CONTAGEM AUTOMATIZADA DE VEÍCULOS UTILIZANDO SEGMENTAÇÃO ESTATÍSTICA

Aluno: Daniel Felipe Silva Santos

Orientador: prof. Dr. João Paulo Papa

Co-Orientadora: prof. Dra. Bárbara Stolte Bezerra

UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO”

FACULDADE DE CIÊNCIAS DEPARTAMENTO DE COMPUTAÇÃO

BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO

VÍDEO SEGMENTAÇÃO

Conversão analógica p/ digital da imagem

Filtragem da imagem

Destacar determinado objeto em uma imagem, destacando os seus componentes unitários(pixels).

MLE/MEPS

MLE = Maximum Likelihood ExtimationMEPS = Maximização das Extimativas

Probabilísticas de Similaridade

)(maxargˆ xL

MLE - NORMAL MULTIVARIADA

n

j

XTXe

pL jjx

1

2/)(1)(2/12/)2(

1)(

pppp

p

p

TXXE

21

22221

11211

))((

MAP/MEPPMAP = Maximum A PosterioriMEPP = Maximização das

Estimativas Probabilísticas a Posteriori.

)(

)ˆ()ˆ()|ˆ(

xp

Lx

X

x

)|ˆ(ˆmaxarg)(ˆ xx

SEGMENTAÇÃO ESTATÍSTICA

Segundo (LANZA; STEFANO, p. 1897, 2011, tradução nossa), “[...] é um teste estatístico que provê uma medida da distância entre dois eventos, respectivamente, provenientes apenas de fatores de distúrbios agindo na região analisada, e pelo vetor de características notadas.”

TfUt

U

C

),(

),( fUt

MAP-SEGMENTAÇÃO ESTATÍSTICA

c=0, alterações por distúrbiosc=1, ocorreu uma mudançac=2, ocorreram c=0 e c=1

)()|(maxarg)|(maxarg cpcfpfcpccc

MAP

MAP-SEGMENTAÇÃO ESTATÍSTICA

c=1 e c=2 tornam-se C(Change)c=0 torna-se U(Unchange)

)|()|( fUpfCp

U

C

TfUt

U

C

),(

PROCESSO ESTOCÁSTICO

Um processo estocástico trata da análise do comportamento das variáveis aleatórias ao longo de um período de observação.

t

}:)({ TttXP

CONTORNOA forma de um objeto está associada

principalmente a disposição dos seus pontos delimitadores, que quando conectados, formam o contorno.

Fonte: (COSTA, CESAR; 2009)

RNAS

Redes Nurais Artificiais

Modelos biologicamente inspirados no cérebro humano

Aprendizado por treinamento

MODELOS DE APRENDIZADO

Técnicas Adaptativas

Modelo Supervisionado

Modelo Não-Supervisionado

MODELO SUPERVISIONADO

Fonte: (BRAGA,CARVALHO,LUDEMIR;2000)

Professor direciona aprendizado

MODELO NÃO-SUPERVISIONADO

Criação de áreas classificatórias sem um professor

Fonte: (BRAGA; LUDEMIR; CARVALHO, 2000)

PERCEPTRONMcCulloch e Pitts (MCCULLOCH; PITTS,

1943)Frank Rosemblat (ROSEMBLAT, 1958)

Fonte: (BRAGA; LUDEMIR; CARVALHO, 2000)

CONTAGEM VOLUMÉTRICA

A contagem volumétrica visa estimar a quantidade total N de veículos que passam num dado ponto ou seção de uma via ou faixa da via durante um determinado período de tempo.

Utilização de N para estabelecer medidas do uso das estradas

MEDIDAS DO USO DAS ESTRADAS

Fluxo ou Vazão -

Densidade ou Concentração-

Velocidade –

Espaçamento –

Intervalo(Headway) -

)(

)()/(

hT

veicNhveicQ

)(

)()/(

kmL

veicNkmveicK

it

LNV

.

