Para a estimação da velocidade utiliza-se a como base a Equação 1. Com os onze pontos centrais coletados durante o rastreamento, a distância percorrida em pixels é calculada pela Equação 9.
𝑑 = √︁
(𝑥[𝑖] − 𝑥[𝑖 − 10])2+ (𝑦[𝑖] − 𝑦[𝑖 − 10])2 (9)
• 𝑑: distância percorrida em pixels.
• (𝑥[𝑖], 𝑦[𝑖]): último ponto central armazenado.
• (𝑥[𝑖 − 10], 𝑦[𝑖 − 10]): ponto central do décimo frame anterior.
A Figura 21 mostra como foi definido a distância a ser calculada.
Figura 21 – Origem da variáveis da Equação 9.
d dy
P10(x, y)
P0(x, y)
dx
Fonte: Autoria Própria.
Para a conversão da distância de pixels para metros é necessário ter uma medida em metros no plano real. Essa medida foi estimada utilizando um comprimento conhecido de um carro em metros e medindo a distância representada em pixels do mesmo. Dessa maneira, tamanho em metros de cada pixel (𝐶) é dado pela relação da Equação 10:
𝐶 = distância em metros
distância em pixels (10)
Logo, a distância final percorrida em metros é dada pela multiplicação do ta- manho do pixel (𝐶) pela distância percorrida em pixels (𝑑).
A captura do video foi feita com um framerate de 30.15 quadros por segundo (𝑓 𝑝𝑠), e tendo como premissa de que a captura de cada quadro foi realizada de forma igualmente espaçada no tempo, tem-se que o tempo transcorrido entre cada quadro
é de aproximadamente 33,17 milissegundos. Portanto, o tempo total é dado pela mul- tiplicação da quantidade de quadros (𝐹 ) por 33,17 milissegundos.
A modelagem final da velocidade é dada pela Equação 11. Onde 3,6 é fator de conversão de 𝑚/𝑠 para 𝑘𝑚/ℎ. 𝑉𝑒= 𝑑 · 𝐶 · 𝑘 𝐹 · 1 𝑓 𝑝𝑠 · 3,6 (11)
O fator de correção (𝑘) é necessário para ajustar os pequenos erros durante a estimação do tamanho do pixel e transformação de perspectiva.
Devido ao tamanho da área de medição, a velocidade é calculada mais de uma vez para cada veículo, pois o rastreamento retorna mais de onze pontos centrais, como pode ser visto no exemplo da Figura 22. Dessa forma, a velocidade final é dada por uma média aritmética das velocidades medidas.
Figura 22 – Velocidades calculadas durante a passagem na área de medição.
Área de
Medição
V
0V
1V
24 RESULTADOS E DISCUSSÃO
Com a realização do algoritmo finalizada, foi utilizado o mesmo para a valida- ção da sua aplicação em um estudo de caso, onde esse foi empregado para realizar a detecção e estimativa da velocidade de carros reais no centro da cidade. Utilizou-se como referência de velocidade real dos carros analisados as velocidades obtidas atra- vés de um radar indutivo localizado um pouco acima da área de medição do presente trabalho. É importante ressaltar que as velocidades utilizadas como referências tam- bém podem apresentar erros de até ± 3 km/h, por se tratar de um medidor velocidade que também deve respeitar os erros mínimos exigidos pelo INMETRO.
Segundo a Portaria INMETRO no 544, os medidores de velocidade fixos não
podem apresentar, em campo, erros maiores que:
• ± 3 km/h para velocidades menores ou iguais a 100 km/h,
• ± 3% para velocidades maiores que 100 km/h.
No presente trabalho, o erro máximo de medição foi estabelecido como ± 3 km/h, por se tratar de um perímetro urbano onde a velocidade máxima permitida segundo o Código de Trânsito Brasileiro, lei de no 9.503 de 23 de Setembro de 1997
no Artigo no61, é de 60 km/h em vias arteriais.
Para a validação das velocidades e detecções dos veículos, os resultados foram analisados dividindo os valores de erros máximos e número de detecção por faixas, onde foi possível realizar a análise individual de cada um dos resultados.
Os resultados por faixa e total estão dispostos na Tabela 1 a seguir.
Tabela 1 – Resultados finais obtidos em um resolução de 720p.
Faixa 1 Faixa 2 Faixa 3 TOTAL Erro Médio Absoluto [𝑘𝑚/ℎ] ± 3,124 ± 2,198 ± 1,759 ± 2,265
Erro Médio Percentual 6,55% 4,67% 3,79% 4,81%
% de Erros até ± 3,0𝑘𝑚/ℎ 60,00% 66,67% 80,00% 70,13%
% de Erros entre ± 3,0 e ± 5,0𝑘𝑚/ℎ 15,00% 18,51% 13,33% 15,58%
% de Erros Maiores ± 5,0𝑘𝑚/ℎ 20,00% 7,41% 3,33% 9,09%
Veículos Detectados 19 de 20 25 de 27 29 de 30 73 de 77
Taxa de Detecção 95,00% 92,59% 96,67% 94,81%
Com o resultados apresentados, é possível observar que a média dos erros das medições totais, em quilômetro por hora ficou em ± 2,265 km/h, menor que o erro máximo permitido pela INMETRO.
