![DSpace logo](/image/banner.png)
Please use this identifier to cite or link to this item:
http://repositorioinstitucional.uea.edu.br//handle/riuea/3737
Title: | Sistema de detecção e identificação automática de placas de trânsito brasileiras aplicada ao auxílio à direção veicular utilizando técnicas de processamento digital de imagens |
Other Titles: | System of automatic detection and identification of Brazilian road signs applied to the aid to vehicle steering using digital image processing techniques |
Authors: | Monteiro, James Franklin Pereira |
metadata.dc.contributor.advisor1: | Oliveira, Jozias Parente de |
Keywords: | Detecção e identificação de placas de trânsito,;RCNN;Processamento Digital de Imagens;Traffic Sign Detection and Classification;Digital Image Processing |
Issue Date: | 30-Dec-2021 |
Publisher: | Universidade do Estado do Amazonas |
metadata.dc.description.resumo: | Os Sistemas Avançados de Assistência ao Motorista (ADAS) são sistemas que buscam auxiliar o motorista a exercer a atividade da direção veicular, de forma passiva ou ativa. O ADAS possui diversas funcionalidades, no entanto, destaca-se a capacidade que o automóvel efetue um mapeamento do ambiente ao redor, identificando situações de risco para o condutor, passageiros ou pedestres, devendo atuar de forma efetiva ou alertar sobre tais condições. Uma das aplicações deste mapeamento de ambiente, refere-se a sua usabilidade em detecção e identificação de placas de sinalização de trânsito. Para que esse processo seja feito com um índice adequado de precisão, são necessários utilização de técnicas de visão computacional, processamento digital de imagens e, mais recentemente, Redes Neurais. Com isso, este trabalho propõe-se a desenvolver um sistema de detecção e identificação automática de placas brasileiras de sinalização de trânsito, aplicadas ao auxílio à direção veicular, de forma a utilizar técnicas de processamento digital de imagens. O modelo é composto por um sistema de RCNN – (Region Based Convolutional Neural Networks), constituído com duas etapas: detecção e classificação. Na primeira, utilizando técnicas de processamento de imagem e modelo de SVM para efetuar a extração da zona de interesse, obtendo uma precisão da taxa de 67,2 % em ambiente de teste, com bases de benchmark. A segunda etapa consiste em utilizar o resultado do processo anterior para efetuar a classificação dos sinais de trânsito, seguindo um modelo de Rede Neural Convolucional clássico, chegando a uma taxa de precisão de 99,26 %, em teste com bases de benchmark, e para base de dados de placas brasileiras, 85,29 %, sendo considerado satisfatório para o conjunto de dados. |
Abstract: | The Advanced Driver Assistance Systems (ADAS) are systems that seek to help the driver to drive the vehicle safely, either passively or actively. The ADAS has several characteristics, however, the vehicle's ability to map the surrounding environment stands out, identifying hypotheses of risk for the driver, passengers, or pedestrians, and must act effectively or alert about such conditions. One of the applications of this environment mapping refers to its usability in detecting and identifying traffic signs. For this process to be carried out with an adequate level of precision, the use of computer vision techniques, digital image processing and, more recently, Neural Networks are used. Thus, this work proposes to develop a system for the detection and automatic identification of Brazilian traffic sign plates, applied to aid in vehicular driving, to use digital image processing techniques. The model consists of a RCNN - (Region Based Convolutional Neural Networks) system, consisting of two stages: detection and classification. In the first, using image processing techniques and SVM model to extract the zone of interest, obtaining a rate accuracy of 67.2% in a test environment, testing with benchmark dataset. The second step consists of using the result of the previous process to carry out the classification of traffic signals, following a classic Convolutional Neural Network model, reaching an accuracy rate of 99.26%, in a test with benchmark dataset, and for database of Brazilian plates, 85.29%, being considered satisfactory for the dataset. |
URI: | http://repositorioinstitucional.uea.edu.br//handle/riuea/3737 |
Appears in Collections: | EST - Trabalho de Conclusão de Curso Graduação |
Files in This Item:
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.