Mudanças entre as edições de "Reconhecimento de Placas de Sinalização Via Processamento Digital de Imagem e Aprendizado de Máquina"
Linha 79: | Linha 79: | ||
<center>[[Imagem: results_pca-sift.png|400px]]</center> | <center>[[Imagem: results_pca-sift.png|400px]]</center> | ||
<center>'''Tabela 1 - Resultados'''</center> | <center>'''Tabela 1 - Resultados'''</center> | ||
+ | <center>'''Fonte: Próprio artigo'''</center> | ||
Linha 86: | Linha 87: | ||
:{{collapse top | Anotações do artigo }} | :{{collapse top | Anotações do artigo }} | ||
− | A proposta do trabalho é apresentar um sistema para detecção e reconhecimento para placas de sinalização dando foco na comparação entre as principais técnicas de classificação utilizadas atualmente. O sistema é particionado em três principais estágios: segmentação da região de interesse utilizando características de cor (saturação e matiz), análise do formato da placa (círculo, retângulo ou triãngulo) e classificação através de diversas técnicas. Rede neural artificial (ANN), K-Vizinhos Mais Próximos (K-Nearest Neighbor - KNN), Máquina de vetores de suporte (Support Vectores Machine - SVM) | + | A proposta do trabalho é apresentar um sistema para detecção e reconhecimento para placas de sinalização dando foco na comparação entre as principais técnicas de classificação utilizadas atualmente. O sistema é particionado em três principais estágios: segmentação da região de interesse utilizando características de cor (saturação e matiz), análise do formato da placa (círculo, retângulo ou triãngulo) e classificação através de diversas técnicas. Rede neural artificial (ANN), K-Vizinhos Mais Próximos (''K-Nearest Neighbor'' - KNN), Máquina de vetores de suporte (''Support Vectores Machine'' - SVM) e ''Random Forest'' (RF) . |
+ | |||
+ | '''Segmentação das cores''' | ||
+ | |||
+ | O processo de segmentação das cores foi aplicado através de um esquema de binarização, como é apresentado pela tabela 1 abaixo. | ||
+ | |||
+ | <center>[[Imagem:segmentacao_cores.png|400px]]</center> | ||
+ | <center>'''Tabela 1 - Segmentação das cores'''</center> | ||
+ | <center>'''Fonte: Próprio artigo'''</center> | ||
+ | |||
+ | ''' Análise do formato''' | ||
+ | |||
+ | Para a análise do formato de cada placa de sinalização, foi aplicado uma técnica denominada ''Centroid-Based Graph'' (CBG), da qual resulta na classificação das regiões de interesse em formato de círculo, triângulo e retângulo. | ||
+ | |||
+ | '''Reconhecimento''' | ||
+ | |||
+ | Para extrair as características da imagem de uma possível placa de sinalização foi utilizada a técnica denominada Histograma de Gradientes Orientados (HOG). Primeiramente, a imagem é redimensionada em uma área de 100x100 pixels (no caso do trabalho proposto) para manter um equilíbrio entre a precisão do reconhecimento e o processamento envolvido. | ||
+ | |||
+ | O HOG é obtido através de uma densa grade de células normalizadas em relação ao contraste. Cada célula forma um histograma em escala positiva de 8 bits, onde cada posição é relacionada às magnitudes dos pixels pertencentes a cada célula. Através dos valores máximos do histograma, um vetor espacial é obtido e representa a informação que será utilizada posteriormente no processo de classificação. | ||
+ | |||
+ | '''Classificação''' | ||
+ | |||
+ | Entre os processos utilizados para classificação estão: | ||
+ | |||
+ | *Rede Neural Artificial: Modelo matemático inspirado nas redes neurais biológicas. A ANN consiste em um grupo de neurônios artificias separados em camadas e interconectados que processam a informação utilizando um modelo complexo de relacionamento entre as entradas e saídas de cada neurônio com o objetivo de encontrar um padrão entre os dados. | ||
+ | |||
+ | *K-Vizinhos Mais Próximos: O princípio deste algoritmo é baseado no conceito de que os dados de uma mesma classe possuem características espaciais próximas ou semelhantes. O procedimento básico é, através de probabilidade estatística relacionada à uma distância mínima k, selecionar quais regiões pertencem à uma determinada classe de interesse. | ||
+ | |||
+ | *Máquina de vetores de suporte (comentada em outros artigos). | ||
+ | |||
+ | *Random Forest: É um algoritmo computacional de aprendizagem que constrói uma elevada quantidade de árvores de decisão as quais são utilizadas para classificar um novo dado fornecido. | ||
+ | |||
+ | '''Experimento''' | ||
+ | |||
+ | O experimento foi realizando utilizando o banco de dados do sistema de placas de sinalização alemão. Deste banco de dados foram extraídas entre 300 à 700 imagens para treinamento ou teste de cada classe. Toda a classificação foi implementada utilizando a plataforma Matlab através de um computador com a seguinte especificação: 3GHz Pentium 4, 2GB RAM e Windows 32 bits. | ||
+ | |||
+ | '''Resultado da comparação''' | ||
+ | |||
+ | A comparação das técnicas de classificação foi dividida em dois casos específicos: | ||
+ | *Caso 1: 75% da imagens seriam utilizadas para treinamento enquanto que o resto seria utilizado para os testes. | ||
+ | *Caso 2: Todas as imagens de treinamento e de testes seriam utilizadas. | ||
+ | |||
+ | A performance do sistema é apresentado pela tabela 2 (caso 1) e pela tabela 3 (caso 2) abaixo: | ||
+ | |||
+ | <center>[[Imagem:Performace_caso1.png|400px]]</center> | ||
+ | <center>'''Tabela 2 - Resultado para o caso 1'''</center> | ||
+ | <center>'''Fonte: Próprio artigo'''</center> | ||
+ | |||
+ | <center>[[Imagem:Performace_caso2.png|400px]]</center> | ||
+ | <center>'''Tabela 3 - Resultado para o caso 2'''</center> | ||
+ | <center>'''Fonte: Próprio artigo'''</center> | ||
+ | |||
+ | A conclusão feita é que o sistema utilizando a técnica de classificação Random Forest alcançou um nível de precisão bastante elevando, porém gerando grande latência ao sistema. Por outro lado, o sistema utilizando a Rede Neural Artifical, possuindo na maioria dos casos um precisão pobre, conseguiu atingir o menor valor de latência. | ||
{{collapse bottom}} | {{collapse bottom}} |
Edição das 21h12min de 22 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 [3]. 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:
|
- 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)
- 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
- ↑ 1,0 1,1 COUTINHO, D.P.; MARROQUIM R. SIFT - Scale Invariant Feature Transform. LCG Computer Graphics Lab, Universidade Federal do Rio de Janeiro, 2013
- ↑ 2,0 2,1 2,2 BELO, F. A. Desenvolvimento de Algoritmos de Exploração e Mapeamento Visual para Robôs Móveis de Baixo Custo. Diss. PUC-Rio, 2006.
- ↑ VARELLA, C. A. Análise de componentes principais. Universidade Federal Rural do Rio de Janeiro, Seropédica, 2008