Nesta seção serão apresentados os resultados gerais das médias dos valores encontrados e dos erros médios calculados.
A Tabela 35 apresenta a média e erro médio (%) de cada uma das distâncias testadas nos três períodos do dia. O erro médio mais próximo a zero representa o valor da média que mais se aproxima do valor de distância desejado.
A média com valor mais próximo ao valor de desejado de 5m foi a do período do começo da tarde com erro médio de 5,87%. Para o valor desejado de 10m a média que mais se aproximou foi a do período do final da tarde com erro médio de 1,52%. No teste de 15m o valor de média que mais se aproximou do desejado foi a do período da noite com erro médio de 0,77%. Para os testes de 20m e 25m o período do começo da tarde foi o que obteve o valor de média mais próximo do valor desejado com erros médios de 2,48 e 1,54%. No teste da distância de 30m a média do período do final da tarde foi a que mais se aproximou do valor desejado com erro médio de 0,28%. Para o teste de 35m o período da noite foi o que obteve a média com valor mais próximo ao desejado com erro médio de 1,25%. Para o teste de 40m o período que obteve a média com valor mais próximo ao valor desejado foi o período do final da tarde com erro médio de 0,38%. No teste de distância de 45m o período da noite foi o que obteve o valor da média mais próximo ao valor desejado com erro médio de 0,04%. Por fim,
no teste de 50m o período do começo da tarde foi o que obteve o valor da média mais próximo ao valor desejado com erro médio de 2,02%.
Tabela 35 – Média dos valores encontrados de distâncias com os respectivos erros médios (%) nos testes de 5 – 50 metros para os três períodos do dia.
Distâncias Começo da tarde Final tarde Noite
5 metros 5,293m 5,87% 5,818m 16,36% 5,577m 11,55% 10 metros 9,831m 1,69% 9,848m 1,52% 9,637m 3,63% 15 metros 14,076m 6,16% 14,656m 2,30% 14,884m 0,77% 20 metros 20,495m -2,48% 20,832m -4,16% 18,917m 5,42% 25 metros 25,386m -1,54% 25,976m -3,90% 23,857m 4,57% 30 metros 29,165m 2,78% 29,915m 0,28% 28,955m 3,48% 35 metros 36,135m -3,24% 34,195m 2,30% 35,436m -1,25% 40 metros 40,384m -0,96% 39,850m 0,38% 39,471m 1,32% 45 metros 46,756m -3,90% 44,598m 0,89% 44,982m 0,04% 50 metros 51,011m -2,02% 51,446m -2,89% 51,610m -3,22%
5 CONCLUSÃO
Este trabalho consiste no cálculo da distância utilizando o mapeamento por perspectiva inversa - IPM. Imagens são capturadas por uma câmera e tem seu efeito de perspectiva removido por remapeamento de pixels, produzindo uma nova imagem 2-D, com uma vista superior, também conhecida como vista de um pássaro ou vista de um drone. Para realizar o cálculo do IPM, foi necessário encontrar/calcular os parâmetros da câmera. Estes parâmetros foram encontrados através da calibração da câmera e de cálculos para obtenção dos valores do campo de visão da câmera. Após a imagem ser capturada é necessário um pré-processamento para remoção de ruídos e detecção de bordas. Esta detecção facilita o reconhecimento de retas nas imagens e consequentemente detectam o ponto de fuga da imagem. Este ponto é usado para delimitar a região de interesse no qual o cálculo do IPM será aplicado. Com a região de interesse delimitada, é utilizado o método de contornos ativos para detectar o veículo e em seguida calcular a área do mesmo. Através da área do veículo é possível identificar as bordas da região do veículo e detectar a sua distância através do método do IPM.
O cálculo do IPM foi aplicado para distâncias de 5 – 50 metros em 3 períodos do dia. O erro médio obtido corresponde de 0,04% a 16,36% do valor aceito como verdadeiro. Através da análise da variância verificou-se que a média das distâncias calculadas nos 3 períodos do dia são significativamente diferentes, ou seja, as condições ambientais de luminosidade influenciam a medição e distância com o IPM. Além disso, essas diferenças são causadas também pelo posicionamento do veículo e na definição da área para cálculo da detecção do carro. Utilizando filtros para ajustar a luminosidade, fixando a posição do veículo nos testes e a área para o cálculo da detecção do veículo, é possível concluir que o método proposto para o cálculo da distância com o método IPM é adequado. Sendo necessário a remoção da influência das condições ambientais como, por exemplo, o uso de métodos de detecção de objetos mais robustos a sombras.
