Mudanças entre as edições de "Reconhecimento de Placas de Sinalização Via Processamento Digital de Imagem e Aprendizado de Máquina"
Linha 35: | Linha 35: | ||
:{{collapse top | Anotações do artigo }} | :{{collapse top | Anotações do artigo }} | ||
− | O seguinte trabalho propõe um | + | O seguinte trabalho propõe um sistema de detecção e reconhecimentos de placas de sinalização dando foco na extração das características das regiões de interesse, especialmente na otimização utilizando o algoritmo ''Scale-Invariant Feature Transform'' (SIFT) através do procedimento de análise de componentes principais (''Principal Component Analysis'' - PCA). Na etapa de classificação é utilizada a técnica de Máquinas de Vetores de Suporte (SVM). |
− | ''' | + | '''SIFT''' |
+ | |||
+ | O SIFT(''Scale-Invariant Feature Transform'') é uma técnica utilizada para detecção e extração de regiões de interesse que são praticamente invariáveis a mudanças de iluminação, ruído, rotação e escala. Após a detecção das regiões de interesse (chamadas neste trabalho como pontos-chave) em uma imagem, é criado um descritor para cada região. Estes descritores são comparados entre si e possibilita o casamento entre diferentes imagens contendo o mesmo objeto. O algoritmo que executa esta técnica é apresentado pelos seguintes passos: | ||
− | O | + | *Criação da pirâmide de imagens: O primeiro passo do algoritmo é criação uma pirâmide de imagens ou uma pirâmide Gaussiana. É aplicado sobre a imagem original sucessivas convoluções com um filtro gaussiano de fator σ multiplicado por uma constante k (0,k,2k,...). Essas convoluções irão gerar imagem de resolução menos (ou com efeito blur) formando as denominadas oitavas. A partir das oitavas são gerados os intervalos, onde cada intervalo é a diferença entre duas oitavas (aproximação do Laplaciano da Gaussiana)<ref>COUTINHO, D.P.; MARROQUIM R. SIFT - Scale Invariant Feature Transform. ''LCG Computer Graphics Lab'', Universidade Federal do Rio de Janeiro, 2013</ref>. A figura 1 abaixo apresenta o espaço de escala e a diferença das Gaussianas. A figura 2 apresenta a aplicação deste processo sobre uma imagem. |
− | '''SIFT''' | + | <center>[[Imagem: piramideGaussiana.png|500px]]</center> |
+ | <center>'''Figura 1 - Pirâmide Gaussiana'''</center> | ||
+ | <center>'''Fonte: ''' <ref>COUTINHO, D.P.; MARROQUIM R. SIFT - Scale Invariant Feature Transform. ''LCG Computer Graphics Lab'', Universidade Federal do Rio de Janeiro, 2013</ref></center> | ||
− | + | <center>[[Imagem: Filtros gaussiano.png|500px]]</center> | |
− | + | <center>[[Imagem:Extremos_max_min.png|400px]]</center> | |
+ | <center>'''Figura 2 - Aplicação em uma imagem'''</center> | ||
+ | <center>'''Fonte: Próprio artigo'''</center> | ||
− | < | + | *Localização dos pontos chaves: Os pontos chaves são encontrados comparando-o com os pontos vizinhos em uma mesma imagem e nas imagens acima e abaixo. O objetivo identificar os pontos máximos (regiões totalmente pretas envoltas por áreas brancas) e pontos mínimos (regiões brancas envoltas por área pretas) dos quais serão utilizados para a próxima etapa e eliminar os pontos ruins, no caso, aqueles que possuem baixo contraste ou são localizados nas arestas<ref>BELO, F. A. Desenvolvimento de Algoritmos de Exploração e Mapeamento Visual para Robôs Móveis de Baixo Custo. Diss. PUC-Rio, 2006.</ref>. |
− | + | *Orientação do ponto-chave: É encontrado dentro da área do ponto-chave os gradientes e orientações de cada pixels. Esse valores são acumulados em um histograma de 36 posições. É determinado o ponto máximo do histograma e é atribuído essa orientação para o ponto-chave. | |
− | + | *Criação dos descritores locais: Por fim, para cada ponto chave é estabelecido um descritor para cada ponto-chave. Através de uma janela 16x16 ao redor do ponto, é criado novamente um histograma para cada região. A união destes histogramas unidos em um só vetor de 128 dimensões formará o descritor do ponto-chave. | |
− | + | Essas informações extraídas serão utilizadas posteriormente para a classificação. | |
− | + | '''Análise de Componentes Principais (PCA)''' | |
