Contagem automatizada de veículos utilizando segmentação estatística

Apresentação em tema: "Contagem automatizada de veículos utilizando segmentação estatística"— Transcrição da apresentação:

1 Contagem automatizada de veículos utilizando segmentação estatística
UNIVERSIDADE ESTADUAL PAULISTA “JÚLIO DE MESQUITA FILHO” FACULDADE DE CIÊNCIAS DEPARTAMENTO DE COMPUTAÇÃO BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO 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

2 VÍDEO SEGMENTAÇÃO Conversão analógica p/ digital da imagem
Filtragem da imagem Destacar determinado objeto em uma imagem, destacando os seus componentes unitários(pixels).

3 MLE/MEPS MLE = Maximum Likelihood Extimation
MEPS = Maximização das Extimativas Probabilísticas de Similaridade

4 MLE - NORMAL MULTIVARIADA

5 MAP/MEPP MAP = Maximum A Posteriori
MEPP = Maximização das Estimativas Probabilísticas a Posteriori.

6 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.”

7 MAP-SEGMENTAÇÃO ESTATÍSTICA
c=0, alterações por distúrbios c=1, ocorreu uma mudança c=2, ocorreram c=0 e c=1

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

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

10 CONTORNO A forma de um objeto está associada principalmente a disposição dos seus pontos delimitadores, que quando conectados, formam o contorno. Fonte: (COSTA, CESAR; 2009)

11 RNAs Redes Nurais Artificiais
Modelos biologicamente inspirados no cérebro humano Aprendizado por treinamento

12 MODELOS DE APRENDIZADO
Técnicas Adaptativas Modelo Supervisionado Modelo Não-Supervisionado

13 MODELO SUPERVISIONADO
Professor direciona aprendizado Fonte: (BRAGA,CARVALHO,LUDEMIR;2000)

14 MODELO NÃO-SUPERVISIONADO
Criação de áreas classificatórias sem um professor Fonte: (BRAGA; LUDEMIR; CARVALHO, 2000)

15 PERCEPTRON McCulloch e Pitts (MCCULLOCH; PITTS, 1943)
Frank Rosemblat (ROSEMBLAT, 1958) Fonte: (BRAGA; LUDEMIR; CARVALHO, 2000)

16 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

17 MEDIDAS DO USO DAS ESTRADAS
Fluxo ou Vazão - Densidade ou Concentração- Velocidade – Espaçamento – Intervalo(Headway) -

18 TRABALHOS CORRELATOS Contador classificatório utilizando NHD + Desc. De Fourier + Perceptron Multi-Camadas (SANTOS; 2008) Fonte: (SANTOS, p. 59, 2008)

19 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, p. 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

20 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 , set (MCCULLOCH, Warren S.; PITTS, Walter. A Logical Cauculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biophysics, v. 5, p , 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, ROSEMBLAT, Frank. The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain, Psychological Review, v. 65, n. 6, p. 286 – 408,

21 REFERÊNCIAS SANTOS, Daniel dos. Sistema Óptico para Identificação de Veículos em Estradas. Blumenau, 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, 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