This paper proposes an innovative a

This paper proposes an innovative approach to traffic density estimation. It defines a method that focuses on reducing computational time and complexity by extracting row, column and diagonal mean feature vectors from the image. Then these feature vectors are used to train classifiers and the images are classified as low, moderate or high traffic situations. The system works in 2 phases: Training phase and classification phase. In the training phase, the image is subtracted to obtain the vehicles. The features of the subtracted image are extracted and a dataset is created. This dataset is used to train the classifier. In the second phase, the trained classifier is used to classify the real-time traffic data. Finally, seven data mining classifiers are used along with total fifteen combinations of feature vectors to test the accuracy of the eighty-four variations of the proposed technique. The Bayes family is proved to be better for traffic classification. The column mean features have been proven better. Overall Naïve Bayes classifier with column mean feature vector has given the better accuracy among experimented data mining classifiers.

結果 (繁體中文) 1:

本文提出了一種創新的方法，以交通密度估計。它定義了著眼於通過從圖像中提取的行，列和對角線平均特徵向量降低計算時間和複雜性的方法。然後將這些特徵向量被用來訓練分類器和圖像被分類為低，中或高的交通狀況。該系統的工作分兩個階段：訓練階段和分類階段。在訓練階段，圖像被減去以獲得車輛。該減影圖像的特徵被提取並創建數據集。此數據集用於訓練分類。在第二階段中，將訓練的分類器被用於將實時交通數據進行分類。最後，七個數據挖掘分類器被用來沿著與特徵矢量的總數15的組合來測試所提出的技術的84變體的準確度。貝葉斯家庭證明是更好地對流量進行分類。列平均值的功能已被證明更好。總體樸素貝葉斯分類器與列均值特徵向量給了試驗數據挖掘分類中更好的精度。

結果 (繁體中文) 2:

本文提出了一種創新的交通密度估算方法。它定義了一種方法，該方法通過從圖像中提取行、列和對角線均值特徵向量來減少計算時間和複雜性。然後，這些特徵向量用於訓練分類器，圖像被分類為低、中或高交通狀況。該系統分兩個階段工作：培訓階段和分類階段。在訓練階段，將減去圖像以獲取車輛。提取減法圖像的要素並創建資料集。此資料集用於訓練分類器。在第二階段，訓練分類器用於對即時流量資料進行分類。最後，使用七個資料採礦分類器以及總共十五個特徵向量組合來測試所提議技術的八十四種變體的準確性。貝葉斯家族被證明是更好的交通分類。該清單示要素已被證明更好。具有列均值特徵向量的整體 Naéve Bayes 分類器在實驗資料採礦分類器中提供了更好的精度。

結果 (繁體中文) 3:

本文提出了一種新的交通密度估算方法。它定義了一種通過從影像中選取行、列和對角平均特徵向量來减少計算時間和複雜度的方法。然後利用這些特徵向量訓練分類器，將影像分為低、中、高交通狀況。該系統分為兩個階段：訓練階段和分類階段。在訓練階段，對影像進行減法運算得到車輛。選取减影影像的特徵，建立數据集。此數据集用於訓練分類器。第二階段，利用訓練好的分類器對實时交通數據進行分類。最後，使用7個資料挖掘分類器和總共15個特徵向量組合來測試所提出科技的84個變體的準確性。證明了Bayes族在交通分類中的優越性。專欄的意思是功能已經被證明是更好的。在實驗資料挖掘分類器中，採用列平均特徵向量的樸素貝葉斯分類器具有更好的分類精度。