Escolar Documentos
Profissional Documentos
Cultura Documentos
net/publication/337012052
CITATIONS READS
0 39
3 authors, including:
Some of the authors of this publication are also working on these related projects:
Análise de uma Intervenção no Ensino de Engenharia Elétrica por Meio da Metodologia Ativa de Ensino – Aprendizagem Baseada em Equipes View project
Utilização de visão computacional para identificação automática de placas de sinalização vertical de velocidade View project
All content following this page was uploaded by Rafael Mofati Campos on 17 December 2019.
RESUMO
Introdução. A visão computacional é o estudo que transmite para a máquina a capacidade de visão humana e
com sua utilização, é possível que uma máquina execute decisões a partir de instruções de forma autônoma e
sem a necessidade da intervenção humana. A visão computacional pode ser aplicada em diversas áreas de
conhecimento dentre elas, as de sinais de trânsito que representa limites de velocidade. Nessa perspectiva, é
possível que a visão computacional indique a velocidade máxima permitida em uma rodovia ou estrada pública
no instante em que o veículo estiver passando sobre a placa. Objetivo. Desenvolver um sistema de visão
computacional que seja capaz de identificar a velocidade indicada na sinalização vertical de velocidade de vias
brasileiras para auxílio a sistemas de carros autônomos de terceiros. Método. Para o método proposto, foi
utilizado o software MATLAB/SIMULINK® na versão 2018a o qual possibilitou a simulação das instruções. Em
seguida para o projeto, foram utilizados vídeos com tempo pré-determinado no qual simularam o deslocamento
de um veículo em via ou estrada pública. Para detecção da placa de velocidade, utilizou-se a transforma de
Hough para círculos; as redes neurais convolucionais tiveram a função de classificar a imagem detectada; o
coeficiente de correlação e mais 17 imagens numéricas foram utilizadas para o reconhecimento dos algarismos
numéricos. Em diversas situações utilizou-se o redimensionamento de imagens, transformação de imagem
binária, níveis de cinza, filtro morfológico e descritor geométrico. Resultados Na análise do projeto, foram
avaliadas 95 placas de sinalização vertical velocidade, distribuídas em 9 vídeos, perfazendo um tempo total de
75,46 minutos e verificado que delas, 95,78% foram detectadas com a utilização de Hough, nessa sequência,
desse percentual detectado, 93,40% foram classificadas corretamente pela rede e desse percentual classificado
82,35 tiveram sua velocidade identificada efetivamente pelo procedimento proposto. Além disso, foi verificado o
tempo médio de iteração despendido das instruções do projeto, correspondendo 0,196 segundos para todo o
projeto, executando todos os procedimentos, com a configuração de processamento utilizada. Em análise
especifica de partes do projeto o tempo de iteração para transforma de Hough para círculos foi 0,097 segundos,
representando 49,52% do tempo total; da rede foi de 0,082 segundos, 41,78%; identificação dos algarismos
numéricos 7 ms, 3,59 %, redimensionamento da imagem de entrada 1ms e demais tarefas 8 ms, 4,47 %.
Conclusão. Conclui-se que para o sistema de visão computacional proposto, este se fez capaz de identificar as
placas de sinalização vertical de velocidade, podendo estes procedimentos serem avaliados e/ou implementados
em sistemas de carros autônomos de terceiros para variação de velocidade. Outro fator importante é que o
tempo de iteração do projeto mostrou-se bem abaixo, demonstrando a possibilidade de uso em tempo real.
Palavras-chave: Visão computacional. Processamento de imagens. Redes neurais.
desenvolvida por veículo para uma pista ou Em seguida utilizaram uma rede neural artificial
faixa, compondo-se dessa velocidade de para classificar as imagens. Os testes foram
valores múltiplos de 10. A sua utilização se dá realizados em um computador pessoal com
em locais em que haja a necessidade de implementação de linguagem C/C++ e após os
informar ao usuário, em vias fiscalizadas com testes, os autores observaram que com
equipamentos medidores de velocidade bem procedimento proposto, obtiveram 2462 sinais
como em locais que a engenharia de trânsito corretamente classificados contra 289 sinais
designa a necessidade. não detectados.
