Traffic Queue Monitoring with Mask region-based Convolutional Neural Network ; Surveillance de la file d'attente de trafic avec un réseau de neurones à convolution basé sur une région de masque

International audience ; This study implements a video-based traffic queue monitoring system using Mask RCNN: Aconvolutional neural network (CNN) approach for predicting pixel-level segmentation masks onclassified regions of interest. Taking advantage of a large database of annotated videosurveillance data and recent advances in machine learning and high-performance computing, wetrain a deep-learning based model that is able to accurately extract traffic queue-relatedinformation from infrastructure mounted video cameras. Several experiments are conducted tofine-tune the system’s robustness in different traffic and environmental conditions. Overall, thesystem achieves 92.8% accuracy in daylight, night, and rainy conditions. Although extremelypoor but rare conditions affects the system’s accuracy, it is able to learn and correct for falsedetections when re-trained with data captured under such conditions. A comparative analysiswith YOLO (You Only Look Once), a classical single stage CNN method is also conducted.Although Mask RCNN underperformed YOLO by approximately 3% error margin in allcategories, its ability to provide pixel level segmentation makes it superior for extracting trafficqueue parameters. The outcome of this study could be seamlessly integrated into traffic systemsuch as smart work zone management systems, signal control systems, etc. ; Cette étude met en œuvre un système de surveillance de la file d'attente du trafic basé sur la vidéo à l'aide du masque RCNN: Aapproche par réseau neuronal convolutif (CNN) pour prédire les masques de segmentation au niveau des pixels surrégions d'intérêt classées. Profitant d'une grande base de données de vidéos annotéesdonnées de surveillance et les progrès récents de l'apprentissage automatique et du calcul haute performance, nousformer un modèle basé sur l'apprentissage en profondeur qui est capable d'extraire avec précision les files d'attente liées au traficinformations provenant de caméras vidéo montées sur l'infrastructure. Plusieurs expériences sont menées ...