Please use this identifier to cite or link to this item: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/4314
Title: Localização e reconhecimento de placas de sinalização utilizando um mecanismo de atenção visual e redes neurais artificiais.
Other Titles: Localization and recognition of signaling plates using a mechanism of visual attention and artificial neural networks.
???metadata.dc.creator???: RODRIGUES, Fabrício Augusto.
???metadata.dc.contributor.advisor1???: GOMES, Herman Martins.
???metadata.dc.contributor.referee1???: BARROS, Marcelo Alves de.
???metadata.dc.contributor.referee2???: ARAÚJO, Joseana Macêdo Fechine Régis de.
Keywords: Inteligência Artificial;Visão Computacional;Atenção Visual;Redes Neurais Artificiais;Artificial Intelligence;Computer Vision;Visual Attention;Artificial Neural Networks
Issue Date: 30-Aug-2002
Publisher: Universidade Federal de Campina Grande
Citation: RODRIGUES, Fabrício Augusto. Localização e reconhecimento de placas de sinalização utilizando um mecanismo de atenção visual e redes neurais artificiais. 2002. 124 f. Dissertação (Mestrado em Informática) Programa de Pós-Graduação em Informática, Centro de Ciências e Tecnologia, Universidade Federal de Campina Grande, Campina Grande, Paraíba, Brasil, 2002.
???metadata.dc.description.resumo???: Esta dissertação tem como principal objetivo investigar o problema da detecção e reconhecimento de placas de sinalização utilizando dados de uma câmera de vídeo acoplada a um carro em movimento. Foi projetada a arquitetura de um protótipo de sistema de reconhecimento contendo dois módulos principais: um Módulo de Detecção para automaticamente localizar placas de trânsito dentro de cada quadro em uma seqüência de imagens; e um Módulo de Reconhecimento para classificar as regiões localizadas em cada cena, com base num conjunto prévio de imagens treinadas. Para o Módulo de Detecção, nós utilizamos um mecanismo de atenção baseado em saliência (bottom-up), o qual é constituído a partir de uma Pirâmide Gaussiana, bem como a partir de operadores locais de orientação. Testes com este mecanismo apresentaram resultados promissores uma vez que, sinais estavam presentes na maioria das regiões salientes. Experimentos preliminares com o Módulo de Reconhecimento sozinho apresentaram bons resultados, com taxa média de reconhecimento em torno de 84%. Entretanto, ao utilizar as saídas do Módulo de Detecção, em que as imagens não necessariamente são centralizadas. o uso de um classificador neural monolítico apresentou, para todas as classes, resultados insatisfatórios. Devido a este problema, foram realizados alguns experimentos simples envolvendo redes neurais de classificação binária nos quais se demonstrou a viabilidade de utilização de uma estratégia de classificação combinando as saídas destes classificadores. Os resultados também indicaram que melhores taxas de reconhecimento poderiam ser atingidas através de um aumento no número de exemplos de treinamento.
Abstract: The main objective of this dissertation is to investigate the problem of the traffic signs detection and recognition, using data from a video camera attached to a moving car. We designed an architecture containing two main modules: a detection module to automatically locate traffic signs inside each frame; and a recognition module to classify the located regions based on a set of previously trained images. For the detection module we are using a saliency-based attention mechanism (bottom-up), which is constructed from a Gaussian Pyramid, and locally oriented neighborhood operators. Some initial tests of this mechanism showed promising results since signs were present in most image salient regions. Preliminary experiments with the recognition module presented good results, with 84.40% recognition average rate. The results also indicate that better rates could be reached if we increased the number of examples in the training set. However, when using the outputs of the Detecion Module, in which sign images are not necessarily centred, the use of a monolithic neural clasifier presented, for all classes, insatisfactory results. In face o f this problem, we developed new simple experiments involving binary classification networks (discriminating between 2 classes at a time). These experiments have shown that it would be possible to employ a classification strategy combining the output of these binary networks. Results have also shown that better recognition rates could be achieve though an increase in the training set size.
Keywords: Inteligência Artificial
Visão Computacional
Atenção Visual
Redes Neurais Artificiais
Artificial Intelligence
Computer Vision
Visual Attention
Artificial Neural Networks
???metadata.dc.subject.cnpq???: Ciência da Computação
URI: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/4314
Appears in Collections:Mestrado em Ciência da Computação.

Files in This Item:
File Description SizeFormat 
FABRÍCIO AUGUSTO RODRIGUES-DISSERTAÇÃO (PPGCC) 2002.pdf2.55 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.