DSpace logo

Use este identificador para citar ou linkar para este item: http://repositorioinstitucional.uea.edu.br//handle/riuea/5949
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.authorBezerra, Leandro De Souza-
dc.date.available2024-09-24-
dc.date.available2024-09-24T14:01:47Z-
dc.date.issued2023-09-12-
dc.identifier.urihttp://repositorioinstitucional.uea.edu.br//handle/riuea/5949-
dc.description.abstractThe main objective of this work is to conduct a research related to Background Subtraction object detection method and analyze its performance when applying MOG, MOG2, GMG, KNN and CNT modeling techniques in a simulated vehicular traffic environment and identify the approach with the most suitable performance for this type of situation. The methodology used consists of developing an algorithm that will implement each modeling technique in a video that presents moving vehicles, where the results obtained by the subtraction will be compared with each pixels from the reference images, which represents the ideal result (Ground Truth). The data collected from the comparisons are used to calculate the accuracy and processing time metrics, which are the indicators used for performance analysis and selection of the modeling technique. The results of the experiment demonstrated that MOG2 technique is the most appropriate for the proposed scenario, with the best precision (66.16%), accuracy (98.59%) and suitable average processing time per frame (8.15 ms) when compared to the other techniques evaluated.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade do Estado do Amazonaspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectSubtração de fundopt_BR
dc.subjectProcessamento digital de imagenspt_BR
dc.subjectVisão computacionalpt_BR
dc.subjectDetecção de objetospt_BR
dc.subjectBackground subtractionpt_BR
dc.subjectDigital image processingpt_BR
dc.subjectComputer visionpt_BR
dc.subjectObject detectionpt_BR
dc.titleUm estudo comparativo da eficiência de algoritmos de subtração de fundo de imagem aplicados a um ambiente simulado de tráfego veicularpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.date.accessioned2024-09-24T14:01:47Z-
dc.creator.ID4487926338821359pt_BR
dc.contributor.advisor1Cardoso, Fábio de Sousa-
dc.contributor.advisor1ID5612584109016079pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5612584109016079pt_BR
dc.contributor.referee1Cardoso, Fábio de Sousa-
dc.contributor.referee1ID5612584109016079pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5612584109016079pt_BR
dc.contributor.referee2Ferreira Sobrinho, Angilberto Muniz-
dc.contributor.referee2ID0776974840042314pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/0776974840042314pt_BR
dc.contributor.referee3Pantoja, Antônio Luiz Alencar-
dc.contributor.referee3ID4220065811192764pt_BR
dc.contributor.referee3Latteshttp://lattes.cnpq.br/4220065811192764pt_BR
dc.creator.Latteshttp://lattes.cnpq.br/4487926338821359pt_BR
dc.description.resumoEste trabalho tem como objetivo realizar o estudo do método de detecção de objetos denominado Subtração de Fundo (Background Subtraction), analisar o desempenho das técnicas de modelagem MOG, MOG2, GMG, KNN, CNT quando aplicado em um ambiente simulado de tráfego veicular e identificar a abordagem com desempenho mais adequado para este tipo de situação. A metodologia utilizada consiste no desenvolvimento de um algoritmo que irá implementar cada técnica de modelagem em um vídeo que apresenta veículos em movimento, onde os resultados da subtração serão comparados com cada um dos pixels das imagens de referência, as quais representam o resultado ideal (Ground Truth). Os dados coletados a partir das comparações são utilizados para o cálculo das métricas de acurácia e tempo de processamento, sendo estes os indicadores utilizados para análise de desempenho e seleção da técnica de modelagem. A partir dos resultados do experimento constatou-se que a técnica MOG2 é a mais apropriada para o cenário proposto, apresentando a melhor precisão (66,16%), exatidão (98,59%) e com um tempo médio de processamento por frame adequado (8,15 ms) quando comparado com as demais técnicas analisadas.pt_BR
dc.publisher.countryBrasilpt_BR
dc.relation.referencesACHARYA, Tinku; RAY, Ajoy. Image Processing: Principles and Applications. New Jersey: John Wiley & Sons, Inc., 2005. ISBN 9780471719984. BALLARD, Dana; BROWN, Christopher. Computer Vision. New Jersey: Prentice-Hall Inc., 1982. CHEUNG, S.; KAMATH, C. A Robust Technique for Background Subtraction in Traffic Video. In: SPIE – The International Society for Optical Engineering’s Sysmposium on Electronic Imaging, n. 5308, 2004, San Jose, California, United States, pp. 881-892. Conselho Nacional de Trânsito – CONTRAN. Manual Brasileiro de Sinalização de Trânsito: Sinalização Semafórica – Volume 5. 