Traffic classification and count using a computational intelligence paradigm

En este proyecto se realizó un algoritmo de clasificación y conteo de tráfico utilizando redes neuronales como modelo de clasificación, estas se entrenaron utilizando back propagation con descenso de gradiente estocástico y con un algoritmo genético simple, el tipo de redes que se manejó fue feedforward y convolucional, esto con la idea de no dejar de lado la ingeniería de características que puede representar un desafío en tipos de problema donde no haya modelos de aprendizaje profundo que extraigan características por ellos mismos. Una vez obtenidos estos modelos, se procedió a realizar un algoritmo que permita utilizarlos para lograr la clasificación de una región de interés que fue obtenida a través de algoritmos de extracción de fondo para agregarle un elemento que haga seguimiento del vehículo hasta que llegue a un límite donde será contado y agregado a la base de datos teniendo ciertas características del mismo en cuenta, tal como el tipo, el color y un estimado de la velocidad con la que pasa por la calle. El tipo fue tomado con un clasificador, el color se eligió utilizando una distancia euclidiana con unos colores base y la estimación de velocidad fue hecha tomando la fórmula de velocidad promedio. La evaluación final del algoritmo mostró un error máximo del 10.6% en un vídeo de prueba de más de 2000 vehículos, finalmente una plataforma web fue implementada para colocarla en un dispositivo. Como adicional, ya que esto no se encuentra dentro de los alcances del proyecto, esta plataforma será descrita en su respectivo capítulo.In this project, an algorithm for traffic classification and counting was built using neural networks as classification model, these networks were trained using backpropagation with stochastic gradient descent and a simple genetic algorithm. The types of networks used for this were convolutional and feedforward, this last one with the idea of not leaving behind the feature engineering that might be a challenge in problems where there are not deep learning models that get the features for themselves. Once these models were obtained, the algorithm was built with the purpose of classifying a region of interest which was taken through background substraction algorithms and then adding an element which will track the vehicle through the whole window til it reaches a limit where it will be counted and added to de database having in mind characteristics as color, type of vehicle and speed estimation. The type of vehicle was classified using a neural network and the color was chosen using an euclidean distance with some base colors, finally, the speed estimation was done using the average speed formula. The final evaluation of the algorithm showed a max error of 10.6% in a test video of more than 2000 vehicles, as a final factor, a web platform was developed in order to deploy it in a device as aditional to the project as this isn't taken into account by the objectives of this, the device will be described in its own chapter