Atualmente, existem sistemas de visão computacional que nos auxiliam em tarefas que seriam maçantes para o ser humano, como vigilância e rastreamento de veículos. Uma parte essencial desta análise é identificar anomalias de tráfego. Uma anomalia nos diz que algo incomum aconteceu, neste caso, na rodovia. Este projeto tem como objetivo modelar a detecção e o rastreamento de veículos usando visão computacional para detectar anomalias de tráfego nas estradas. Para o desenvolvimento deste trabalho, seguimos as etapas de detecção, rastreamento e análise de tráfego: a detecção de veículos a partir de vídeos de tráfego urbano, o rastreamento de veículos utilizando um gráfico bipartido e o algoritmo Convex Hull para delimitar áreas móveis. Finalmente, para detecção de anomalias, utilizamos duas estruturas de dados para detectar o início e o fim da anomalia. A primeira é o QuadTree, que agrupa veículos que ficam muito tempo parados na estrada. A segunda abordagem trata de veículos que estão obstruídos. Os resultados experimentais mostram que nosso método é aceitável no conjunto de testes Track 4, com uma pontuação F1 de 85,7% e um erro quadrático médio de 25,432 segundos.

Currently, there are computer vision systems that help us with tasks that would be dull for humans, such as surveillance and vehicle tracking. An essential part of this analysis is to identify traffic anomalies. An anomaly tells us that something unusual has happened, in this case, on the highway. This project aims to model vehicle detection and tracking using computer vision to detect traffic anomalies on the road. For the development of this work, we follow the steps of detection, tracking and analysis of traffic: the detection of vehicles from video of urban traffic, the tracking of vehicles using a bipartite graph and the Convex Hull algorithm to delimit moving areas. Finally, for anomaly detection, we use two data structures to detect the beginning and end of the anomaly. The first is the QuadTree, which groups vehicles that are stopped for a long time on the road. The second approach handles vehicles that are occluded. Experimental results show that our method is acceptable on the Track4 test set, with an F1 score of 85.7% and a mean squared error of 25.432 seconds.