Classificação de veículos automotivos pelo perfil magnético em laços indutivos

Abstract

Resumo: A identificação da categoria de um veículo que trafega em uma via é um importante parâmetro para sistemas de gerenciamento de tráfego. A classificação veicular tem aplicações como planejamento do sistema viário, estimativa de emissões veiculares e fiscalização de tráfego. Várias técnicas são empregadas para realizar a tarefa de classificação de veículos, sendo que a maioria processa informações provenientes dos sensores indutivos. Neste trabalho, é avaliado um sistema para classificação de veículos tanto em seis categorias, como em oito categorias. O sistema utiliza rede neural perceptron multicamada (Multi-Layer Perceptron - MLP) e é comparado com outras técnicas lineares de classificação como as medidas de similaridade Distância Euclidiana e Distância de Mahalanobis. As variáveis de entrada utilizadas para a rede neural foram extraídas a partir dos perfis magnéticos adquiridos. Este estudo apresenta uma análise da seleção dos parâmetros de entrada para a classificação. O sistema avaliado foi capaz de alcançar índices de acerto na classificação de 97% em seis categorias e 90% em oito categorias. Os resultados dos testes mostram a viabilidade técnica de se utilizar o sistema em equipamentos fixo de fiscalização eletrônica, permitindo a diferenciação de categorias muito semelhantes entre si como, por exemplo, caminhonetes de camionetas.

Abstract:Vehicle class is an important parameter in the process of road-traffic measurement. Vehicle classification is applied in roadway design, vehicle emissions management and traffic monitoring. Several techniques are employed to perform the classification task. Most of them process information from the inductive sensors. In this paper the author suggests a system to classifying vehicles into six categories and a system to classifying vehicles into eight categories. The system has been developed using multilayer perceptron neural network (Multi-Layer Perceptron - MLP) and it is compared with other linear classification techniques such as the similarity measures Euclidean and Mahalanobis distance. The input variables are obtained from the magnetic profiles acquired from inductive loops. This study presents the methodology to select the input parameters to the classification. It is shown that this system is able to achieve rates of correct classification of nearly 97% with six categories and 90% with eight categories and it can be used in a fixed traffic monitoring equipment allowing the differentiation of categories very closed to each other as pickups and small utility vehicles.