 1
Cam 2
Cam M
Nuevas Imágenes
SegmentaciónAgrupamientoClasificación
Básica
Cam 1Candidatos a objetos
De M Cámaras y N
Objetos
Objetos Estimados
Nuevos Candidatos a objetos
De M Cámaras y N
ObjetosCreación de
zonas de entrada
,,Cam 2
……
Cam M
�, |
Fusióny
Re-Clasificación
EstadoFuturo
de objetos estimados
PredicciónPor Inercia
+ | + | = � ,
Objetos Predichos
en las imágenesProyección de
los objetos predicho en las cámaras
+ = + | , + | , � + |
+
�,
Corrección
+ | +
+ |SegmentaciónAgrupamientoClasificación
Básica
Fusióny
Re-Clasificación
PredicciónPor Inercia
Proyección de los objetos
predicho en las cámaras
Corrección
Información Espacial y del Entorno
�,
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Calibración de Cámaras
24
Determinar los parámetros Intrinsecos y Extrinsecos de la cámara…a t a és de p i iti as des itas e es e a ios de t áfi o u a o
Using geometric primitives to calibrate traffic scenes
(Masoud & Papanikolopoulos, 2007) [8]
= � |ParámetrosIntrinsecos
� = − ��
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Calibración de Cámaras
25
Aplicación – Uso de Patrón Secuencia de Imágenes y Ubicación de puntos de control
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Calibración de Cámaras
26
Aplicación – Uso de Patrón Midiendo las Monedas
Para medir la primera moneda convertimos las esquinas superior derecha e izquierda del bounding box en las coordenadas del mundo real. Luego calculamos la distancia euclídea entre ellos en milímetros. Se debe tener en cuenta que el diámetro real de una moneda de $200 colombiana es de 25 mm
>> Camera_calibration
Diámetro medido de
una de las monedas =
28.00 mm
Diámetro medido de la
otra moneda = 26.70
mm
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Aplicación – Carril vial a escala
Calibración de Cámaras
27
Imagen capturada en espacio controlado
Se definen coordenadas reales X,Y,Z.
Para asegurar el rango completo de la Matriz , se debe optar por máximo 3 puntos coplanares.
Para su tratamiento son las coordenadas son convertidas al sistema homogéneo
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Ubicación de la Cámara
PQ1=PuntoRef1-PuntoRef11;
PQ2=PuntoRef22-PuntoRef2;
Ac=[PQ2(1) -PQ1(1);PQ2(2) -
PQ1(2);PQ2(3) -PQ1(3);]
bc=[PuntoRef11(1)-
PuntoRef2(1);PuntoRef11(2)-
PuntoRef2(2);PuntoRef11(3)-
PuntoRef2(3)]
PCamara=[PuntoRef2+PQ2.*ST(1)]
PCamara =
312.3584
845.4626
406.5877
1.0000
Calibración de Cámaras
28
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Calibración de Cámaras
29
Cálculo de los restantes parámetros de traslación y rotación
r11 = -0.984308682818791
r12 = 0.0837554814663234
r13 = -0.155310773135286
r21 = -0.126975429548508
r22 = -0.507556000757743
r23 = 0.852211327304313
Tx = 299.792373454259
Ty = 848.282780990152
Tz = 408.164988287159
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Calibración de Cámaras
30
Ángulos de RotaciónZ
X
Y
U
V
Centro ópticoCh1,Ch2,Ch3
Plano de la Imagen
(X,Y,Z)
f
(Uo,Vo)
(u,v)
Ty
Tx
R = -0.984308682818791 0.0837554814663234 -0.155310773135286
-0.126975429548508 -0.50755600075 0.852211327304313
0.00746083389905795 -0.859629935391832 -0.510862711631771
alfa_deg_yaw(derrape) = -172.649460990937
beta_deg_pitch(cabeceo) = -48.27478259988041
gamma_deg_roll(balance) = -40.722259316045
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Calibración de Cámaras
31
Aplicación – Vial realImagen capturada en espacio Real (Avda. las Vegas)
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Calibración de Cámaras
32
Aplicación – Vial realCalculo de una región
Longitud medida de
una de las líneas =
268.87 cm
Ancho medida de una
de las líneas =
41.63 cm
Media Real = 269 .00 cm
X 41.00 cm
Mse=0.2069
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Detección de VehículosConteo de vehículos - Resultados
33
Video Experimentación – Utilización de GMM (Ajustado) Video Experimentación – Utilización de GMM (testBackgroundSubtractorJEEO.m)
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Self-adaptive Gaussian mixture model for urban traffic monitoring system (Z. Chen and T. Ellis, 2011) [5]
Self-Adaptive Gaussian Mixture Model for Urban Traffic Monitoring System
34
• SAGMM : Se implementa una tasa de aprendizaje dinámica en línea y un mecanismo de adaptación del fondo de acuerdo a cambios súbitos en iluminación.