Na análise da medição de velocidade por faixa, as faixas 2 e 3 também apre- sentaram valores médios menores do que o erro permitido, ± 2,198 km/h e ± 1,759 km/h, enquanto que a faixa 1 apresentou um valor acima do máximo, com ± 3,124 km/h de erro médio.
Apesar das faixas 2 e 3 possuírem valores médios de erros abaixo do permi- tido, a faixa 2 obteve 7 medições acima do permitido, enquanto que na faixa 3 apre- sentou 5 medições acima.
Já em relação a detecção veicular, os valores de reconhecimento ficaram em 94,81% de detecção total em todas as faixas. A faixa 1 e 3 apresentaram resulta- dos semelhantes, como uma boa taxa de detecção, enquanto na faixa 2 obteve uma detecção inferior de 92,59%.
Dos valores obtidos nas faixas 1 e 2, cerca de 60% estão dentro da faixa de erros até ± 3,0 km/h, valores esses abaixo dos 80% obtidos na faixa 3. Um proposta melhorar essa questão é realizar a captura dos quadros à um taxa de 60 FPS. Com um taxa maior é possível ter mais amostras de velocidades medidas e então a média delas será um valor mais consolidado.
A seguir será apresentado uma sequência de 4 gráficos referentes as faixas 1, 2, 3 e o resultado total. O gráficos apresentam cada medição feita e seu respectivo erro absoluto. As medições estão dispostas em sequência, ou seja, a medição 0 repre- senta o primeiro carro que apareceu no vídeo naquela determinada faixa. O gráficos possuem quatro linhas horizontais que definem os limites de ± 3,0 km/h e ± 5,0 km/h.
Gráfico 3 – Resultado obtido na Faixa 1.
0
5
10
15
20
Medições
7.5
5.0
2.5
0.0
2.5
5.0
7.5
10.0
12.5
Erro Absoluto (km/h)
Fonte: Autoria Própria.
Gráfico 4 – Resultado obtido na Faixa 2.
0
5
10
15
20
25
Medições
4
2
0
2
4
6
Erro Absoluto (km/h)
Gráfico 5 – Resultado obtido na Faixa 3.
0
5
10
15
20
25
30
Medições
6
4
2
0
2
4
Erro Absoluto (km/h)
Fonte: Autoria Própria.
Gráfico 6 – Resultado total.
0
10
20
30
40
50
60
70
Medições
7.5
5.0
2.5
0.0
2.5
5.0
7.5
10.0
12.5
Erro Absoluto (km/h)
4.1 ANÁLISE DE DESEMPENHO
Um dos objetivos quando trata-se de processamento de vídeo é busca pelo processamento em tempo real, ou seja, a máquina deve conseguir executar o algo- ritmo e entregar o resultado dentro do intervalo de tempo de captura da câmera.
Durante os testes utilizou-se uma máquina com um processador AMD FX- 8320 (4,0 GHz) e 16 GB de RAM. Essa máquina teve uma média de quadros pro- cessados em torno de 11 FPS na resolução de 720p. Para contornar esse problema, sugere-se três opções:
1. Mudar a linguagem de programação de Python para #C. A linguagem Python utiliza um interpretador durante a execução do algoritmo, onde o interpretador analisa cada linha do código escrito em alto nível, interpreta (traduz para baixo nível) para depois executar o comando. Já a linguagem #C utiliza um compilador, onde esse compilador faz um pré-processamento, ou seja, antes do algoritmo ser executado é feita a ”tradução” do código de alto nível para baixo nível, o que torna essa linguagem mais eficiente quando o fator tempo é uma variável crítica.
2. Diminuir a resolução do vídeo. Um frame com resolução de 720p possui 921.600 pixels e um de 480p possui 409.600 pixels, isso representa uma diminuição de 55% da quantidade de pixels à serem processados. No entanto, quanto menor a escala de resolução menor será o nível de detalhes da imagem, o que gera uma diferença de resultados durante a etapa de detecção.