Para trabalhos futuros sugere-se testar o método de Nieto et al. (2007) considerando a inclinação da rodovia. Otimizar o cálculo do IPM para utilização de imagens em movimento. Fazer a detecção do veículo utilizando o método de subtração de fundo. E por fim, a utilização de dados do veículo como velocidade para determinar o tempo de colisão para o carro da frente.
REFERÊNCIAS
BACKES, A. R.; SÁ JUNIOR, J. J. M. Introdução à Visão Computacional Usando
MATLAB: 1a Edição ed. [s.l.] ALTA BOOKS, 2016.
BERTOZZI, M.; BROGGI, A. Vision-based vehicle guidance. Computer, v. 30, n. 7, p. 49–55, 1997.
BROGGI, A. A massively parallel approach to real-time vision-based road
markings detection. Intelligent Vehicles’ 95 Symposium., Proceedings of the. Anais. IEEE, 1995. Disponível em:
<http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=528262>. Acesso em: 16 jan. 2017
BUCHER, T. Measurement of distance and height in images based on easy
attainable calibration parameters. Intelligent Vehicles Symposium, 2000. IV 2000.
Proceedings of the IEEE. Anais...IEEE, 2000Disponível em:
<http://ieeexplore.ieee.org/abstract/document/898361/>. Acesso em: 2 jun. 2017 CALLEGARI-JACQUES, S. M. Bioestatística: princípios e aplicações. [s.l.] Artmed Editora, 2009.
CARIO, G. et al. Predictive time-to-lane-crossing estimation for lane departure
warning systems. Proceedings of the 21st International Technical Conference on
the Enhanced Safety of Vehicles (ESV). Anais. 2009 Disponível em:
<http://www.academia.edu/download/7673728/09-0312.pdf>. Acesso em: 15 jan. 2017
CONCI, A.; AZEVEDO, E.; LETA, F. R. Computação gráfica: teoria e prática. Rio de Janeiro: Campus: [s.n.]. v. 2, 2008.
CURIO, C. et al. Walking pedestrian recognition. IEEE Transactions on intelligent
transportation systems, v. 1, n. 3, p. 155–163, 2000.
DE FIGUEIREDO CHAGAS, E. M. P.; RODRIGUES, D. L.; TAVARES, J. M. R.
Método de segmentação de objectos em imagens baseado em contornos activos e algoritmo genético. Congreso de Métodos Numéricos en Ingeniería 2009
(MetNum2009). Anais...2009Disponível em: <https://repositorio- aberto.up.pt/handle/10216/43294>. Acesso em: 13 jun. 2017
DOWNING, D.; CLARK, J.; DE FARIAS, A. A. Estatística aplicada. [s.l.] Saraiva, 1999.
EGGAR, M. H. Pinhole cameras, perspective, and projective geometry. The
American mathematical monthly, v. 105, n. 7, p. 618–630, 1998.
FORSYTH, D. A.; PONCE, J. Computer vision: a modern approach. [s.l.] Prentice Hall Professional Technical Reference, 2002.
GONZALEZ, R. C.; WOODS, R. E. Processamento de imagens digitais. [s.l.] Edgard Blucher, 2000.
GONZALEZ, R. C.; WOODS, R. E. Processamento digital de imagens. tradução:
Cristina yamagami e leonardo piamonte. [s.l.] Pearson Prentice Hall, São Paulo,
2010.
HARTLEY, R.; ZISSERMAN, A. Multiple view geometry in computer vision. [s.l.] Cambridge university press, 2003.
IPEA; PRF. Acidentes de trânsito nas rodovias federais brasileiras:
CARACTERIZAÇÃO, TENDÊNCIAS E CUSTOS PARA A SOCIEDADE, 2015.
