DESCRITORES LOCAIS E BAG OF FEATURES NA CLASSIFICAÇÃO DE PLACAS DE TRÂNSITO

Abstract

RESUMO: A área de Sistemas de Transportes Inteligentes surgiu como um esforço para tornar o transporte mais seguro, confiável e eficaz ao empregar diversas metodologias computacionais em ambientes de transporte. Uma das ramificações mais notáveis nessa área é o desenvolvimento de Sistemas de Apoio ao Condutor, com o objetivo de promover segurança e aprimorar as habilidades do condutor humano. Esses sistemas podem atuar como copilotos, monitorando continuamente o ambiente, fornecendo ao condutor informações atualizadas das variáveis monitoradas, e destacando possíveis ameaças à segurança. Além disso, podem executar, parcialmente ou totalmente, algumas tarefas anteriormente praticadas apenas por seres humanos. Uma das principais ações executadas por condutores, durante o processo de deslocamento, é o reconhecimento da sinalização de trânsito presente na via. Por diversas vezes, condutores não respeitam a sinalização por desatenção ou por estarem em situações de tráfego intenso. Em momentos semelhantes, sistemas que reconheçam placas de trânsito podem fornecer informações cruciais que poderiam ser ignoradas pelo condutor humano. Este trabalho propõe um modelo de classificação de placas de trânsito com a utilização de descritores locais e Bag of Features. Para a composição do modelo proposto foram utilizados os detectores de pontos de interesse SIFT e FAST, os descritores de características SIFT e BRIEF, os algoritmos de agrupamento K-Means e Mini Batch K-Means e os classificadores SVM multiclasse com abordagem One-vs-One e One-vs-All. O modelo proposto foi treinado em bases de imagens de placas de trânsito da Alemanha, Bélgica e Brasil, em que apenas placas que não possuem informações essencialmente por texto foram consideradas. Para a realização dos testes, o modelo treinado foi executado e as métricas de avaliação de desempenho resultantes foram analisadas. As maiores acurácias médias obtidas foram de 84,27% na base de placas de trânsito da Alemanha, 96,67% na base de placas de trânsito da Bélgica e 94,43% na base de placas de trânsito do Brasil. Os índices Kappa obtidos pelos melhores resultados de cada base de imagens foram considerados “excelentes”. ABSTRACT: The Intelligent Transportation Systems area has emerged as an effort to make transportation more safer, reliable and effective by employing various computational methodologies in transportation environments. One of the most notable ramifications in this area is the development of Driver Support Systems (DSS’s), with the aim of promoting safety and improving the skills of the human driver. DSS’s can act as co-pilots, continually monitoring the environment, providing the driver with up-to-date information on monitored variables, and highlighting possible security threats. In addition, they can perform, partially or totally, some tasks previously practiced only by humans. One of the main actions carried out by drivers during the process of displacement is the recognition of traffic signs present on the road. On several occasions, drivers do not respect the signs for lack of attention or for being in situations of intense traffic. At similar times, DSS’s that recognize traffic signs can provide crucial information that could be ignored by the human driver. This work proposes a classification model of traffic signs using local descriptors and Bag of Features. For the composition of the proposed model, the SIFT and FAST detectors, the SIFT and BRIEF descriptors, the K-Means and Mini Batch K-Means clustering algorithms and the multi-class SVM classifiers with One-vs-One and One-vs-All approachs was used. The proposed model was trained on traffic signs datasets from Germany, Belgium and Brazil, where only signs that do not have information essentially by text were considered. In order to perform the tests, the trained model was executed and the resulting performance evaluation metrics were analyzed. The highest average accuracy obtained were 84.27% on the Germany Traffic Sign Dataset, 96.67% on the Belgium Traffic Sign Dataset and 94.43% on the Brazil Traffic Sign Dataset. The Kappa index obtained by the highest results of each dataset were considered “excellent”.