• Basado en Zivkovic-Heijden Gaussian mixture model (ZHGMM)[6] que permite seleccionar adaptativamente el numerode Gaussianas, para modelar cada pixel en linea.
• Modelo global de cambio de la iluminación:
• Algoritmo:• Datos de actualización
• Selección de Gaussians por Background
• Background
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Self-Adaptive Gaussian Mixture Model for Urban Traffic Monitoring System
35
Remoción de Sombras
• Las caracterísiticas usadas para la detección de sombras son extraidas de los dominios: Espectral, Espacial y Temporal.
• Basado en el trabajo de Horprasert y Harwood, -1999 – Trabajando en el espacio RGB. Se actualize esta propuestaincluyendo MofQ factor g.
• Distorsion de Brillo y Distorsion Cromática
• Determinación del Pixel:
Self-adaptive Gaussian mixture model for urban traffic monitoring system (Z. Chen and T. Ellis, 2011) [5]
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Self-Adaptive Gaussian Mixture Model for Urban Traffic Monitoring System
36
Self-adaptive Gaussian mixture model for urban traffic monitoring system (Z. Chen and T. Ellis, 2011) [5]
SAGMM – Aplicado a escenario las Vegas SAGMM – Aplicado a Segmento Zenu
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
SAGMM – Como mejorar los resultados?
37
Hough Transformation
HOUGH, P. V. C. Method and means for recognizing complex patterns. U. S. Patent 3, 069 654,
December 18 , 1962.
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
SAGMM – Como mejorar los resultados?
38
Hough Transformation
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
SAGMM – Como mejorar los resultados?
39
Hough Transformation
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
SAGMM – Como mejorar los resultados?
40
EstimaciónPunto de Fuga
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
SAGMM – Como mejorar los resultados?
41
EstimaciónPunto de Fuga
, ,
, ,
= −− ,− = − ),= − + ,
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
SAGMM – Como mejorar los resultados?
42
• De esta Manera la Búsqueda se restringirá a los objetos detectados dentro de los carriles de tráfico.
• “e o te d á ejo es tie po de espuesta… Tie po eal??• Se están desarrollando pruebas para demostrar estos resultados.
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Conclusiones
• Los sistemas de detección en entornos urbanos son proclives a varios tipos de factores que afectan sus desempeño (oclusiones, sombras, congestiones, etc.)
• Los desarrollos hasta ahora obtenidos muestran que se puede mejorar los resultados aportando desde el punto de vista de modelado 3D y representación del entorno.
• El trabajo realizado muestra prometedores resultados aplicables a la detección en entornos urbanos con tráfico congestionado. (Caso Medellín)
43
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
Gracias !!!© Man Bouncing Question Mark Towards Doctor - Artist: Art Glazer
44
http://www.illustrationsource.com/stock/artist/art-glazer/
-
• [1] G. E. Moore, Cramming more components onto integrated circuits. McGraw-Hill, 1965.• [2] A. Yilmaz, O. Javed, a d M. “hah, O je t t a ki g: A su e , ACM Comput Surv, vol. 38,
no. 4, Dec. 2006.
• [3] “. J. Di ki so , O je t ep ese tatio a d e og itio , What Cogn. Sci., vol. 7, pp. 172–207, 1999.
• [4] L. M. Fuentes and S. A. Velastin, Ad a ed “u eilla e: F o T a ki g To E e t Dete tio , Lat. Am. Trans. IEEE Rev. IEEE Am. Lat., vol. 2, no. 3, pp. 206–211, 2004.
• [5] W. Hu, T. Tan, L. Wang, and S. Maybank, A su e o isual su eilla e of o je t otio a d eha io s, IEEE Trans. Syst. Man Cybern. Part C Appl. Rev., vol. 34, no. 3, pp. 334–352, 2004.