− | < | + | A análise de componentes principais (Principal Component Analysis) é uma técnica estatística que consiste em transformar um conjunto de variáveis em outro conjunto de mesma dimensão denominadas de componentes principais. Os componentes principais apresentam propriedades importantes: cada componente principal é uma combinação linear de todas as variáveis originais, são independentes entre si e estimados com o propósito de reter, em ordem de estimação, o máximo de informação, em termos da variação total contida nos dados<ref>VARELLA, C. A.Análise de componentes principais. Seropédica: Universidade Federal Rural do Rio de Janeiro, 2008<\ref>. |
− | + | A análise de componentes principais é associada à ideia de redução de massa de dados, com menor perda possível da informação. Procura-se redistribuir a variação observada nos eixos originais de forma a se obter um conjunto de eixos ortogonais não correlacionados. | |
− | + | Esta técnica é utilizada neste trabalho com o objetivo de otimizar a extração das características das regiões de interesse e consequentemente aumentar a precisão dos sistema de detecção e reconhecimento de placas de sinalização. | |
− | ''' | + | '''SVM''' |
+ | |||
+ | Uma Máquina de vetores de suporte (Support vector machine -SVM) é uma técnica de aprendizagem utilizada para classificação de classes binárias. Os resultados da aplicação desta técnica são comparáveis e muitas vezes superiores aos obtidos por outros algoritmos de aprendizado como as Redes Neurais Artificiais (RNAs). Exemplos de aplicações de sucesso podem ser encontradas na categorização de textos, reconhecimento de imagens e na Bioinformática. | ||
+ | O objetivo do algoritmo é encontrar a melhor escolha para um hiperplano que classifica os dados de entrada em duas classes distintas. Os fatores mais importantes são as margens entre o hiperplano e os dados adjacentes ao hiperplano, correspondentes à cada classe. | ||
+ | '''Resultados''' | ||
+ | Os resultados alcançados estão apresentados pela tabela 1: | ||
+ | <center>[[Imagem: results_pca-sift.png|400px]]</center> | ||
+ | <center>'''Tabela 1 - Resultados'''</center> | ||
+ | '''Referências''' | ||
Linha 116: | Linha 130: | ||
Inclua aqui suas anotações | Inclua aqui suas anotações | ||
{{collapse bottom}} | {{collapse bottom}} | ||
+ | |||
+ | {{referências}} |
Edição das 21h52min de 21 de março de 2017
Uma câmera no painel do carro filma (ou tira fotos) da estrada. Via processamento de imagem, as placas de sinalização são detectadas pelo sistema, que emite um aviso ao motorista. Trabalho feito em MATLAB.
- Aluno: Mathias Silva da Rosa
- Orientador: Diego da Silva de Medeiros
Revisão bibliográfica
Sistemas diversos
- Mammeri - Traffic Signs Localisation and Recognition Using A Client-Server Architecture - Usa um sistema centralizado, semelhante ao GPS
Via processamento de imagens
- Gao - Traffic signs recognition based on PCA-SIFT - Traz um apanhado geral sobre vários tipos de técnicas. Usa pré-processamento, SIFT (Scale-Invariant Feature Transform e SVM (Support Vector Machine)
Anotações do artigo |
---|
O seguinte trabalho propõe um sistema de detecção e reconhecimentos de placas de sinalização dando foco na extração das características das regiões de interesse, especialmente na otimização utilizando o algoritmo Scale-Invariant Feature Transform (SIFT) através do procedimento de análise de componentes principais (Principal Component Analysis - PCA). Na etapa de classificação é utilizada a técnica de Máquinas de Vetores de Suporte (SVM). SIFT O SIFT(Scale-Invariant Feature Transform) é uma técnica utilizada para detecção e extração de regiões de interesse que são praticamente invariáveis a mudanças de iluminação, ruído, rotação e escala. Após a detecção das regiões de interesse (chamadas neste trabalho como pontos-chave) em uma imagem, é criado um descritor para cada região. Estes descritores são comparados entre si e possibilita o casamento entre diferentes imagens contendo o mesmo objeto. O algoritmo que executa esta técnica é apresentado pelos seguintes passos:
