APLICAÇÃO DE RECONHECIMENTO DE SÍMBOLOS EM PLACAS SINALIZADORAS CAPTURADAS POR CÂMERAS DIGITAIS
##plugins.themes.bootstrap3.article.main##
Resumo
A detecção e o reconhecimento de placas sinalizadoras e textos em imagens digitais são funcionalidades importantes em veículos inteligentes e podem auxiliar pessoas com deficiência visual. Esse problema é suficientemente complexo para ser implementado utilizando algoritmos tradicionais (STALLKAMP, 2012). A complexidade está diretamente associada à quantidade de eventos que podem acontecer e que devem ser tratados. O sistema deve localizar e determinar o conteúdo de diversas placas diferentes, capturadas em diversos pontos de vista. Para resolver esse tipo de problema é necessário um algoritmo inteligente, ou seja, um sistema que se adapta aos diversos eventos que possam ocorrer. A adaptação deverá conduzir o sistema a se aproximar da melhor solução possível. Recentes avanços na solução desses dois problemas, especialmente o grande esforço feito em competições internacionais (German Traffic Sign Benchmarks), têm dado origem a sistemas confiáveis. Os sistemas que obtiveram melhores resultados abordam o uso da técnica HOG (Histograma orientado a gradientes) aliado a uma SVM (Máquina de Vetores Suporte) para detecção (HOUBEN, 2013). Quanto ao problema de reconhecimento, o estado da arte diz que as CNN (Redes Neurais Convolucionais) conseguem obter uma boa taxa de classificação. (REDMON, 2014) Este trabalho visa o desenvolvimento de uma aplicação que utiliza imagens capturadas por cameras digitais para a detecção e reconhecimento de símbolos e placas sinalizadoras. Até o momento foi desenvolvido um sistema em C++, com o auxílio da ferramenta OpenCV, que faz a detecção de placas sinalizadoras de trânsito. Os resultados do sistema desenvolvido na base de dados LISA (Laboratory for Intelligent and Safe Automobiles) foram bons e similares aos resultados das competições, obtendo nenhum falso positivo (o sistema não detecta placa onde não existe placa). Além disso, o sistema é robusto a certas oclusões na placa (poste ou galho de árvore cobrindo parcialmente a placa na imagem, por exemplo) e também tem custo computacional reduzido quanto comparado a outras abordagens (mais rápido). Palavras-chave: Detecção; Símbolos; Imagem; Camera.
Downloads
Não há dados estatísticos.
##plugins.themes.bootstrap3.article.details##
Edição
Seção
Engenharia da Computação e Sistemas
Referências
STALLKAMP, Johannes et al. Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition. Neural networks, v. 32, p. 323-332, 2012.
HOUBEN, Sebastian et al. Detection of traffic signs in real-world images: The German Traffic Sign Detection Benchmark. In: Neural Networks (IJCNN), The 2013 International Joint Conference on. IEEE, 2013. p. 1-8.
REDMON, Joseph; ANGELOVA, Anelia. Real-Time Grasp Detection Using Convolutional Neural Networks. arXiv preprint arXiv:1412.3128, 2014.
HOUBEN, Sebastian et al. Detection of traffic signs in real-world images: The German Traffic Sign Detection Benchmark. In: Neural Networks (IJCNN), The 2013 International Joint Conference on. IEEE, 2013. p. 1-8.
REDMON, Joseph; ANGELOVA, Anelia. Real-Time Grasp Detection Using Convolutional Neural Networks. arXiv preprint arXiv:1412.3128, 2014.