)/(

1)/(

mveicKveicmS

)/(

1)/(

segveicQveicsegH

TRABALHOS CORRELATOSContador classificatório utilizando

NHD + Desc. De Fourier + Perceptron Multi-Camadas (SANTOS; 2008)

Fonte: (SANTOS, p. 59, 2008)

REFERÊNCIAS BRAGA, Antônio de P.; CARVALHO, André; LUDEMIR, Teresa B. Redes Neurais Artificiais: Teoria e

Aplicações. Rio de Janeiro: ETC, 2000.  CÉSAR JR, Roberto M.; COSTA, Luciano F. Shape analysis and classification. 2. ed. Boca Raton: CRC

Press, 2009.

FEITOSA, Francisco Coelho C. Um estudo prático para contagem volumétrica automática de veículos usando Visão Computacional. Goiânia-GO, 2012 . 138p. Dissertação de Mestrado. Instituto de Informática, Universidade Federal de Goiás.

GEE, Pei; HO, Peter;. Image Segmentation. India: InTech, 2011  GONZALEZ, Rafael C.; WOODS, Richard E. Processamento de imagens digitais.

Tradução de Roberto Marcondes Cesar Junior, Luciano da Fontoura Costa. São Paulo: Edgard Blücher, 2000.  JOHSON, Richard A.; WICHERN, Dean W. Applied Multivariate Statistical Analysis. 6. ed. New Jersey:

Pearson Prentice Hall, 2007

KOBAYASHI, Hisashi; MARK, Brian L.; TURIN, William. Probability, Random Process, and Statistical Analysis. New York: Cambridge University Press, 2012

 

REFERÊNCIAS LANZA A.; STEFANO L. D. Image Statistical Change Detection by the Pool

Adjacent Violators Algorithm, IEEE Transactions on Pattern Analysis and Machine Intelligence, v. 33, n. 9, p. 1894-1910, set. 2011.

(MCCULLOCH, Warren S.; PITTS, Walter. A Logical Cauculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, v. 5, p. 115-133, 1943.

  MOORE, David S.; McCABE, George P.; CRAIG, Bruce A. Introduction to the

Practice of Statistics. 6. Ed. New York: W. H. Freeman and Company, 2009  NGAN, King N.; LI, Hongliang. Video Segmentation and Its Applicantions.

Springer Science+Business Media, LLC, 2011.  PAPOULIS, Athanasios; PILLAI S. Unnikrishna. Probability, Random Variables and

Stocasthic Process. 4. ed. New York: McGraw-Hill, 2002. ROSEMBLAT, Frank. The Perceptron: A Probabilistic Model for Information

Storage and Organization in the Brain, Psychological Review, v. 65, n. 6, p. 286 – 408, 1958.

 

REFERÊNCIAS

SANTOS, Daniel dos. Sistema Óptico para Identificação de Veículos em Estradas. Blumenau, 2008. Monografia de Graduação. Universidade Regional de Blumenau Centro de Ciências Exatas e Naturais.

  SPIGOLON, Luciana M. G. Semáforo: Gupo Focal Convencional X Grupo

Focal com Indicação do Tempo de Verde/Vermelho Restante. São Carlos, 2010. Dissertação de Mestrado. Universidade de São Paulo, Programa de Pós-graduação em Engenharia de transportes. Área de concentração: Planejamento e operações de Sistema de Transportes.

STIRZAKER, David. Stochastic Process & Models. New York: Oxford

University Press Inc., 2005)

  TAKEZAWA, Kunio; Introduction to Nonparametric Regression. New Jersey:

John Wiley & Sons, Inc., 2006.

  TMG, Traffic Monitoring Guide. In: Section 3, Traffic Volume Monitoring. USA:

U.S. Department of Transportation, Federal Highway Administration, Office of Highway Policy Information, mai. 2001.