Segmentação e reconhecimento de semáforos com ajuda de instrução especialista
| Autor: | Almeida, Thiago da Silva |
|---|---|
| Přispěvatelé: | Macedo, Hendrik Teixeira, Matos, Leonardo Nogueira |
| Jazyk: | portugalština |
| Rok vydání: | 2018 |
| Předmět: |
Trânsito
Traffic light Visão computacional Aquisição de conhecimento (Sistemas especialistas) Aprendizado do computador Aprendizado de máquina Inteligência artificial CIENCIA DA COMPUTACAO [CIENCIAS EXATAS E DA TERRA] Machine learning Expert knowledge Conhecimento especialista Computer vision Computação Semáforos |
| Zdroj: | Repositório Institucional da UFS Universidade Federal de Sergipe (UFS) instacron:UFS |
| Popis: | Traffic light detection and recognition research has grown every year. In addition to this, Machine Learning have been largely used not only in traffic light research but in every field that it is useful and possible to generalize data and automatize a human behavior. Machine Learning algorithms requires a large amount of data to work properly, and because of that, needs a lot of computational power to analyze the data. In this article Expert Knowledge was used in an attempt to reduce the amount of data required by a Machine Learning algorithm. Results show that the inclusion of Expert Knowledge - EK - increased in at least 15% the algorithm test accuracy rate in two different image datasets. The EK used was the traffic light location in a image obtained from a vehicle interior. This idea is based on the theory that there are regions where the traffic lights appear more frequently and, for that reason, those regions have a bigger traffic light appearance probability. Traffic light frequency maps were built to validate this theory. The maps are the result of a human expert analysis over a image group containing traffic images with traffic lights, the human expert tagged in each image the location where the traffic light appeared. The EK inclusion evaluation rates were also superior when testing the detection algorithm followed by the trained classification algorithm, in this test the EK inclusion obtained 83% precision rate and 73% recall rate, while the traditional trained algorithm had 75,3% precision rate and 51,1% recall rate. This article also proposes a traffic light recognition (TLR) device prototype using a smartphone as camera and processing unit that can be used as a driver assistance. To validate this layout prototype, a dataset was built and used to test an algorithm that uses an adaptive background suppression filter (AdaBSF) and Support Vector Machines (SVMs) to detect traffic lights. The application of AdaBSF and subsequent classification with SVM to the dataset achieved 100% precision rate and recall of 65%. Impulsionadas pelo alto interesse no desenvolvimento de veículos autônomos, as pesquisas sobre detecção e reconhecimento de semáforo tem crescido a cada ano. Além disso, técnicas de Aprendizado de Máquina tem sido amplamente utilizadas não apenas na pesquisa sobre reconhecimento de semáforos, como também em todos os campos em que pode ser necessário encontrar padrões em dados e automatizar um comportamento humano. Muitos dos algoritmos de Aprendizado de Máquina mais utilizados requerem uma grande quantidade de dados para funcionar adequadamente e, por causa disso, precisam de muito poder computacional. Nesta dissertação foi investigado o uso de Conhecimento ou Instrução Especialista - IE na tentativa de reduzir a quantidade de dados exigidos por um algoritmo de Aprendizado de Máquina. O conhecimento especialista escolhido para ser utilizado como instrução foi a localização do semáforo numa dada imagem obtida do interior do veículo. Esta estratégia se baseia na teoria de que há maior probabilidade do semáforo aparecer em certas regiões como, por exemplo, nas regiões centrais e superiores da imagem. Foram construídos mapas de frequência da localização de semáforos para validar essa teoria. Os mapas são o resultado da análise de um especialista humano sobre uma série de imagens, o especialista marca em cada imagem as coordenadas da região em que o(s) semáforo(s) aparece(m). Os resultados mostram que a inclusão do IE aumentou em pelo menos 15% a acurácia obtida pelo algoritmo de classificação em dois bancos de imagem diferentes. As taxas de avaliação alcançadas pela inclusão de IE também foram superiores no experimento completo incluindo a detecção de semáforo seguida da classificação pelo algoritmo treinado. Neste teste a inclusão de IE na PCANet obteve 83% de precisão e 73% de cobertura, enquanto a PCANet sem inclusão de IE alcançou 75,3% de precisão e 51,1% de cobertura. Este trabalho também apresenta um protótipo de Dispositivo Reconhecedor de Semáforos (DRS) que pode ser utilizado para criar bancos de imagens e como suporte ao motorista. O DRS proposto utiliza um smartphone como câmera e unidade de processamento. Para validar o layout do protótipo, um conjunto de dados foi obtido e testado em um algoritmo de filtro de supressão de fundo adaptável (Adaptive Background Suppression Filter - AdaBSF) e Support Vector Machines (SVMs) para detectar e reconhecer semáforos. A aplicação do AdaBSF e subsequente classificação com SVM ao conjunto de dados alcançou uma taxa de precisão de 100% e reconvocação/cobertura de 65%. São Cristóvão, SE |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|