Banca de TCC – Renata Junges

UNIVERSIDADE FEDERAL DE PELOTAS
CENTRO DE DESENVOLVIMENTO TECNOLÓGICO
TRABALHO DE CONCLUSÃO DE CURSO

Apresentações Finais (2018/2)

Detecção e Reconhecimento de Sinais de Trânsito em Vídeos Utilizando Processamento Digital de Imagens e Aprendizado de Máquina
por
Renata Zottis Junges

Curso:
Ciência da Computação

Banca:
Prof. Marilton Sanchotene de Aguiar (orientador(a))
Prof. Maurício Braga de Paula (coorientador(a))
Profa. Diana Francisca Adamatti
Prof. Guilherme Ribeiro Corrêa

Data: 27 de novembro de 2018

Hora: 10:00

Local: Auditório Acadêmico

Resumo do Trabalho:
Mundialmente a segurança no trânsito é uma forte preocupação visto que os acidentes de trânsito são uma das principais causas de morte. Nos países de baixa renda as taxas de vítimas fatais são duas vezes superiores às dos países de alta renda. Em 2013, o Brasil foi o terceiro país que mais registrou mortes no trânsito, ultrapassando 46 mil mortes. Neste contexto, sistemas de assistência ao motorista (DAS) e veículos autônomos são medidas de gestão de tráfego que visam melhorar a segurança e o fluxo da via. A detecção e o reconhecimento automático de sinais de trânsito são importantes tanto para os veículos inteligentes quanto para os sistemas DAS. Este trabalho propõe um pipeline de técnicas de processamento digital de imagens (PDI) e de aprendizado de máquina (AM) para realizar a detecção e o reconhecimento de sinais de trânsito em vídeos almejando uma aplicação para sistemas de tempo real. O escopo desse trabalho está restrito na detecção das placas de trânsito de formato circular com borda vermelha e ao reconhecimento das placas de proibido ultrapassar, de passagem obrigatória e de limites de velocidade. Para detecção utiliza-se a segmentação pela cor vermelha e a transformada de Hough para encontrar as regiões circulares que serão classificadas através do algoritmo SVM em placas e não placas. Para o reconhecimento dessas placas utilizam-se as máquinas de vetores de suporte (SVM). Para as placas de limite de velocidade utiliza-se a limiarização e contornos para segmentação dos dígitos para posterior classificação. Além disso, este trabalho utiliza a coerência temporal para melhorar a taxa de acertos da detecção e do reconhecimento com base nas predições anteriores. Foram avaliados diferentes tamanhos para a coerência temporal (1, 10, 30 e 60 – onde o melhor foi o de 10) e na abordagem quadro a quadro atingiu-se acurácia de até 0,82 para detecção e 0,94 para o reconhecimento. Além da abordagem quadro a quadro, propos-se a abordagem de quadros aleatórios para avaliar a viabilidade da proposta em um sistema de tempo real. Neste teste a acurácia da detecção chegou a 0,81 e a do reconhecimento a 0,96, comprovando a viabilidade dessa aplicação.