Submitted by Maria Aparecida (cidazen@gmail.com) on 2017-04-24T13:52:10Z
No. of bitstreams: 1
Julio Cesar da Silva Soares.pdf: 1645821 bytes, checksum: e32d7384c0a6f1999bc7eb190dcd7a05 (MD5) / Made available in DSpace on 2017-04-24T13:52:10Z (GMT). No. of bitstreams: 1
Julio Cesar da Silva Soares.pdf: 1645821 bytes, checksum: e32d7384c0a6f1999bc7eb190dcd7a05 (MD5)
Previous issue date: 2017-03-22 / FAPEMA / Urban roads are very complex. The increase in the flow of vehicles in the cities has
contributed to traffic accidents. Researches for accident reduction show that the traffic lights
are effective in reducing accidents. Traffic lights can minimize the occurrence of accidents at
intersections and crosswalks. The implementation of traffic light signals shows significant
advantages, otherwise reveals some problems such as the failure to detect road signs by
drivers on urban roads. This fact is related to excessive visual information, the stress of the
drivers and/or eyestrain makes the drivers lose their attention. These reasons motivated
researches about intelligent vehicles. This work aims to develop a methodology to detect and
recognize traffic lights, to be applied in smart vehicles. This methodology can contribute to
the Advanced Driver Support Systems (ADAS), which assists drivers, especially those with
partial vision impairment.
Image processing techniques are used to develop the detection methodology. Back project and
global thresholding are combined to find light points. Local thresholding techniques are
applied to calculate the symmetry between the radius and the center of the light points to
segment the traffic light body. The first step got an average rate of 99% of detection. The
features of the traffic lights are extracted using Haralick texture measures, with the inclusion
of color and shape information. The data generated by the feature extraction step were preprocessed using the SMOTE technique to balance the database. The recognition and
identification of the traffic lights state are made by an artificial neural network using
Multilayer-Perceptron (MLP). The backpropagation learning algorithm are used in the
network training. The validation results show an average recognition rate of 98%. / As vias urbanas estão cada vez mais complexas e o acréscimo no fluxo de veículos nas
cidades de médio e grande porte vem contribuindo para a elevação do número de acidentes.
Pesquisas apontam que os sinais de trânsito são eficientes na redução do número de acidentes.
A implantação de sinais de trânsito apresentam vantagens relevantes, mas por outro lado
revelam alguns problemas, como a dificuldade na detecção de sinais de trânsito pelos
condutores em vias urbanas. Este fato está relacionado à quantidade de informações visuais
nas vias, ao estresse dos motoristas e/ou à fadiga visual destes, que fazem os motoristas
desviarem sua atenção da sinalização. Estas razões motivaram muitas pesquisas nos últimos
anos, sobre o tema veículos inteligentes. Assim, o presente trabalho propõe uma metodologia
para detectar e reconhecer semáforos de trânsito para ser aplicada em veículos inteligentes,
podendo contribuir para os Advanced Driver Support Systems - ADAS (Sistema Avançado de
Auxílio ao Motorista), e que auxilie os motoristas, em especial aqueles com deficiência
parcial da visão. Além disso, o sistema desenvolvido é capaz de identificar o estado do
semáforo e indicar ao condutor se ele deve parar ou prosseguir, contribuindo assim para a
redução de acidentes de transito.
Para o desenvolvimento do algoritmo de detecção, utilizaram-se técnicas de processamento de
imagens, através de histograma retroprojetado e limiarização global para detectar pontos de
luzes. A limiarização local é aplicada para o cálculo de simetria entre o raio e o centro dos
pontos de luzes, com a finalidade de segmentar o corpo do semáforo, onde se obteve uma taxa
média de detecção de 99%. As características dos semáforos foram extraídas utilizando os
atributos de Haralick, com a inclusão de informações de cor e forma. Os dados gerados pela
extração de características foram pré-processados utilizando a técnica de SMOTE para
balancear a base de dados. O reconhecimento e a identificação do estado do semáforo foram
realizados por uma rede neural artificial do tipo Multilayer Perceptron (MLP). No
treinamento da rede se utilizou o algoritmo de aprendizagem backpropagation e a separação
de dados para treinamento e validação. Os resultados da validação mostraram uma taxa média
de reconhecimento de 98%.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2:tede/1315 |
| Date | 22 March 2016 |
| Creators | SOARES, Julio Cesar da Silva |
| Contributors | ALMEIDA NETO, Areolino de |
| Publisher | Universidade Federal do Maranhão, PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET, UFMA, Brasil, DEPARTAMENTO DE INFORMÁTICA/CCET |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFMA, instname:Universidade Federal do Maranhão, instacron:UFMA |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0015 seconds