Uma das motivações para a Observa-se também que consoante o
regulamentação e uso das placas de Departamento Nacional de Infraestruturas e
velocidade R-19, pode ser visto com o auto Transporte (DNIT),[17] o Brasil é detentor de
índice de ocorrências envolvendo excesso de uma rede rodoviária de quase 1,7 milhões de
velocidade, pois, segundo dados da Polícia Km de extensão, tendo inclusive, uma
Rodoviária Federal (PRF)[13] só no ano de 2017 crescente frota que, só em fevereiro de 2018,
foram registradas nas rodovias federais 10.426 alcançou o patamar de 97 milhões, sendo que
mil ocorrências envolvendo acidentes de desse total, só de automóveis, representava 53
trânsito por velocidade incompatível com a via, milhões, totalizando 54%.[18]
constituindo-se desse total, mais de 7,22% Com base nas informações
acidentes com resultado morte e 92,77% supramencionadas, o objetivo desse projeto
representaram acidentes com vítimas feridas propõe desenvolver um sistema de visão
ou sem vítimas. computacional que seja capaz de identificar a
Nessa mesma linha, os dados do Governo velocidade indicada na sinalização vertical de
do Brasil[14] demonstram que o excesso de velocidade de vias brasileiras para auxílio a
velocidade lidera a posição das infrações mais sistemas de carros autônomos de terceiros.
cometidas por motoristas brasileiros entre os
anos de 2010 e 2017, e que só no ano de 2016
MATERIAIS E MÉTODOS
foram aplicadas 14,9 milhões de multas por Este projeto trata-se de um estudo
excesso de velocidade em vias e estradas do descritivo de caráter qualitativo e de adaptação
Brasil. tecnológica.
Analisando por essa perspectiva e com O projeto foi desenvolvido nos meses que
objetivo de diminuir a frequência de acidentes compreendem julho a agosto de 2018 e sua
de trânsito em estradas e rodovias devido à execução e teste final até o mês de setembro
falta de atenção de motoristas aos sinais de do mesmo ano. Na fase de execução e teste foi
trânsito e possibilitar estudos de pesquisa de utilizado os computadores pessoais dos
controle autônomo de veículos, Reis[15] utilizou autores no qual tiveram a função de simular,
a detecção de sinais de trânsito através do em ambiente virtual, as instruções que foram
método de classificação Adaboost. produzidas. Essas instruções baseadas na
A técnica apresentada identificava durante linguagem MATLAB, foram simuladas e
a captura de vídeo, placas de sinalização de executadas no software MATLAB/SIMULINK®
trânsito do modelo (PARE). Para identificação da companhia MathWorks na versão 2018a.
da placa, foi utilizado um conjunto de imagens Para o objeto de análise, foram
que foram treinadas pelo algoritmo, sendo de consideradas somente as placas de sinalização
25 imagens de placa (PARE) chamadas de de trânsito que compõe as de sinalização
imagens positivas e 300 imagens negativas vertical de limite de velocidade. Essas placas
escolhidas aleatoriamente, ou seja, que não seguiram o modelo R-19, com formato
possuíam a placa (PARE), mas que, no geométrico circular, do Conselho Nacional de
entanto, eram voltadas ao trânsito. Foi Trânsito conforme pode ser visto na figura 1.
observado pelo autor que quanto mais passos Compondo-se a principal variável analisada,
de treinamento do algoritmo menores foram as isto é, as placas de sinalização do modelo R-
generalizações com melhores resultados. 19, elas foram obtidas através de vídeos que
De sentido semelhante e com o propósito foram extraídos da plataforma de
de realizar a detecção de sinais de trânsito, Shi compartilhamento de vídeos YouTube com um
e Lin[16] desenvolveram um estudo de um tempo pré-determinado e diversificado em face
sistema de visão computacional utilizando de cada vídeo. A função desses vídeos era de
vídeos capturados de campo, cidade e estrada. simular o deslocamento de um veículo
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
automotor em uma via ou estrada pública, e supramencionada, sendo está resolução, (480
para outro fim, utiliza-la em ambiente virtual, vs NaN), ou seja, linhas versus quantidade de
isto é, no projeto que foi desenvolvido. colunas proporcionalmente.