Sem alterar nenhum parâmetro do algoritmo, realizou-se testes em diferentes re- soluções para efeito de comparação e com os resultados construiu-se a Tabela 2 a seguir:
Tabela 2 – Resultados em diferentes resoluções. Resolução Erro Médio Absoluto [𝑘𝑚/ℎ] Tempo Médio de Processamento [𝑚𝑠] FPS Tempo Real 1080p ± 3,016 112,53 8,88 Não 720p ± 2,265 90,94 10,99 Não 480p ± 2,718 40,17 24,89 Não 360p ± 3,696 21,50 46,51 Sim 240p ± 3,792 15,79 63,33 Sim 144p ± 6,347 10,72 93,28 Sim
Fonte: Autoria Própria.
O dados da Tabela 2 mostram que é possível fazer um medição em tempo real quando diminui-se a resolução do vídeo e que a medida que a resolução diminuiu o erro médio aumenta.
3. Troca do processador para um mais recente com 8 núcleos físicos/16 núcleos virtuais (threads).
5 CONCLUSÕES E PERSPECTIVAS
5.1 CONCLUSÕES
A realização do algoritmo no presente trabalho possibilitou desde o estudo teórico envolvido no seu desenvolvimento até o entendimento do uso e aplicação atra- vés do processamento de imagens e visão computacional para a finalidade destinada, a estimativa de velocidade.
A facilidade da aplicação do uso do processamento de imagens para a esti- mativa de velocidade veicular é clara, onde essa necessita apenas do algoritmo para realizar o cálculo de velocidade e da adição de um hardware capaz de processar as informações relacionadas, já que os métodos tradicionais já utilizam câmeras para a captura da placa do automóvel que efetuou a infração. Dessa maneira, esse método possui grande potencial para seu uso em larga escala sem grandes aumentos de cus- tos estruturais.
Os resultados obtidos deixam claros que a utilização do código para usos prá- ticos são viáveis, onde esse apresentou erros, na média, menores que os exigidos pelo INMETRO, apesar de alguns valores de erros ultrapassarem os valores limites. É importante ressaltar que os valores encontrados pelo presente trabalho foram compa- rados com valores de referências obtidos através de um radar indutivo, o qual também pode apresentar um erro de ± 3 km/h, segundo o INMETRO.
Apesar dos resultados, a Portaria INMETRO no 544 cita apenas três tipos de
tecnologias que podem ser aplicadas aos sistemas de medições de velocidade: por sensor de superfície, ótico e radares, sem citar o uso do processamento de imagem para esse tipo de avaliação. Para que fosse possível a utilização desse método de aná- lise, seria necessário a inclusão deste com as devidas regulamentações, exigências e parâmetros mínimos necessários para o seu devido uso.
Já quanto o número de detecção, esse não possui um valor mínimos exigido, porém o resultado de veículos detectados foi considerado satisfatório, sendo próximo aos 95%.
Outro resultado importante que pode ser citado é a taxa de detecção relaci- onado as motocicletas. Radares indutivos, como o usado para valores de referências
desse trabalho, tem dificuldade de detectar motocicletas pelo fato da calibração da frequência dos osciladores desse tipo de radar ser complexo. Isso é ocasionado pelo fato das motos não possuírem grande massa metálica, necessitando de uma maior sensibilidade na calibração dos radares indutivos, podendo gerar erros de detecção causados por interferência. Por outro lado, o método desenvolvido utilizando proces- samento de imagem elaborado pelo presente trabalho obteve grande sucesso em re- lação as motocicletas, sendo capaz de detectar e estimar a velocidade das mesmas.
Quanto as desvantagens que podem ser citadas, nota-se que o uso de hardwares de maior processamento e uma mão de obra mais especializada para o desenvolvimento do algoritmo ou ajuste de parâmetros do mesmo encarecem a insta- lação e a manutenção desses equipamentos, sendo necessário um cálculo de viabili- dade econômica quanto o seu uso.
Pode-se concluir que o resultado buscado pelo trabalho foi alcançado, elabo- rando um algoritmo que satisfaz, através do erro médio e da taxa de detecção, os valores necessários para a sua implementação na medição de velocidade, como foi confirmado anteriormente nos capítulos anteriores.
5.2 TRABALHOS FUTUROS
Como possíveis trabalhos futuros, pode-se citar:
• O uso do presente trabalho com a utilização de uma nova linguagem de pro- gramação, a fim de comparar o desempenho do tempo de processamento e a melhora no tratamento de vídeos com resoluções acima de 360p.
• O uso do hardware disponível pela Universidade Tecnológica Federal do Paraná Câmpus Ponta Grossa para a execução do algoritmo e avaliação dos resultados alcançados.
REFERÊNCIAS
ALEXANDRE, Luís F. B. de A. Detecção de Movimento e sua Aplicação à Monitorização de Tráfego Rodoviário. set. 1997. 89 p. Dissertação (Mestrado) — Departamento de Engenharia Electrotécnica e de Computadores, Faculdade de Engenharia da Universidade do Porto, Porto, PRT, set. 1997. Citado na página 13.
