Highway Toll Enforcement

Stroffek, Julius; Kuriščák, Eduard; Maršálek, Petr

doi:10.1109/mvt.2010.939109

Cited by 5 publications

(3 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…(Urazghildiiev, Ragnarsson, Ridderstrom, Rydberg, Ojefors, Wallin, Enochsson, Ericson, & Lofqvist, 2007) proposes an AVC system capable of classifying 6 different vehicle types using geometrical features and probabilistic classifier engine; the authors report an average classification rate of 83.6%. (Stroffek, Kuriscak & Marsalek, 2010) is another case of AVC system implemented using geometrical features and a neural network as classifier engine; here, the authors report a classification rate of 94.31%, however they do not mention how many types of vehicles this system can classify. (Sandhawalia, Rodriguez-Serrano, Poirier & Csurka, 2013) proposes a comparison between three different features but using a linear classifier engine; this work reports the following classification rates for each type of feature: Raw Profiles Features 79.93%, Fisher Laser Signatures 70.52%, and Fisher Image Signatures 83.04%.…”

Section: Classification Resultsmentioning

confidence: 85%

Clasificación de vehículos basada en bolsa de palabras visuales y usando imágenes de rango

Hernández¹,

Gómez

Bacca-Cortes

2015

inycomp

View full text Add to dashboard Cite

Los descriptores de características en 3D extraídos de nubes de puntos se han convertido en una fuente deinformación promisoria para muchas aplicaciones. Estas aplicaciones incluyen reconocimiento de objetos o formas,modelamiento de edificaciones, modelamiento de estructuras civiles, sistemas de navegación autónoma, etc.Considerando estas tendencias, este artículo presenta un sistema de clasificación de vehículos, basado en bolsade palabras, el cual extrae descriptores de características de imágenes de rango capturadas usando un láser SICKLMS200. Nuestro enfoque usa información visual para estimar la velocidad de los vehículos usando un filtro deKalman, esta estimación de la velocidad es usada para registrar los datos del láser y construir la nube de puntosde la escena. En este trabajo, un dataset fue capturado a partir de la nube de puntos del vehículo, su informaciónvisual, la estimación de la velocidad del vehículo y una etiqueta de la clase de vehículo. Usando este dataset, variosdescriptores de 3D fueron probados y árboles KD fueron empleados para acelerar el proceso de clasificación, esteúltimo realizado con la Bolsa de Palabras. En consecuencia, nuestro enfoque puede clasificar hasta nueve diferentesclases de vehículos; el desempeño del clasificador fue medido usando curvas tipo Precision –Recall.

show abstract

Section: Classification Resultsmentioning

confidence: 85%

Clasificación de vehículos basada en bolsa de palabras visuales y usando imágenes de rango

Hernández¹,

Gómez

Bacca-Cortes

2015

inycomp

View full text Add to dashboard Cite

show abstract

“…From 2000 onwards, any reference to applications of ANN algorithms was regarded as a standard computational method, as it can be seen in a vast number of examples in technical and scientific computing [44].…”

Section: Network Of Self-organizing Maps and Other Unsupervised Netwmentioning

confidence: 99%

“…The task is accomplished by a three layer feed-forward ANN. The use of the ANN enables to combine both vehicle shape recognition and classification into one algorithm [44].…”

Section: Future Perspectives Of Annmentioning

confidence: 99%