Descripteur
Termes IGN > aménagement > sécurité routière > signalisation routière > feu de circulation
feu de circulation |
Documents disponibles dans cette catégorie (6)
![](./images/expand_all.gif)
![](./images/collapse_all.gif)
![Tris disponibles](./images/orderby_az.gif)
Etendre la recherche sur niveau(x) vers le bas
Urban infrastructure audit: an effective protocol to digitize signalized intersections by mining street view images / Xiao Li in Cartography and Geographic Information Science, vol 49 n° 1 (January 2022)
![]()
[article]
Titre : Urban infrastructure audit: an effective protocol to digitize signalized intersections by mining street view images Type de document : Article/Communication Auteurs : Xiao Li, Auteur ; Huan Ning, Auteur ; Xiao Huang, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 32 - 49 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] carrefour
[Termes IGN] cartographie urbaine
[Termes IGN] couche thématique
[Termes IGN] exploration d'images
[Termes IGN] feu de circulation
[Termes IGN] image Streetview
[Termes IGN] Mapillary
[Termes IGN] réseau routier
[Termes IGN] segmentation d'image
[Termes IGN] signalisation routièreRésumé : (auteur) Auditing and mapping traffic infrastructure is a crucial task in urban management. For example, signalized intersections play an essential role in transportation management; however, effectively identifying these intersections remains unsolved. Traditionally, signalized intersection data are manually collected through field audits or checking street view images (SVIs), which is time-consuming and labor-intensive. This study proposes an effective protocol to identify signalized intersections using road networks and SVIs. First, we propose a six-step geoprocessing model to generate an intersection feature layer from road networks. Second, we utilize up to three nearest SVIs to capture streetscapes at each intersection. Then, a deep learning-based image segmentation model is adopted to recognize traffic light-related pixels from each SVI. Last, we design a post-processing step to generate new features characterizing SVIs’ segmentation results at each intersection and build a decision tree model to determine the traffic control type. Results demonstrate that the proposed protocol can effectively identify signalized intersections with an overall accuracy of 97.05%. It also proves the effectiveness of SVIs for auditing urban infrastructures. This study can directly benefit transportation agencies by providing a ready-to-use smart audit and mapping solution for large-scale identification and mapping of signalized intersections. Numéro de notice : A2022-017 Affiliation des auteurs : non IGN Thématique : IMAGERIE/URBANISME Nature : Article DOI : 10.1080/15230406.2021.1992299 Date de publication en ligne : 16/11/2021 En ligne : https://doi.org/10.1080/15230406.2021.1992299 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99148
in Cartography and Geographic Information Science > vol 49 n° 1 (January 2022) . - pp 32 - 49[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 032-2022011 RAB Revue Centre de documentation En réserve L003 Disponible Deep traffic light detection by overlaying synthetic context on arbitrary natural images / Jean Pablo Vieira de Mello in Computers and graphics, vol 94 n° 1 (February 2021)
![]()
[article]
Titre : Deep traffic light detection by overlaying synthetic context on arbitrary natural images Type de document : Article/Communication Auteurs : Jean Pablo Vieira de Mello, Auteur ; Lucas Tabelini, Auteur ; Rodrigo F. Berriel, Auteur Année de publication : 2021 Article en page(s) : pp 76 - 86 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse d'image orientée objet
[Termes IGN] apprentissage profond
[Termes IGN] détection d'objet
[Termes IGN] échantillonnage d'image
[Termes IGN] feu de circulation
[Termes IGN] image à haute résolution
[Termes IGN] navigation autonome
[Termes IGN] signalisation routière
[Termes IGN] trafic routierRésumé : (auteur) Deep neural networks come as an effective solution to many problems associated with autonomous driving. By providing real image samples with traffic context to the network, the model learns to detect and classify elements of interest, such as pedestrians, traffic signs, and traffic lights. However, acquiring and annotating real data can be extremely costly in terms of time and effort. In this context, we propose a method to generate artificial traffic-related training data for deep traffic light detectors. This data is generated using basic non-realistic computer graphics to blend fake traffic scenes on top of arbitrary image backgrounds that are not related to the traffic domain. Thus, a large amount of training data can be generated without annotation efforts. Furthermore, it also tackles the intrinsic data imbalance problem in traffic light datasets, caused mainly by the low amount of samples of the yellow state. Experiments show that it is possible to achieve results comparable to those obtained with real training data from the problem domain, yielding an average mAP and an average F1-score which are each nearly 4 p.p. higher than the respective metrics obtained with a real-world reference model. Numéro de notice : A2021-151 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.cag.2020.09.012 Date de publication en ligne : 09/10/2020 En ligne : https://doi.org/10.1016/j.cag.2020.09.012 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97027