A proporção da entrada de vídeo foi
Placa de velocidade máxima permitida utilizada para não haver distorção na imagem,
deste modo, conseguiu-se manter os aspectos
de geometria dos objetos e principalmente da
placa de sinalização vertical de velocidade.
O princípio de funcionamento do vídeo é
caracterizado pela transformação de cenas
tridimensionais do ambiente real no momento
em que é capturado por câmeras, em cenas
e/ou quadros no formato bidimensional. Essa
imagem bidimensional por sua vez, possui um
número de linhas e colunas que é determinado
pela câmera utilizada, sendo assim, para este
projeto adotou-se o padrão de entrada,
conforme mencionado de 480 linhas.
Observando-se que esta cena adquirida
Figura 1 - Placas de sinalização de velocidade. Fonte:
fibrobecker.com.br
pela câmera de vídeo, trata-se de uma imagem
RGB, ou seja, uma imagem colorida em que
Por outro lado, foram desconsideradas cada pixel dessa imagem possui 8 bits de cada
todas ou qualquer tipo de sinalização de padrão de cor, o vermelho, verde e azul,
trânsito que não fazia parte do modelo R-19, perfazendo combinações de 0 a 255 níveis de
bem como, não foi analisado quadros de cor cada uma, foi utilizado uma maneira de
imagem de vídeo que continham vias ou facilitar as demais etapas do sistema de visão
estradas públicas em horários noturnos, em computacional.
dias chuvosos, com neve, poeira, vegetação Essa imagem RGB de 24 bits foi convertida
que atrapalhasse a visualização da sinalização, em para uma imagem monocromática, ou seja,
com neblina e que tinham duas ou mais placas uma imagem em níveis de cinza. A imagem em
de velocidade em um mesmo quadro de vídeo. níveis de cinza contém somente 8 bits de cor e
A apreciação do projeto na análise de com essa transformação, foi possível obter 256
dados baseou-se na quantificação do número tonalidades de cor que vai do 0 totalmente
de placas de sinalização vertical de velocidade preto ao 255 totalmente branco, diferente dos
que foram e não foram detectadas, 24 bits que poderiam gerar mais de 16 milhões
reconhecidas e identificadas efetivamente de cores, dificultando o processo de visão
pelas instruções que foram desenvolvidas e computacional. O resultado da transformação
teve como objeto para visualização, tabelas pode ser observado conforme demonstra as
criadas no software Microsoft Office Excel figuras 2 e 3.
2013.
Em contrapartida, para o desenvolvimento Imagem de resolução padrão de entrada, 24 bits
do projeto, foi utilizado em sua fase inicial um
computador pessoal da marca Dell, 16 Gb de
memória RAM, com um processador da marca
Intel Core i7, 8ª geração e placa de vídeo
dedicada de 4 Gb. A inserção dos vídeos no
ambiente computacional para simulação foi
realizado através da função Vídeo Reader do
MATLAB.
Para efeitos de resolução, haja vista que os
vídeos analisados em questão, possuírem
diversidades nesse aspecto, foi padronizado
durante a execução do algoritmo uma
resolução inicial que não comprometeu a
capacidade computacional da configuração Figura 2 – Quadro de imagem de vídeo RGB, 24 bits.
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
forma, o êxito foi obtido utilizando a imagem em Em seguida, o objeto de interesse foi
níveis de cinza conforme já visto na figura 4. redimensionado para (240 vs NaN), ou seja,
Em seguida, foi identificado por meio de para duzentas e quarenta linhas por quantidade
função da transformada de Hough, o parâmetro de colunas proporcionalmente e armazenada
da coordenada do centro do objeto de em uma variável. De modo semelhante, foi
interesse , o que possibilitou, com os utilizada a função imcrop do MATLAB para
parâmetros já definidos inicialmente da obter o objeto de interesse, em três canais de
variação de raio mínimo e máximo, a utilização cor o RGB e armazenada em outra variável. O
de variáveis como raio e diâmetro exatos do fator para redimensionamento foi utilizado para
objeto de interesse, sendo estes dois, se obter uma melhora nas saliências do objeto
apresentados no Workspace do MATLAB e de interesse aumentado nesse aspecto, a
através dessa coordenada, também foi utilizado quantidade de pixels presentes.
