Teste com a Rede Neural

Assim como no sistema desenvolvido por Stivanello (2004), para todos os testes foram utilizados 15 descritores de Fourier e a camada oculta da rede neural contendo 15 neurônios. Este mesmo número de neurônios foi utilizado na camada de entrada. Como a saída deve assumir um entre dois estados possíveis (é carro e não é carro), foi utilizado na camada de

57

saída apenas 1 neurônio.

Porém, a recomendação estabelecida para que o número de amostras seja 480 para esta rede não foi estabelecido, pois os vídeos utilizados são muito pequenos, possuindo um número de 10 amostras no máximo. Recomenda-se treinar a rede utilizando amostras positivas e negativas, portanto todas as etapas de treinamento da rede foram baseadas no segundo vídeo (video2.avi). Para testar a rede neural foram realizados quatro casos de teste, visando cobrir a maior quantidade de cenários de testes possíveis.

Para o primeiro caso de teste, a rede foi treinada utilizando o resultado do algoritmo de subtração de fundo. A figura 25 mostra as imagens segmentadas cujos objetos que cortam a linha vermelha não são considerados veículos ( como ruídos e pessoas).

Figura 25 – Exemplos de objetos reprovados pela subtração de fundo

Já na figura 26 encontram-se os objetos considerados automóveis que passaram pela linha vermelha. Porém, como o algoritmo de subtração de fundo é sensível a luminosidade, deve-se levar em consideração que o ambiente deverá possuir sempre a mesma iluminação no momento de treinamento e no de reconhecimento.

58

Figura 26 – Exemplos de objetos aprovados pela subtração de fundo

No primeiro caso de teste, o treinamento da rede foi um pouco lento, assim como descrito por Stivanello (2008), levando noventa segundos. Após o treinamento, quando verifica a contagem de veículos, a rede neural satisfez o desempenho previsto. Todos os objetos do tipo carro foram contados, e os que não eram foram ignorados.

Para o segundo caso de teste, foi utilizada a rede neural treinada pelo resultado do algoritmo de subtração de fundo, com a contagem de veículos geradas pelo algoritmo NHD. Uma ocorrência de veículo não pode ser identificada e alguns ruídos (provocados na finalização do vídeo) foram contados como sendo um carro, tendo apenas 66,6% dos objetos identificados corretamente. Como dito na seção anterior, o algoritmo NHD é mais sensível que o algoritmo se subtração de fundo quando a câmera treme.

No terceiro caso de teste, o objetivo é identificar a viabilidade de aplicar os algoritmos de segmentação podem ser efetuados em uma seqüência com um passo maior entre os frames. Para isso, a rede neural foi treinada através dos resultado do algoritmo NHD a cada 1 quadro por segundo. No momento da contagem, o ambiente foi configurado para que a segmentação, bem como o algoritmo de reconhecimento, fossem executados a cada 10 quadros por segundo. A figura 27 mostra as imagens segmentadas no momento do treinamento que não são considerados carros.

59

Figura 27 – Exemplos de objetos reprovados pelo algoritmo NHD

Já a figura 28 apresenta os objetos considerados veículos, após cruzarem a linha vermelha definida pelo usuário. Como previsto, alguns carros não puderam ser identificados e contados, pois os mesmos não apareceram totalmente no vídeo quando entraram em contato com a linha vermelha, deixando uma parte de sua área de fora. O percentual de acerto do terceiro caso de teste foi de 81,8%.

Figura 28 – Exemplos de objetos aprovados pelo algoritmo NHD

Para o ultimo caso de teste da rede neural, foi verificado se os exemplos de carros de um vídeo podem ser utilizados em outro. Para isso, a rede neural treinada no terceiro caso de

60

testes foi submetida ao primeiro arquivo de vídeo. Foi possível observar que, mesmo com uma pequena quantidade de objetos utilizados no treinamento, o algoritmo conseguiu contar a maioria dos veículos, possuindo 90,9% de acerto.

Os dados de cada caso de teste realizado podem ser visualizados na tabela 2.

Tabela 2 – Resultados dos casos de teste com rede neural RESULTADOS DOS TESTE

Caso de teste Número de objetos Percentual de acerto Teste 1 9 100% Teste 2 9 66,6% Teste 3 11 81,8% Teste 4 11 90,9%

61

4 CONCLUSÕES

Este trabalho apresentou dois métodos para identificação de veículos em ruas, bem como o desenvolvimento de um sistema para investigação, através da contagem de carros em uma estrada. Para realizar tal tarefa foram utilizadas diversas técnicas de processamento de imagens, além de uma rede neural para o reconhecimento.

A escolha do algoritmo de Adaptação de Fundo NHD mostrou-se melhor que Remoção de Fundo, que deixam a aplicação “presa” ao ambiente observado. O algoritmo de Remoção de Fundo falha quando existe a possibilidade de um objeto ficar parado na cena, dificultando a segmentação dos objetos em movimento. O algoritmo NHD mostrou-se eficaz em ambientes reais, permitindo uma flexibilidade quanto a luminosidade, tanto causadas pelo sol quanto por objetos que geram iluminação.

Aliada a etapa de segmentação, a etapa de pós-processamento contribui para a diminuição de ruídos na imagem, o que foi fundamental para a etapa de pesquisa por componentes conexos. O parâmetro que permite ignorar imagens com tamanho inferior a um determinado valor permite um filtro ainda maior, em relação a quantidade de objetos relevantes a imagem.

A utilização dos descritores de Fourier para a descrição de formas, baseado no TCC de Stivanello (2004), permitiu representar as formas a partir de uma quantidade pequena de descritores, útil para etapa de interpretação. Além disto, o fato da técnica ser invariante quanto a translação e a rotação dos veículos, amplia a possibilidade do sistema ser utilizado em cruzamentos.

Já a utilização de redes neurais do tipo Perceptron Multicamadas, implementada por Stivanello (2004), baseou-se na generalização da rede e pela facilidade de adaptação ao sistema implementado. A velocidade do treinamento é proporcional ao grau de diferença entre os objetos tidos como aprovados e os reprovados.

Finalmente, é importante comentar que, apesar dos resultados do sistema serem satisfatórios, o mesmo é muito lento para ser executado em uma aplicação de tempo real. A etapa de segmentação dos objetos é lenta, principalmente quando usado o algoritmo NHD. Como visto na seção 3.4.2.2, torna-se fundamental utilizar toda a área do veículo para utilizar a rede, pois se apenas uma área do mesmo for considerada pode acarretar em falhas no reconhecimento, como ocorreu no salto de quadros.

62