Traffic Speed Estimation, Based on Deep Learning in Real-Time with single camera and end-to-end 3D Convolution Network

Dissertação de Mestrado Integrado em Engenharia Electrotécnica e de Computadores apresentada à Faculdade de Ciências e TecnologiaThe last few years have brought a growth in the usage of technologies like Deep Learning and Convolution Neural Networks, that is possible due to advances in hardware and related areas. In reality, the technology that exists today allows anyone to work with neural networks with low ranked Graphics Processing Unit (GPU). Two different networks were exploited, more specifically RCNN and End-to-end Network. Both were trained to get speed estimation of vehicles. Concerning NN, the main propose was to detect objects in an image to feed a tracker, after obtaining the calibration parameters through an automatic calibration method developed in ISR. On this system, the mean error achieved for the speed estimation was 3.64km/h.In the End-to-End network, the Deep learning component is even more notorious. This network has the capacity of estimating velocity without resorting to auxiliary systems such as calibration and tracking. In this document, the network presented is used in speed estimation with minimal intervention. This network has achieved a mean speed estimation error between 3km/h and 5km/h. Both Networks can estimate vehicles speed with satisfactory precision. This project was in the interest of Brisa, a toll collection service, aiming at the use of surveillance cameras capable of monitoring traffic and at the same time detecting speed through neural networks without the need to give pre-calculated information to the network. .Nos ́ultimos anos houve um aumento no uso de tecnologias como Deep Learning e Convolutional Neural Network (CNN), isto foi possivel devido ao avanço no hardware necessário e nas ́areas relacionadas. Hoje em dia, a tecnologia existente permite que qualquer pessoa possa utilizar redes neuronais com um GPU médio. Neste trabalho, explorou-se duas redes diferentes, mais concretamente RCNN e End-to-end Network. Ambas foram treinadas de forma a estimar a velocidade de veiculos. Relativamente à RCNN, o objetivo foi detetar objetos numa imagem deforma a alimentar um tracker depois de obtidos os parâmetros de calibração, através de um método de calibração automático desenvolvido no ISR. Na rede End-to-end, a componente de Deep learning ́e notória pois consegue estimar a velocidade sem necessidade de sitemas auxiliares como calibração e tracking. É possivel observar que esta rede tem grandes potencialidades na estimação de velocidades com o mínimo de intervenção. Ambas as redes conseguem estimar a velocidade de veículos com uma precisão satisfatória. Este projeto foi do interesse da Brisa, um serviço de cobrança de portagens, tendo como objectivo utilizar câmaras de vigilância com capacidade de monitoriação de tráfego e ao mesmo tempo detetar velocidades através de redes neuronais, sem a necessidade de fornecer informação calculada a priori à rede.