Atualmente, sistemas de video para monitoramento de trafego urbano tem sido adotados com maior frequencia. Atraves das imagens capturadas do transito, sistemas inteligentes baseados em visao computacional procuram extrair informacoes relevantes tais como a densidade, velocidade, localizacao e sentido dos veiculos presentes na cena. Entretanto, as solucoes tradicionais comumente falham, especialmente em cenas onde ha o aumento significativo da oclusao entre os veiculos. Metodos alternativos analisam o video de forma global considerando o transito como uma unica entidade (e.g. nuvem de veiculos). Considerando esta abordagem, o presente trabalho propoe um metodo para classificacao do estado do transito em tres niveis de congestionamento: baixo, medio e alto. O sistema proposto baseia-se em duas propriedades holisticas, ambas definidas pela densidade media da nuvem de veiculos e sua respectiva velocidade media. Estas duas propriedades sao combinadas em um vetor de caracteristicas que e utilizado para compor o conjunto de treinamento. Os resultados experimentais demonstram uma taxa de acerto de 94,5% em um conjunto de 254 videos de transito utilizando redes neurais artificiais."