Submitted by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-02-01T19:59:11Z
No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertação - Michel Yvano.pdf: 3449620 bytes, checksum: ec303773b1da8f969478f8d1706a25d3 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-02-01T19:59:36Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertação - Michel Yvano.pdf: 3449620 bytes, checksum: ec303773b1da8f969478f8d1706a25d3 (MD5) / Approved for entry into archive by Divisão de Documentação/BC Biblioteca Central (ddbc@ufam.edu.br) on 2017-02-01T19:59:51Z (GMT) No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertação - Michel Yvano.pdf: 3449620 bytes, checksum: ec303773b1da8f969478f8d1706a25d3 (MD5) / Made available in DSpace on 2017-02-01T19:59:51Z (GMT). No. of bitstreams: 2
license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5)
Dissertação - Michel Yvano.pdf: 3449620 bytes, checksum: ec303773b1da8f969478f8d1706a25d3 (MD5)
Previous issue date: 2016-07-29 / Agência de Fomento não informada / Fluvial monitoring is an intensive and necessary task used as a support to
avoid possible threats such as piracy and environmental aggression. Usually, this
task is performed manually by a human operator, who analyzes video monitors
for long duration, which leads the task to be long, tedious and prone to errors. In
the Amazon rainforest, fluvial monitoring is even more challenging due to the
large territory of the region and due to the fact that the largest river basin in the
world is in this region. Remote sensing, usually based on aerial images obtained
by satellite or unmanned/manned aerial vehicles is one possibility to deal with
this problem. In this context, we propose in this work a computational method
focused on detecting the movement of vessels in a typical scene of the Amazon
rivers. This new method is necessary since current solutions are not suited to the
deal with the Amazon scenario due to several reasons, for instance, the diversity
of the background of the Amazon region. In addition, several methods available
in the literature were designed in the context of open sea scenarios, where there
are usually only vessels and water in the scenes. In this work, digital image
processing techniques are employed to detect moving objects in the scene, while
machine learning algorithms are used to indicate the probability about the class
of the observed object, i.e. whether or not the detected object is a boat. This
double detection process is intended to reduce false alerts provided by the
proposed method. The experiments conducted in this work show that the
proposed method achieved 79% of accuracy and 91% precision rate when all
images are considered, as well as a 71% precision rate when only scenes with
vessels are analyzed. These results indicate the effectiveness of the proposed
method when compared to other strategies. / O monitoramento fluvial é um trabalho intensivo e necessário a fim de
evitar possíveis ameaças como pirataria e agressão ambiental. Normalmente,
essa tarefa é realizada manualmente por um operador humano que analisa
monitores de vídeo por longos períodos de tempo, fator que torna a tarefa longa,
maçante e sujeita a erros. Na Amazônia, o monitoramento fluvial é ainda mais
desafiador devido à grande extensão territorial da região e ao fato desta possuir
a maior bacia hidrográfica do planeta. Dentre as possibilidades de tratar este
problema existe a utilização de sensoriamento remoto, em geral utilizando
imagens aéreas obtidas por satélites ou veículos aéreos, tripulados ou não.
Diante desse contexto, esta dissertação propõe um método computacional
capaz de detectar a movimentação de embarcações em um ambiente típico dos
rios da Amazônia, pois os métodos existentes na literatura não se adequam ao
cenário amazônico devido a inúmeros fatores, como por exemplo, a diversidade
de composição de fundo da região. Além disso, métodos propostos na literatura
foram desenvolvidos para ambientes com mar aberto, onde normalmente há
apenas embarcações e água em cena. Neste trabalho, são usadas técnicas de
processamento digital de imagens para a detecção do objeto em movimento e
técnicas de aprendizagem de máquina para determinar a probabilidade do objeto
observado ser um barco ou não. Essa dupla detecção reduz os falsos alertas
emitidos pelo método proposto. Os experimentos realizados mostram que o
método obteve 79% de acurácia e 91% de precisão, considerando todas as
imagens, e precisão de 71% em cenas com embarcações, mostrando-se
eficiente ao ser comparado com outras estratégias.
Identifer | oai:union.ndltd.org:IBICT/oai:http://localhost:tede/5474 |
Date | 29 July 2016 |
Creators | Yvano, Michel Marialva |
Contributors | Santos, Eulanda Miranda dos, Carvalho, José Reginaldo Hughes, Pio, José Luiz de Souza, Queiroz neto, José Pinheiro de |
Publisher | Universidade Federal do Amazonas, Programa de Pós-graduação em Informática, UFAM, Brasil, Instituto de Computação |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Biblioteca Digital de Teses e Dissertações da UFAM, instname:Universidade Federal do Amazonas, instacron:UFAM |
Rights | http://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess |
Relation | -312656415484870643, 600, 500, 4163267508810754609 |
Page generated in 0.0019 seconds