A vehicle counting and tracking system automatically detects and classifies vehicles from
traffic surveillance video sequences. The system are used to replace manual labor to collect vehicles
data for various application such as transportation planning and road safety evaluation.
The existing Vehicle Detection and Classification System does not have tracking and counting
module implemented. Tracking is required to enable automatic vehicle count. The objective of
this project is to develop and implement tracking and counting feature into the existing vehicle
detection and classification system, assess the vehicle detection and classification with tracking
and counting feature system performances, and select the optimal parameters for tracking and
counting module. Visual Background Extractor (ViBE) is used to extract the vehicles (foreground)
from the traffic surveillance video sequences. Simple tracking and counting algorithm
is used to track and count the detected vehicle. Histogram of Oriented Gradient (HOG) is used
to extract features from the detected vehicle. Multi-class Support Vector Machine (SVM) is used to classify the detected vehicle into four classes, which are motorcycle, car, lorry, and non-vehicle. The system is evaluated using two video sequences which are 670 seconds long with total of 20100 frames. The overall system performance achieves 78.19 % and 88.14% for vehicle detection and classification, respectively.
Sistem pengesanan dan pengiraan kenderaan mengesan dan mengelas kenderaan daripada
video pengawasan trafik secara automatik. Sistem ini digunakan untuk mengganti tenaga
kerja manual mengumpul data kenderaan bagi kegunaan seperti perancangan jalan dan penilaian
keselamatan jalan. Projek ini bertujuan untuk membangun dan melaksanakan algoritma
pengesanan dan pengiraan ke dalam sistem pengesanan dan pengenalan kenderaan sedia ada,
menilai kadar pencapaian sistem yang telah ditambah algoritma pengesanan dan pengiraan,
dan memilih nilai pembolehubah optimum bagi algoritma pengesanan dan pengiraan. Visual
Background Extractor (ViBE) digunakan untuk mengekstrak kenderaan (foreground) daripada
video pengawasan trafik. Algoritma pengesanan dan pengiraan yang ringkas telah digunakan
untuk mengesan dan menghitung kenderaan yang telah diekstrak. Histogram of Oriented Gradient
(HOG) digunakan untuk mengekstrak ciri-ciri daripada kenderaan yang telah dikesan. Multi-class Support Vector Machine (SVM) digunakan untuk mengenali empat jenis kenderaan, iaitu motosikal, kereta, lori, dan bukan kenderaan, yang telah dikesan tadi. Sistem ini dinilai dengan dua video pengawasan trafik yang panjangnya 670 saat dengan bilangan rangka berjumlah 20100. Sistem ini mencapai 78.19% dan 88.14% bagi pengesanan kenderaan dan pengklasifikasian kenderaan masing-masing.