in Computers and graphics > vol 94 n° 1 (February 2021) . - pp 76 - 86[article]Traffic signal detection from in-vehicle GPS speed profiles using functional data analysis and machine learning / Yann Méneroux in International Journal of Data Science and Analytics JDSA, vol 10 n° 1 (June 2020)
![]()
![]()
[article]
Titre : Traffic signal detection from in-vehicle GPS speed profiles using functional data analysis and machine learning Type de document : Article/Communication Auteurs : Yann Méneroux , Auteur ; Arnaud Le Guilcher
, Auteur ; Guillaume Saint Pierre, Auteur ; Mohammad Ghasemi Hamed, Auteur ; Sébastien Mustière
, Auteur ; Olivier Orfila, Auteur
Année de publication : 2020 Projets : 1-Pas de projet / Article en page(s) : pp 101 - 119 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] analyse fonctionnelle (mathématiques)
[Termes IGN] apprentissage profond
[Termes IGN] carte routière
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] contenu généré par les utilisateurs
[Termes IGN] détection d'objet
[Termes IGN] données routières
[Termes IGN] feu de circulation
[Termes IGN] inférence
[Termes IGN] reconnaissance de formes
[Termes IGN] signalisation routière
[Termes IGN] trace GPS
[Termes IGN] trafic routier
[Termes IGN] transformation en ondelettes
[Termes IGN] vitesseRésumé : (auteur) The increasing availability of large-scale global positioning system data stemming from in-vehicle-embedded terminal devices enables the design of methods deriving road network cartographic information from drivers’ recorded traces. Some machine learning approaches have been proposed in the past to train automatic road network map inference, and recently this approach has been successfully extended to infer road attributes as well, such as speed limitation or number of lanes. In this paper, we address the problem of detecting traffic signals from a set of vehicle speed profiles, under a classification perspective. Each data instance is a speed versus distance plot depicting over a hundred profiles on a 100-m-long road span. We proposed three different ways of deriving features: The first one relies on the raw speed measurements; the second one uses image recognition techniques; and the third one is based on functional data analysis. We input them into most commonly used classification algorithms, and a comparative analysis demonstrated that a functional description of speed profiles with wavelet transforms seems to outperform the other approaches with most of the tested classifiers. It also highlighted that random forests yield an accurate detection of traffic signals, regardless of the chosen feature extraction method, while keeping a remarkably low confusion rate with stop signs. Numéro de notice : A2020-336 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s41060-019-00197-x Date de publication en ligne : 04/10/2019 En ligne : https://doi.org/10.1007/s41060-019-00197-x Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93755
in International Journal of Data Science and Analytics JDSA > vol 10 n° 1 (June 2020) . - pp 101 - 119[article]Documents numériques
peut être téléchargé
Traffic signal detection ... - preprintAdobe Acrobat PDFDetecting and mapping traffic signs from Google Street View images using deep learning and GIS / Andrew Campbell in Computers, Environment and Urban Systems, vol 77 (september 2019)
![]()
[article]
Titre : Detecting and mapping traffic signs from Google Street View images using deep learning and GIS Type de document : Article/Communication Auteurs : Andrew Campbell, Auteur ; Alan Both, Auteur ; Qian (Chayn) Sun, Auteur ; Qian (Chayn) Sun, Auteur Année de publication : 2019 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications SIG
[Termes IGN] apprentissage profond
[Termes IGN] base de données routières
[Termes IGN] détection d'objet
[Termes IGN] feu de circulation
[Termes IGN] gestion de trafic
[Termes IGN] image Streetview
[Termes IGN] réseau routier
[Termes IGN] signalisation routière
[Termes IGN] système d'information géographique
[Termes IGN] trafic routier
