CONTAGEM AUTOMATIZADA DE VEÍCULOS UTILIZANDO SEGMENTAÇÃO ESTATÍSTICA Aluno: Daniel Felipe Silva...
Transcript of CONTAGEM AUTOMATIZADA DE VEÍCULOS UTILIZANDO SEGMENTAÇÃO ESTATÍSTICA Aluno: Daniel Felipe Silva...
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.