outras duas variáveis para o deslocamento da Durante a realização dos testes, como já
coordenada na imagem bidimensional. O previsto, foi observado que em algumas
objetivo para esse deslocamento foi necessário situações onde o quadro e/ou imagem de vídeo
para a utilização da função imcrop do MATLAB não possuía objeto de interesse, a
que por sua vez, proporcionou extração da transformada de Hough para círculos
forma geométrica da placa de sinalização identificava formas geométricas circulares de
vertical de velocidade, isto é, o objeto de outros objetos que não faziam parte do escopo
interesse. do projeto. Sendo assim, para eliminação do
Importante evidenciar que foram realizadas revés, utilizou-se redes neurais convolucionais
inúmeras simulações para chegar o ponto ideal profundas para realizar a classificação dessas
com a função imcrop, haja vista, não ser uma imagens e eliminar as imagens que por ventura
imagem estática e sim em modo dinâmico, ou viesse ser distinta da placa de velocidade R-19.
seja, em cada quadro de imagem era uma Para o método em questão, a variável no
localização de uma coordenada do centro do qual tinha armazenado o objeto de interesse
objeto de interesse diferente, sendo assim, em RGB foi utilizada como variável de entrada
adotou-se para as duas variáveis o na rede. O uso dessa variável fez com que
deslocamento de 19 pixels em cada quadro de diminuísse substancialmente o tempo de
vídeo. Iteração do algoritmo aumentando nesse
Esses 19 pixels foram subtraídos com a sentido, a capacidade computacional, uma vez
coordenada do objeto de interesse que era que a análise da rede neural partiu-se através
composto por um vetor de dois elementos, da imagem RGB já redimensionada conforme
sendo o primeiro representado pela linha e o narrado anteriormente.
segundo representado pela coluna. O resultado Para classificação das imagens e o seu
para o procedimento, fez com que a área não treinamento, foram utilizadas 954 imagens
pertencente ao objeto de interesse fosse divididas em duas classes. Uma classe foi
eliminada, sucedendo somente como análise, o denominada como “VELOCIDADE”,
objeto de interesse, ou seja, a placa R-19, representando imagens positivas de placas de
conforme pode ser visto na direita da figura 5. velocidade que variavam de 10 a 100 km/h, e
Com o objeto de interesse em destaque foi outra classe denominada “IMAGEMFUNDO”,
possível empregar as demais etapas da visão representando imagens negativas, isto é, que
computacional, reduzindo dessa forma, o custo não possuíam o objeto de interesse, o modelo
computacional envolvido e a possibilidade de R-19. Para classe das imagens positivas, foram
erros. utilizadas 316 imagens. E para classe de
Objeto de interesse imagens negativas foram utilizadas 638
imagens que não possuem o modelo de
velocidade R-19, conforme já mencionado.
As imagens foram escolhidas
aleatoriamente em ambientes reais e ideias,
contendo características distintas de cor, brilho,
ângulo, (linhas vs colunas) e local. Uma
amostra do conjunto que foi utilizado para o
treinamento foi executada através da função
Figura 5 - Objeto de interesse a direita em destaque.
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
Figura 13- Velocidade de 60 km/h identificada de forma instantânea e apresentada no “Command Window” do
MATLAB2018a.
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
Ademais, dos vídeos examinados, Tabela 4 - Quantidade de placas detectadas que foram
descobriu-se que foram detectadas com a reconhecidas e não reconhecidas pela rede.
utilização da transformada de Hough, 91 placas
de sinalização vertical de velocidade de um Constatou-se que das 85 placas que foram
total de 95 placas analisadas. Isso representou reconhecidas, 70 tiveram sua velocidade
um total de 95,78 %, mostrando-se favorável a identificada efetivamente pela visão
aplicação para método proposto. A tabela 03 computacional, representando uma taxa de
exemplifica o que foi mencionado. 82,35% e 15 não tiveram sua velocidade
identificada o que representou 17,64%.