[Termes IGN] vision par ordinateurRésumé : (auteur) Street traffic sign infrastructure remains an extremely difficult asset for local government to manage due to its diverse physical structure and geographical distribution. A spatial registrar of traffic infrastructure is currently a required component of local government councils' mandatory road management plans. Recent advancements of object detection technology in machine learning have presented an automated approach for the detection and classification of street signage captured by Google's Street View (GSV) imagery. This paper explores the possibility of using deep learning to produce an autonomous system for detecting traffic signs on GSV images to assist in traffic assets monitoring and maintenance. By leveraging Google's Street View API, this research offers an economic approach of building purposeful street sign computer vision datasets. A custom object detection model was trained to detect and classify Stop and Give Way signs from images captured at intersection approaches. Considering the output detected bounding box coordinates, photogrammetry approach was applied to calculate the approximate location of each detected sign in two-dimensional geographical space. The newly located and classified street signs can be combined with relevant spatial data for implementation into an asset management system. By combining GIS and the GSV API, the process is completely scalable to any level of street sign classification scope. The experiments conducted on the road network of study area recorded a detection accuracy of 95.63% and classification accuracy of 97.82%. Our proposed automated approach to the detection and localisation of street sign infrastructure has displayed a promising potential for its use by local government authorities. Our workflow can be used to detect other traffic signs and applied to other road sections and other cities. Of primary importance, this approach takes an entirely free and open-source approach throughout. The continuation of Google's Street View program will account for the spatiotemporal representation of street sign infrastructure for the ongoing maintenance and renewal programs of this valuable asset. Numéro de notice : A2019-412 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.compenvurbsys.2019.101350 Date de publication en ligne : 07/06/2019 En ligne : https://doi.org/10.1016/j.compenvurbsys.2019.101350 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93536
in Computers, Environment and Urban Systems > vol 77 (september 2019)[article]Utilisation de véhicules traceurs pour la détection et la localisation de l'infrastructure routière par apprentissage automatique / Yann Méneroux (2018)
![]()
contenu dans 27èmes Journées de la Recherche de l'IGN / Journées Recherche de l'IGN 2018, 27es Journées (22 - 23 mars 2018; Cité Descartes, Champs-sur-Marne, France) (2018)
Titre : Utilisation de véhicules traceurs pour la détection et la localisation de l'infrastructure routière par apprentissage automatique Type de document : Article/Communication Auteurs : Yann Méneroux , Auteur ; Arnaud Le Guilcher
, Auteur ; Hiroshi Kanasugi, Auteur ; Guillaume Saint Pierre, Auteur ; Sébastien Mustière
, Auteur ; Ryosuke Shibasaki, Auteur
Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN (2012-) Année de publication : 2018 Conférence : Journées Recherche de l'IGN 2018, 27es Journées 22/03/2018 23/03/2018 Champs-sur-Marne France programme sans actes Langues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] apprentissage automatique
[Termes IGN] détection d'objet
[Termes IGN] espace urbain
[Termes IGN] feu de circulation
[Termes IGN] réseau routier
[Termes IGN] trafic routierRésumé : (Auteur) Avec la démocratisation des appareils connectés équipés de récepteur GPS, de grandes quantités de trajectoires de véhicules deviennent disponibles. Récemment, les techniques dites de map inference, visant à dériver de l’information cartographique à partir de traces GPS, tendent à compléter les techniques traditionnelles. Initialement restreintes à la construction de la géométrie des routes, elles sont progressivement utilisées pour enrichir les réseaux existants. Les méthodes d’apprentissage statistique (par exemple, réseaux de neurones, forêts aléatoires...) apportent une perspective intéressante et garantissent l’adaptabilité de l’approche aux différents cas d’utilisation. Nous nous intéressons ici à la détection des feux tricolores, en travaillant dans un premier temps sur un jeu de données expérimental, sur lequel nous comparons les performances d’approches dites «image» et «fonctionnelle». Nous tentons ensuite d’étendre les résultats obtenus sur des données réelles. Numéro de notice : C2018-087 Affiliation des auteurs : LASTIG COGIT+Ext (2012-2019) Thématique : GEOMATIQUE/POSITIONNEMENT/URBANISME Nature : Communication nature-HAL : ComSansActesPubliés-Unpublished DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91539 Documents numériques
en open access
Utilisation de véhicules traceurs pour la détection - diaporama de présentationAdobe Acrobat PDFForêts aléatoires pour la détection des feux tricolores à partir de profils de vitesse GPS / Yann Méneroux (2016)
Permalink