Disponível em:
<http://www.ipea.gov.br/portal/index.php?option=com_content&view=article&id=2627 7>. Acesso em: 4 ago. 2016
ITU, R.; DANESCU, R. An efficient obstacle awareness application for Android
mobile devices. IEEE, set. 2014Disponível em:
<http://ieeexplore.ieee.org/document/6936968/>. Acesso em: 12 abr. 2017 JIANG, G. Y. et al. Lane and obstacle detection based on fast inverse
perspective mapping algorithm. Systems, Man, and Cybernetics, 2000 IEEE
International Conference on. Anais...IEEE, 2000Disponível em:
<http://ieeexplore.ieee.org/abstract/document/884452/>. Acesso em: 2 jun. 2017 JOHNSON, E.; HAMBURGER, R. CS5320/6320 Computer Vision Class Project. Disponível em: <CS5320/6320 Computer Vision Class Project> 2007.
KASS, M.; WITKIN, A.; TERZOPOULOS, D. Snakes: Active contour models.
International journal of computer vision, v. 1, n. 4, p. 321–331, 1988.
KIA. Driving Assist. Disponível em:
<http://m.kia.com/worldwide/experience_kia/drive_wise/driving_assist.do#header> Acesso em: 12 abr. 2017.
KIKUCHI, I.; ONOGUCHI, K. Occluded side road detection using a single
camera. Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International
Conference on. Anais...IEEE, 2014Disponível em:
<http://ieeexplore.ieee.org/abstract/document/6958039/>. Acesso em: 6 jun. 2017 KIRBIS, D. S. TheRandomLab: Logitech c920 and c910 fields of view for
RGBDtoolkitTheRandomLab, 5 mar. 2013. Disponível em:
<http://therandomlab.blogspot.com.br/2013/03/logitech-c920-and-c910-fields-of- view.html>. Acesso em: 10 abr. 2017
LAPIX. Transformações Geométricas 2D e Coordenadas Homogêneas.
Disponível em: <http://www.lapix.ufsc.br/ensino/computacao-grafica/transformacoes- geometricas-2d-e-coordenadas-homogeneas>. Acesso em: 2 jun. 2017.
LAUREANO, G. T. Detecção topológica de padrões xadrez para calibração de
câmeras. [s.l.] Universidade de São Paulo, 2013.
LEAL, V. N. et al. UTILIZAÇÃO DE CONTORNO ATIVO PARA SEGMENTAÇÃO DA ÍRIS EM UM SISTEMA DE RECONHECIMENTO DE ÍRIS. 2010.
LIU, L.-C.; FANG, C.-Y.; CHEN, S.-W. A Novel Distance Estimation Method Leading a Forward Collision Avoidance Assist System for Vehicles on Highways. 2016. LUO, L. et al. A software-hardware cooperative implementation of bird’s-eye
view system for camera-on-vehicle. Network Infrastructure and Digital Content,
2009. IC-NIDC 2009. IEEE International Conference on. Anais...IEEE,
2009Disponível em: <http://ieeexplore.ieee.org/abstract/document/5360920/>. Acesso em: 6 jun. 2017
MA, G. et al. Pedestrian detection using a single-monochrome camera. IET
Intelligent Transport Systems, v. 3, n. 1, p. 42–56, 2009.
MARENGONI, M.; STRINGHINI, S. Tutorial: Introdução à visão computacional usando opencv. Revista de Informática Teórica e Aplicada, v. 16, n. 1, p. 125– 160, 2009.
MARQUES, O. Practical image and video processing using MATLAB. [s.l.] John Wiley & Sons, 2011.
MATHWORKS. Measure properties of image regions - MATLAB regionprops, 2015. Disponível em:
<https://www.mathworks.com/help/images/ref/regionprops.html>. Acesso em: 8 jun. 2017
MATHWORKS. Single Camera Calibration App - MATLAB & Simulink. Disponível em: <http://www.mathworks.com/help/vision/ug/single-camera-calibrator-
app.html?requestedDomain=www.mathworks.com>. Acesso em: 31 mar. 2017. MATHWORKS. What Is Camera Calibration? Disponível em:
<https://www.mathworks.com/help/vision/ug/camera-calibration.html#bu1ahkv> Acesso em: 31 mar. 2017.
MOLOGNI, J. F. et al. Challenges on the Design of Automotive Radar Systems
and V2V Technology. [s.l.] SAE Technical Paper, 2014. Disponível em:
<http://papers.sae.org/2014-36-0356/>. Acesso em: 16 jan. 2017.
MORRIS, T. Computer vision and image processing. Basingstoke: Palgrave Macmillan, 2004.
