Machine learning driven intelligent and self adaptive system for traffic management in smart cities

2 Proposed methodology
2.1 System architecture
The system requires four cameras, each at the top of the road that meets on a junction
(see Fig.
1
). These cameras are used to send the image to an embedded controller.
After that, when the controller receives the real-time image, it will count the number
of vehicles present in the image and light up the green signal according to the count
of vehicles. Most of the traffic junctions have such kind of cameras already installed
on top of the signals. We need to connect them with a controller. The controller would
be able to perform the operations listed below:
1. Instruct the camera to click the picture of the traffic situation.
2. Process the input image from the camera and count the number of vehicles in the
image.
3. Calculate the time duration, as to how long the green light should remain in on
state based on the vehicle count.
4. Light up the green light of the corresponding signal and the red light of the other
signals.
As shown in Fig.
2
, cameras are covering only one side of the road. This site is the
driving side from where the vehicles are arriving on the signal. The cameras have to
be installed such that vehicles should not overlap each other in the image; otherwise, it
can lead us to false detection results. Figure
3
shows the different type of images taken
123

---

Machine learning driven intelligent and self adaptive…
1207
Fig. 1
The side view of the camera placement
Fig. 2
Top view of the camera placement
on the traffic signal. From figure it’s clear that images on the left side are not suitable
for processing, as the percentage of vehicle overlapping is significantly high. On the
other hand, the two images on the right portion of Fig.
3
, gives a clear distribution
of the vehicle with minimum overlapping. Thus, these types of images will be very
helpful for the present proposed method.