2014. CUCHIARA, Rita; GRANA, Constatino; PICCARDI, Massimo; PRATI, Andrea. Statistic and knowledge-based moving object detection in traffic scenes. In: 2000 IEEE Intelligent Transportation Systems (ITSC2000), 2000, Dearborn, Michigan, USA. IEEE, 2000, pp. 27- 32. CUCHIARA, Rita; GRANA, Constatino; PICCARDI, Massimo; PRATI, Andrea. Detecting objects, shadows and ghosts in video streams by exploiting color and motion information. In: Proceedings 11th International Conference on Image Analysis and Processing, 2001, Palermo, Italia. IEEE, 2001, pp. 360-365. DAMAJ, Issam et al; Intelligent transportation systems: A survey on modern hardware devices for the era of machine learning. In: Journal of King Saud University - Computer and Information Sciences. ISSN 1319-1578, 2021. DAVIS, L.; ROSENFELD A. Noise Cleaning by Iterated Local Averaging. In: IEEE Transactions on Systems, Man, and Cybernetics, no. 9, 1978. IEEE, vol. 8, pp. 705-710. EL-GAMAL, Neven; MOUSTAFA, Hossam; ABOU-CHADI, Fatma. A new combination method for background subtraction in video sequences. In: 8th International Conference on Informatics and Systems (INFOS), 2012, Giza, Egypt., pp. MM-21-MM-25. FAISCA, B.; DIORIO, R.; Aplicações da Tecnologia Blockchain em Ambientes de Cidades Inteligentes. In: Brazilian Technology Symposium – BTSym Proceedings. Campinas, São Paulo, Brasil. ISSN 2447-8326. V.1, 2019. FAWCETT, T. An introduction to ROC analysis. Pattern Recognition Letters, vol. 27, pp. 861-874, June 2006. FERREIRA, Lucas; CUNTO, Flávio. Método de subtração de fundo para detecção veicular em condilçies de tráfego interrompido. In: 32º Congresso de Pesquisa e Ensino em Transporte da ANPET, 2018, Gramado, Rio Grande do Sul, Brasil, pp. 3712-3723. FORSYTH, David; PONCE, Jean. Computer Vision: A Modern Approach. 2 ed. New Jersey: Pearson, 2012. ISBN 9780136085928. 92 GODBEHERE, A.; MATSUAKA, A.; GOLDBERG, K.; Visual tracking of human visitors under variable-lighting conditions for a responsive audio art installation. In: 2012 American Control Conference (ACC), 2012, Montreal, Canada. pp. 4305-4312. GONZALEZ, Rafael; WOODS, Richard. Digital Image Processing. 4 ed. New York: Pearson, 2018. ISBN 9780133356724. GONZALEZ, Rafael; WOODS, Richard. Processamento Digital de Imagens. 3 ed. São Paulo: Pearson, 2010. ISBN 9788576054016. HARRISON, C.; DONNELLY, I. A Theory of Smart Cities. In: Proceedings of the 55th Annual Meeting of the ISSS – 2011. Hull, UK, v. 55, n. 1, 23 Sep. 2011. MARENGONI, Maurício; STRINGHINI, Denise. Tutorial: Introdução à Visão Computacional usando OpenCV. Revista de Informática Teórica e Aplicada - RITA, vol. 16, no. 1, pp. 125–160, Mar. 2010. MARQUES, Ogê; VIEIRA, Hugo. Processamento Digital de Imagens. Rio de Janeiro: Brasport, 1999. ISBN 8574520098. MATCZAK, Grzegorz; MAZUREK, Przemyslaw. Comparative Monte Carlo Analysis of Background Estimation Algorithms for Unmanned Aerial Vehicle Detection. Remote Sensing, 2021, vol. 13, p. 870. POWER, Wayne; SCHOONEES, Johann. Understanding Background Mixture Models for Foreground Segmentation. In: 2002 Image and Vision Computing Proceedings, 2002, Auckland, New Zealand, pp. 267-271. QASIM, Salman; KHAN, Kaleem; YU, Miao; KHAN, Muhammad. Performance Evaluation of Background Subtraction Techniques for Video Frames. In: 2021 International Conference on Artificial Intelligence (ICAI), 2021, Islamabad, Pakistan, pp. 102-107. QUEIROZ, J.; GOMES, H. Introdução ao Processamento Digital de Imagens. RITA, vol. 13, pp. 11-42, 2006. SAMADI, Saeed; RAD, Ali; KAZEMI, Farhad; JAFARIAN, Hamed. Performance Evaluation of Intelligent Adaptive Traffic Control Systems: A Case Study. Journal of Transportation Technologies. Vol. 2 No. 3, p. 248-259, 2012. SMITH, Stephen; BARLOW, Gregory; XIE, Xiao-Feng; RUBINSTEIN, Zachary. Smart Urban Signal Networks: Initial application of the SURTRAC adaptive traffic signal control system. In: Proceedings of the 23rd International Conference on Automated Planning and Scheduling, 2013, Rome, Italy. pp. 434-442. STAUFFER, C.; GRIMSON; W. Adaptive background mixture models for real-time tracking. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition, proceedings, 1999, Fort Collins, USA. Vol. 2, pp. 246-252. TABKHI H.; BUSHEY R.; SCHIRNER G. Algorithm and architecture co-design of Mixture of Gaussian (MoG) background subtraction for embedded vision. In: Asilomar 93 Conference on Signals, Systems and Computers. Pacific Grove, California, USA, 2013, pp. 1815-1820. TRNOVSZKÝ, T.; SÝKORA, P.; HUDEC, R. Comparison of background subtraction methods on near Infra-Red spectrum video sequences. Procedia Engineering, Armsterdam, Netherlands, vol. 192, pp. 887-892, 2017. What is computer vision and how does it work with artificial intelligence?. Algotive, 2022. Disponível em: https://www.algotive.ai/blog/what-is-computer-vision-and-how-does-it-workwith-artificial-intelligence. Acesso em: 17/08/2023 ZIVKOVIC, Z.; Efficient adaptive density estimation per image pixel for the task of background subtraction. Pattern Recognition Letters, vol. 27, pp. 773-780, May 2006. ZIVKOVIC, Zoran; Improved Adaptive Gaussian Mixture Model for Background Subtraction. In: Proceedings of the 17th International Conference on Pattern Recognition, 2004, Cambrige, UK. Vol. 2, pp. 28-31.pt_BR
dc.subject.cnpqMedição, Controle, Correção e Proteção de Sistemas Elétricos de Potênciapt_BR
dc.publisher.initialsUEApt_BR
Aparece nas coleções:EST - Trabalho de Conclusão de Curso Graduação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
Um estudo comparativo da eficiência de algoritmos de subtração de fundo de imagem aplicados a um ambiente simulado de tráfego veicular.pdf2,65 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.