BARCELLOS, Pablo R. M. Detecção e Contagem de Veículos em Vídeos de Tráfego Urbano. abr. 2014. 115 p. Dissertação (Mestrado) — Instituto de Informática, Universidade Federal do Rio Grande do Sul, Porto Alegre, BRA, abr. 2014. Citado na página 14.
BASTOS, Bruno da C.; FILHO, Leonardo E. Utilização da tecnologia LiDAR em projetos de engenharia de infraestrutura viária. XI Congreso Nacional y VIII Latinoamericano de Agrimensura, v. 11, mar. 2012. Citado na página 21.
BRADSKI, Dr. Gary Rost; KAEHLER, Adrian.Learning Opencv, 1st Edition. First. [S.l.]: O’Reilly Media, Inc., 2008. ISBN 9780596516130. Citado na página 38.
CHEUNG, Sing Yiu et al. Traffic measurement and vehicle classification with single magnetic sensor.Transportation Research Record: Journal of the Transportation Research Board, SAGE Publications, v. 1917, n. 1, p. 173–181, jan 2005. Disponível em: <https://doi.org/10.1177/0361198105191700119>. Citado na página 18.
FACON, Jacques. A morfologia matemática e suas aplicações em processamento de imagens.VII Workshop de Visão Computacional, mar. 2011. Citado na página 37.
GONZALEZ, Rafael C.; WOODS, Richard E.Processamento de Imagens Digitais. São Paulo, BRA: Blucher, 2000. 509 p. Citado 2 vezes nas páginas 23 e 24.
GRAHAM, R.L. An efficient algorith for determining the convex hull of a finite planar set.Information Processing Letters, Elsevier BV, v. 1, n. 4, p. 132–133, jun 1972. Disponível em: <https://doi.org/10.1016/0020-0190(72)90045-2>. Citado na página 41.
GüNE ¸S, Ali; KALKAN, Habil; DURMU ¸S, Efkan. Optimizing the color-to-grayscale conversion for image classification. Signal, Image and Video Processing,
Springer Nature, v. 10, n. 5, p. 853–860, oct 2015. Disponível em: <https: //doi.org/10.1007/s11760-015-0828-7>. Citado na página 31.
MAIA, Helton; FARIAS, Sheyla. Efeito doppler: Ondas eletromagnéticas para detecção de velocidade.Revista Científica Tecnologus, v. 2, ago. 2007. Citado na página 19.
MUMTAZIMAH, Mohamad.A Review on OpenCV. Unpublished, 2015. Disponível em: <http://rgdoi.net/10.13140/RG.2.1.2269.8721>. Citado na página 30.
PARKER, J. R. Algorithms for Image Processing and Computer Vision. Indianapolis, USA: Wiley Publishing, Inc., 2010. 480 p. Citado na página 28.
PEDRINI, Hélio; SCHWARTZ, William R. Análise de Imagens Digitais: Princípios, algoritmos e aplicações. São Paulo, BRA: Thomson Learning, 2008. 508 p. Citado 7 vezes nas páginas 22, 23, 25, 26, 27, 28 e 29.
PISANO, Etta D. et al. Contrast limited adaptive histogram equalization image processing to improve the detection of simulated spiculations in dense mammograms. Journal of Digital Imaging, Springer Nature, v. 11, n. 4, p. 193–200, nov 1998. Disponível em: <https://doi.org/10.1007/bf03178082>. Citado na página 33.
SKLANSKY, Jack. Finding the convex hull of a simple polygon.Pattern Recognition Letters, Elsevier BV, v. 1, n. 2, p. 79–83, dec 1982. Disponível em: <https:
//doi.org/10.1016/0167-8655(82)90016-2>. Citado na página 40.
STAUFFER, C.; GRIMSON, W.E.L. Adaptive background mixture models for real-time tracking. In:Proceedings. 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Cat. No PR00149). IEEE Comput. Soc, 1999. Disponível em: <https://doi.org/10.1109/cvpr.1999.784637>. Citado na página 42.
SUZUKI, Satoshi; ABE, Keiichi. Topological structural analysis of digitized binary images by border following. Computer Vision, Graphics, and Image Processing, Elsevier BV, v. 30, n. 1, p. 32–46, apr 1985. Disponível em: <https://doi.org/10.1016/0734-189x(85)90016-7>. Citado na página 39.
WHO, World Health Organization. Managing speed. [S.l.], 2017. Disponível em: <http://www.who.int/violence_injury_prevention/publications/road_traffic/ managing-speed/en/>. Citado na página 13.
ZIVKOVIC, Z. Improved adaptive gaussian mixture model for background subtraction. In:Proceedings of the 17th International Conference on Pattern Recognition, 2004. ICPR 2004. IEEE, 2004. Disponível em: <https://doi.org/10.1109/icpr.2004. 1333992>. Citado na página 36.