Detecção utilizando a transformada de Hough Observa-se que esses dois últimos resultados
foram obtidos na última etapa da visão
computacional utilizando a matriz de correlação
que é utilizada para detecção dos algarismos
numéricos. Sendo assim, estes dois últimos
Tabela 3 - Quantidade de placas detectadas e não resultados eram apresentados no Command
detectadas utilizando a transformada de Hough. Window do MATLAB. A tabela 05 denota os
resultados para o que foi mencionando.
De modo equivalente, Rizon et al[23]
desenvolveram um estudo para detectar Velocidade identificada efetivamente
objetos a partir de uma imagem de entrada. Em
um dos métodos propostos, os autores
utilizaram a transformada de Hough para
círculos. Após os testes, os autores concluíram
que das 25 imagens analisadas a taxa de Tabela 5 – Quantidade de placas que foram e não foram
detecção foi de 96% identificadas efetivamente.
Kuo e Lin[24] desenvolveram um método
para detecção e reconhecimento de sinais de Um método para detectar e reconhecer
trânsito usando estratégia de dois estágios. placas de sinalização de trânsito foi proposto
Para detecção os autores utilizaram a por Silva et al[25], em seu experimento, os
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
autores utilizaram 17 imagens de trânsito que logo em sua fase inicial, o número de falso
foram denominadas como templates e 60 positivo era superior tendo um declínio com o
imagens de resolução (2144 vs 1424) pixels aperfeiçoamento e inclusão de mais imagens
contendo 92 placas de sinalização, que foram no conjunto de dados.
obtidas através de uma câmera instalada em Um aspecto que é importante destacar, é
um veículo. Com o procedimento proposto, os que todos os resultados para o valor médio
autores observaram que 78 placas foram foram obtidos utilizando exclusivamente a
reconhecidas corretamente, representando Central Processing Unit (CPU) e/ou no
uma taxa de acerto de 84,78%, contra 3,26% português, Unidade Central de Processamento
relacionado a erros de identificação e 11,96% (UCP). Observa-se que a utilização da Unidade
de placas não reconhecidas, representando 11 de Processamento Gráfica, comumente
placas. Ainda foi verificado pelos autores que o conhecida do inglês, como Graphics
tempo médio de processamento das 60 Processing Unit (GPU), otimiza
imagens foi de 90 segundos. substancialmente o custo computacional das
Hechri e Mtibaa[26] desenvolveram um tarefas do projeto desenvolvido.
estudo para detecção e reconhecimento de Para Patil et al[27] o benefício de uso da
sinais de trânsito. Para os testes, os autores GPU no processamento de imagens é de
utilizaram dados reais de imagens de vídeo acelerar o desempenho obtido pela sua
coletadas em estradas que representou 144 arquitetura paralela. Por essa análise, os
sinais de trânsito. Os sinais foram obtidos autores realizaram testes de performance,
através de uma câmera que foi instalada sobre utilizando uma CPU Intel core i5 em
um veículo. Por fim, os autores concluem que comparação a uma GPU NVIDIA Geforce
as redes neurais forneceram uma taxa de 940m, aplicando a transformada de Hough. Os
acerto de 97,6% na classificação, com um autores observaram que a CPU despendeu um
tempo de processamento de 0,2 segundos. tempo de execução de 0,54 segundos, em
Importante evidenciar que na execução do contrapartida a GPU demandou 0,09 segundos.
projeto, constatou-se que a transformada de Em uma observação semelhante, Potluri et
Hough para círculos, identificou outros objetos al[28] adotaram um procedimento de verificação
não pertencentes ao padrão R-19, mas que da performance de uma CPU e GPU. Para os
foram em sua maioria, classificados como não testes, os autores utilizaram uma CPU Intel (R)
placas de velocidade e eliminados pela rede Xeon (TM) 3.60 GHz e uma GPU GeForce
neural. Por outro lado, constatou-se que a rede 9500 GT com 256MB de memória. Os autores
reconheceu 5 dessas imagens como sendo verificaram aspectos como detecção de borda,
placas de velocidade, no entanto, nenhuma dilatação, contraste e concluíram que tarefas
apresentou-se como velocidade efetivamente, de processamento de imagens na GPU são
devido a utilização de matriz de correlação bem mais rápidas quando se comparada à
utilizada na última etapa da visão CPU.