• [6] M. Barnard and J. Odobez, “po ts E e t Re og itio Usi g La e ed HMM“, i IEEE International Conference on Multimedia and Expo, 2005. ICME 2005, 2005, pp. 1150–1153.
• [7] N. Buch, “. A. Velasti , a d J. O ell, A Re ie of Co pute Visio Te h i ues fo the A al sis of U a T affi , IEEE Trans. Intell. Transp. Syst., vol. 12, no. 3, pp. 920–939, Sep. 2011.
Referencias
-
• [8] O. Masoud and N. P. Papanikolopoulos, Usi g geo et i p i iti es to ali ate t affi s e es, Transp. Res. Part C Emerg. Technol., vol. 15, no. 6, pp. 361–379, 2007.
• [9] N. Cornelis, B. Leibe, K. Cornelis, and L. Van Gool, d u a s e e odeli g i teg ati g e og itio a d e o st u tio , Int. J. Comput. Vis., vol. 78, no. 2–3, pp. 121–141, 2008.
• [10] K. Pa k, D. Lee, a d Y. Pa k, Video-based detection of street-pa ki g iolatio ., i IPCV, 2007, pp. 152–156.
• [11] B. Mo is a d M. T i edi, Ro ust lassifi atio a d t a ki g of ehi les i t affi ideo st ea s, in IEEE I tellige t Tra sportatio Syste s Co fere ce, 2006. ITSC ’06, 2006, pp. 1078–1083.
• [12] K. Muller, A. Smolic, M. Drose, P. Voigt, and T. Wiegand, -D reconstruction of a dynamic e i o e t ith a full ali ated a kg ou d fo t affi s e es, IEEE Trans. Circuits Syst. Video Technol., vol. 15, no. 4, pp. 538–549, Apr. 2005.
• [13] N. Buch, J. O ell, a d “. A. Velasti , d e te ded histog a of o ie ted g adie ts dhog fo lassifi atio of oad use s i u a s e es, 009.
• [14] S. Messelodi, C. M. Modena, and M. Zanin, A o pute isio s ste fo the dete tio a d lassifi atio of ehi les at u a oad i te se tio s, Pattern Anal. Appl., vol. 8, no. 1–2, pp. 17–31,
2005.
Referencias (Cont.)
-
• [15] X. Che a d C. )ha g, Vehi le lassifi atio f o t affi su eilla e ideos at a fi e g a ula it , i Advances in Multimedia Modeling, Springer, 2006, pp. 772–781.
• [16] J. Lou, T. Tan, W. Hu, H. Yang, and S. J. Maybank, -D model- ased ehi le t a ki g, IEEE Trans. Image Process., vol. 14, no. 10, pp. 1561–1569, Oct. 2005.
• [17] X. Song and R. Nevatia, Dete tio a d T a ki g of Mo i g Vehi les i C o ded “ e es, i IEEE Wo kshop o Motio a d Video Co puti g, 007. WMVC ’07, 007, pp. –4.
• [18] Y. Guo, C. Rao, S. Samarasekera, J. Kim, R. Kumar, and H. Sawhney, Mat hi g ehi les u de la ge pose t a sfo atio s usi g app o i ate D odels a d pie e ise MRF odel, i IEEE Conference on Computer Vision and Pattern Recognition, 2008. CVPR 2008, 2008, pp. 1–8.
• [19] Ali Ghodsi, Dimensionality Reduction A Short Tutorial. Department of Statistics and Actuarial Science University of Waterloo, Waterloo, Ontario, Canada, 2006
• [ 0] Imagery Library for Intelligent Detection Systems - Detailed guidance - GOV.UK. [O li e]. Available: https://www.gov.uk/imagery-library-for-intelligent-detection-systems. [Accessed: 02-Dec-2014].
• [21] I age Li a fo I tellige t Dete tio “ ste s - Detailed guidance - GOV.UK. [O li e]. Available: https://www.gov.uk/imagery-library-for-intelligent-detection-systems. [Accessed: 02-Dec-2014].
Referencias (Cont.)
-
3er Seminario Internacional de Tráfico y Transporte Julio 28 y 29 de 2016 - Medellín - Colombia
AgradecimientosEste trabajo ha sido parcialmente apoyado por el Proyecto ColcienciasFP44842-202-2015: Modelamiento y Control de tráfico urbano en la ciudad de Medellín Fase 2. Convocatoria 669.
/moycot @gaunalmed www.moycot.org
48