MÉTODO ADAPTATIVO COM LIMIARIZAÇÃO LOCAL PARA SEGMENTAÇÃO DE VEÍCULOS

Abstract

RESUMO: A segmentação de veículos é um problema não linear que tem sido atacado na literatura utilizando técnicas de extração de plano de fundo. Nessas técnicas, os dados são classificados em duas classes: plano de fundo e primeiro plano. Os veículos a serem segmentados, neste caso, compõem parte do primeiro plano. Dois métodos muito utilizados para estimar o plano de fundo em ambientes não-controlados são o modelo de mistura de gaussianas de Stauffer e Grimson, e o modelo não-paramétrico de Horprasert. Embora esses métodos apresentem resultados satisfatórios, no problema da segmentação de veículos, a classificação é deficiente e ocorrem erros nesse processo. O sistema proposto neste trabalho atua na redução dessas deficiências, entre elas, os erros de classificação nas regiões internas dos veículos. Para aprimorar o processo de segmentação e reduzir as falhas, o sistema proposto conta com duas etapas: a filtragem e a estimação de limiar. Enquanto a filtragem busca corrigir e detectar os erros de classificação, a estimação de limiar realiza uma realimentação na próxima iteração da classificação. A realimentação é realizada com o objetivo de melhorar a classificação do primeiro plano, atuando unicamente nessas áreas. Para avaliar a proposta, quatro bases foram criadas. Essas bases avaliam os métodos testados considerando as mudanças e os fatores de variação ao longo do dia. Dessa forma, os resultados mostraram que o sistema proposto é uma solução prática viável para ser utilizada. Os resultados obtidos na avaliação foram maiores do que os outros métodos. No entanto, ainda mais importante que os acertos é a estabilização do comportamento da proposta sob variação dos fatores ambientais. A estabilidade de comportamento permite a definição de limiares fixos que funcionem em todos os contextos, o que não é indicado para os outros métodos testados. ABSTRACT: Vehicle segmentation is a non-linear problem that has been tackled by background subtraction techniques. In these techniques, the pixels are classified into two cluster: the background and the foreground, so vehicles are part of the foreground. Gaussian mixture models, as Stauffer and Grimson’s method, and non-parametric approaches, as Horprasert’s method, are two popular methods used to estimate the background on non-controlled environments. Although these methods present satisfactory results, the segmentation process results on miclassification, mainly on the vehicle regions. The misclassification occurs due to illumination changes that affect the background estimation. To improve the segmentation results on theses regions, the proposed system includes two steps: the filtering and the threshold estimation. While the filtering fixes noises and detects misclassification, While the filtering fixes noises and detects misclassification, the threshold estimation selects values to improve the vehicle segmentation on next iterations. The threshold estimation works with a feedback approach in the classification step. As the goal of the feedback is the improvement of the vehicle regions, the threshold estimation is limited only to foreground regions. This work created four test bases to evaluate. These bases are a set of videos, image of selected regions and ground truth outputs. They includes illumination changes and other variation factors throughout the day. The experiments allow to verify the viability of the system on real environments. The feedback approach presents positive impacts on probabilistic classification and it stabilizes the behavior of the classification. The behavior stabilization allows the selection of a fixed value for all test bases. This is not possible for the other methods because they present different behaviors, as well as different regions of optimal solutions.