Essas informações extraídas serão utilizadas posteriormente para a classificação. Análise de Componentes Principais (PCA) A análise de componentes principais (Principal Component Analysis) é uma técnica estatística que consiste em transformar um conjunto de variáveis em outro conjunto de mesma dimensão denominadas de componentes principais. Os componentes principais apresentam propriedades importantes: cada componente principal é uma combinação linear de todas as variáveis originais, são independentes entre si e estimados com o propósito de reter, em ordem de estimação, o máximo de informação, em termos da variação total contida nos dados<ref>VARELLA, C. A.Análise de componentes principais. Seropédica: Universidade Federal Rural do Rio de Janeiro, 2008<\ref>. A análise de componentes principais é associada à ideia de redução de massa de dados, com menor perda possível da informação. Procura-se redistribuir a variação observada nos eixos originais de forma a se obter um conjunto de eixos ortogonais não correlacionados. Esta técnica é utilizada neste trabalho com o objetivo de otimizar a extração das características das regiões de interesse e consequentemente aumentar a precisão dos sistema de detecção e reconhecimento de placas de sinalização. SVM Uma Máquina de vetores de suporte (Support vector machine -SVM) é uma técnica de aprendizagem utilizada para classificação de classes binárias. Os resultados da aplicação desta técnica são comparáveis e muitas vezes superiores aos obtidos por outros algoritmos de aprendizado como as Redes Neurais Artificiais (RNAs). Exemplos de aplicações de sucesso podem ser encontradas na categorização de textos, reconhecimento de imagens e na Bioinformática. O objetivo do algoritmo é encontrar a melhor escolha para um hiperplano que classifica os dados de entrada em duas classes distintas. Os fatores mais importantes são as margens entre o hiperplano e os dados adjacentes ao hiperplano, correspondentes à cada classe. Resultados Os resultados alcançados estão apresentados pela tabela 1: Referências
|
- Wahyono - A comparative study of classification methods for traffic signs recognition - Compara diversos métodos: Redes Neurais artificiais (ANN), Vizinhos k-Próximos (kNN), SVM, Random Forest (RF) e HOG (Histogram of Oriented Gradients)
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Jang - Data debiased traffic sign recognition using MSERs and CNN - Usa componentes de cor
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Romdhane - An improved traffic signs recognition and tracking method for driver assistance system - Usa segmentação via cor e HOG (Histogram of Oriented Gradients)
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Romdhane - Combined 2d/3d traffic signs recognition and distance estimation - Usa uma estrutura parecida, porém acrescenta o SVM
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Feng - Ground traffic signs recognition based on Zernike moments and SVM - Usa os Momentos de Zernike e SVM
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Elotmani - A light traffic signs recognition system - Usa detecção de cores e Projeção de Perfil
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Wang - Traffic-signs recognition system based on multi-features - Usa um método de segmentação FCM (Fuzzy c-Means) e classificação CBIR (Content-Based Image Retrieval)
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Mariut - Detection and recognition of traffic signs using Gabor filters - Usa espaço de cores HSV (matiz, saturação e valor), classificação por correlação e reconhecimento via distância euclidiana e filtro de Gabor
Anotações do artigo |
---|
Inclua aqui suas anotações |
- Chen - A Robust Traffic Sign Recognition System for Intelligent Vehicles - Classificação via Filtro Vetorial Simples, Transformada Hough e Curve Fitting, e classificação via Momentos Pseudo-Zernike
Anotações do artigo |
---|
Inclua aqui suas anotações |
Referências
- ↑ COUTINHO, D.P.; MARROQUIM R. SIFT - Scale Invariant Feature Transform. LCG Computer Graphics Lab, Universidade Federal do Rio de Janeiro, 2013
- ↑ COUTINHO, D.P.; MARROQUIM R. SIFT - Scale Invariant Feature Transform. LCG Computer Graphics Lab, Universidade Federal do Rio de Janeiro, 2013
- ↑ BELO, F. A. Desenvolvimento de Algoritmos de Exploração e Mapeamento Visual para Robôs Móveis de Baixo Custo. Diss. PUC-Rio, 2006.