Mudanças entre as edições de "Reconhecimento de Placas de Sinalização Via Processamento Digital de Imagem e Aprendizado de Máquina"
Linha 42: | Linha 42: | ||
O seguinte trabalho propõe um sistema de detecção e reconhecimento de placas de sinalização de trânsito, dando foco na extração das características das regiões de interesse, especialmente na otimização desta etapa utilizando o algoritmo ''Scale-Invariant Feature Transform'' (SIFT) em conjunto com o 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). | O seguinte trabalho propõe um sistema de detecção e reconhecimento de placas de sinalização de trânsito, dando foco na extração das características das regiões de interesse, especialmente na otimização desta etapa utilizando o algoritmo ''Scale-Invariant Feature Transform'' (SIFT) em conjunto com o 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). | ||
− | + | ||
+ | :{{collapse top | Scale-Invariant Feature Transform - 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 de característica para cada região. Estes descritores são comparados entre si e possibilitam o casamento entre diferentes imagens contendo o mesmo objeto. O algoritmo que executa esta técnica é apresentado pelos seguintes passos: | 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 de característica para cada região. Estes descritores são comparados entre si e possibilitam o casamento entre diferentes imagens contendo o mesmo objeto. O algoritmo que executa esta técnica é apresentado pelos seguintes passos: | ||
Linha 67: | Linha 68: | ||
Essas informações extraídas serão utilizadas posteriormente para a etapa de classificação. | Essas informações extraídas serão utilizadas posteriormente para a etapa de classificação. | ||
− | + | {{collapse bottom}} | |
+ | |||
+ | :{{collapse top | 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 dimensão menor capaz de fornecer o mesmo tipo de informação. Os componentes deste novo conjunto são denominados componentes principais. Os componentes principais apresentam importantes propriedades: 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. Universidade Federal Rural do Rio de Janeiro, Seropédica, 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. | A análise de componentes principais (Principal Component Analysis) é uma técnica estatística que consiste em transformar um conjunto de variáveis em outro conjunto de dimensão menor capaz de fornecer o mesmo tipo de informação. Os componentes deste novo conjunto são denominados componentes principais. Os componentes principais apresentam importantes propriedades: 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. Universidade Federal Rural do Rio de Janeiro, Seropédica, 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. | ||
Linha 73: | Linha 76: | ||
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 de trânsito. | 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 de trânsito. | ||
− | + | {{collapse bottom}} | |
+ | |||
+ | :{{collapse top | Máquina de Vetores de Suporte - 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. | 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. | ||
Linha 81: | Linha 86: | ||
O técnica SVM pode ser utilizada para multiclasses posicionando a SVM binária em um estrutura de árvore. | O técnica SVM pode ser utilizada para multiclasses posicionando a SVM binária em um estrutura de árvore. | ||
− | + | {{collapse bottom}} | |
+ | |||
+ | :{{collapse top | Resultados }} | ||
Os resultados alcançados estão apresentados pela tabela 1: | Os resultados alcançados estão apresentados pela tabela 1: | ||
Linha 88: | Linha 95: | ||
<center>'''Tabela 1 - Resultados'''</center> | <center>'''Tabela 1 - Resultados'''</center> | ||
<center>'''Fonte: Próprio artigo'''</center> | <center>'''Fonte: Próprio artigo'''</center> | ||
− | |||
{{collapse bottom}} | {{collapse bottom}} |
Edição das 10h06min de 27 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 reconhecimento de placas de sinalização de trânsito, dando foco na extração das características das regiões de interesse, especialmente na otimização desta etapa utilizando o algoritmo Scale-Invariant Feature Transform (SIFT) em conjunto com o 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).
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
Romdhane - An improved traffic signs recognition and tracking method for driver assistance system- Usa segmentação via cor e HOG (Histogram of Oriented Gradients)
Romdhane - Combined 2d/3d traffic signs recognition and distance estimation- Usa uma estrutura parecida, porém acrescenta o SVM
Feng - Ground traffic signs recognition based on Zernike moments and SVM- Usa os Momentos de Zernike e SVM
Elotmani - A light traffic signs recognition system- Usa detecção de cores e Projeção de Perfil
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)
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
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
Referências
|