MOSQUET, X.; ANDERSEN, M.; ARORA, A. A roadmap to safer driving through advanced driver assistance systems. Auto Tech Review, v. 5, n. 7, p. 20–25, 2016. MUAD, A. M. et al. Implementation of inverse perspective mapping algorithm for
the development of an automatic lane tracking system. TENCON 2004. 2004
IEEE Region 10 Conference. Anais...IEEE, 2004Disponível em:
<http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=1414393>. Acesso em: 16 jan. 2017
NHTSA. Safety Technologies | NHTSA. Disponível em:
<https://www.nhtsa.gov/equipment/safety-technologies#15226>. Acesso em: 21 maio. 2017.
NIETO, M. et al. Stabilization of inverse perspective mapping images based on
robust vanishing point estimation. 2007 IEEE Intelligent Vehicles Symposium. Anais. IEEE, 2007 Disponível em:
<http://ieeexplore.ieee.org/xpls/abs_all.jsp?arnumber=4290133>. Acesso em: 16 jan. 2017
NTSB. The Use of Forward Collision Avoidance Systems to Prevent and
Mitigate Rear-End Crashes. Washington, D.C.: 2015. Disponível em:
<https://www.ntsb.gov/safety/safety-studies/Documents/SIR1501.pdf>. Acesso em: 30 maio. 2015.
PEDRINI, H.; SCHWARTZ, W. R. Análise de imagens digitais: princípios,
algoritmos e aplicações. [s.l.] Thomson Learning, 2008.
PIVETTA, C.; MANTOVANI, G.; ZOTTIS, F. Transformada de Hough. Unioste, [s.d.]. Disponível em:
<http://www.inf.unioeste.br/~adair/PID/Notas%20Aula/Transformada%20de%20Houg h.pdf> acesso em 2017
REBOUÇAS FILHO, P. P. et al. Modelo de Contorno Ativo Crisp Adaptativo 2D aplicado na segmentação dos pulmões em imagens de TC do tórax de voluntários sadios e pacientes com enfisema pulmonar. Rev. bras. eng. biomed, v. 29, n. 4, p. 363–376, 2013.
RSIP VISION. McKinsey Report Exposes ADAS Future Opportunities and
ChallengesRSIP Vision, 2016. Disponível em: <http://www.rsipvision.com/adas-
future-opportunities/>. Acesso em: 1 jun. 2017
SANTOS, M. M. D. FRONT CAMERA UNIT TO SUPPORT FEATURES OF
ADVANCED DRIVER ASSISTANCE SYSTEM. UTFPR: 2015.
SHAPIRO, L.; STOCKMAN, G. C. Computer vision. 2001. ed: Prentice Hall, 2001. SOLOMON, C.; BRECKON, T. Fundamentals of Digital Image Processing: A
practical approach with examples in Matlab. [s.l.] John Wiley & Sons, 2011.
STORJOHANN, K. et al. Visual obstacle detection for automatically guided
vehicles. Robotics and Automation, 1990. Proceedings., 1990 IEEE International
Conference on. Anais...IEEE, 1990Disponível em:
<http://ieeexplore.ieee.org/abstract/document/126078/>. Acesso em: 2 jun. 2017 TESLA. Autopilot | Tesla Europe. Disponível em:
<https://www.tesla.com/en_EU/autopilot>. Acesso em: 24 jan. 2017.
TUOHY, S. et al. Distance determination for an automobile environment using
inverse perspective mapping in OpenCV. Proc. Irish Signals and Systems
Conference. Anais...2010Disponível em:
<http://www.academia.edu/download/29591239/docualain_issc10.pdf>. Acesso em: 16 jan. 2017
VELHO, L.; FRERY, A.; GOMES, J. Image Processing for Computer Graphics
WHO. Global status report on road safety 2015., 2015. Disponível em: <http://www.who.int/violence_injury_prevention/road_safety_status/2015/en/>. Acesso em: 5 out. 2016
XIANG, Z.; PLASTOCK, R. A. Computer Graphics. 2. ed. 2000.
YING, Y.; YUHUI, Z. Technique of measuring leading vehicle distance based on
digital image processing theory. Intelligent Computation Technology and
Automation (ICICTA), 2010 International Conference on. Anais...IEEE,
2010Disponível em: <http://ieeexplore.ieee.org/abstract/document/5523029/>. Acesso em: 2 jun. 2017
ZHANG, Z. A flexible new technique for camera calibration. IEEE Transactions on