computacional. Isso demonstra o quão é efetivo
a técnica apresentada. CONCLUSÃO
Observa-se também que um dos fatores
Conclui-se, portanto que para o sistema de
que podem ter contribuído para a classificação
visão computacional proposto, este se fez
incorreta dessas 5 imagens, como placas de
capaz de identificar as placas de sinalização
velocidade, está vinculado com as suas
vertical de velocidade, podendo estes
características semelhantes a do objeto de
procedimentos serem avaliados e/ou
interesse.
implementados em sistemas de carros
Nessa mesma análise, é o caso das 6
autônomos de terceiros para variação de
placas que não foram reconhecidas pela rede,
velocidade.
um obstáculo que pode ser resolvido
Outro fator importante é que o tempo de
aperfeiçoando o conjunto de dados utilizado,
iteração do projeto mostrou-se bem abaixo,
com mais amostras positivas em diferentes
demonstrando a possibilidade de uso em
ambientes, com características distintas de
tempo real.
incidência de luz e de refletância sobre o objeto
O projeto mostrou-se positivo analisando os
de interesse. Essa análise mencionada foi
dados obtidos pela quantidade de acertos
observável durante a realização dos testes,
apresentados. Por outro lado, um dos
visto que em um dos treinamentos realizados,
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
[15]. REIS WAD. Detecção de Sinais de Computing New Zealand (IVCNZ 2009),
Trânsito Através do Método de p. 409-414, ISSN 2151-2205.
Classificação Adaboost. Unopar Científica [23]. RIZON M; YAZID H; SAAD PUTEH;
Ciências Exatas E Tecnológicas. 2013; SHAKAFF AYM; SAAD AR, Object
v. 12, n. 1, p. 27-34. ISSN: 1679-088X. detection using circular Hough transform,
[16]. SHI JH; LIN HY. Automatic detection of in: American Journal of Applied
road traffic signs from natural scene Sciences. 2005, p. 1606-1609, ISSN:
images based on pixel vector and central 1546-9239.
projected shape feature. 26th [24]. KUO WJ; LIN CC, Two-stage road sgn
International Symposium on Industrial detection and recognition, in: 2007 IEEE
Electronics (ISIE). 2017; [SV], p. 1596- International Conference on Multimedia
1601. ISSN: 2163-5145. and Expo, 2007, p. 1427-1430, ISSN:
[17]. DEPARTAMENTO NACIONAL DE 1945-7871.
INFRAESTRUTURA DE TRANSPORTES, [25]. SILVA FA; ARTERO AO; PAIVA MSV;
Relatório dos levantamentos funcionais BARBOSA RL, Uma metodologia para
das rodovias federais. In: SISTEMA DE detectar e reconhecer placas de
GERÊNACIA DE PAVIMENTOS. REDE sinalização de trânsito, in: VIII Workshop
RODOVIÁRIA NACIONAL. p. 7. Disponível de Visão Computacional (WVC 2012).
em:http://www.dnit.gov.br/download/planej ISSN: 2175-6120.
amento-e- [26]. MTIBAA A; HECHRI A, Automatic
pesquisa/planejamento/evolucao-da- detection and recognition of road sign for
malha-rodoviaria/relatorio-sgp-2012-2013- driver assistance system, in: 2012 16th
rj.pdf acessado em 18/04/2018. IEEE Mediterranean Electrotechnical
[18]. DEPARTAMENTO NACIONAL DE Conference, ISSN: 2158-8473.
TRÂNSITO, Frota por UF e tipo de [27]. PATIL PR; PATIL MD; VYAWAHARE
veículo. In: DEPARTAMENTO NACIONAL VA, Acceleration of Hough transform
DE TRÂNSITO. [SL] Disponível em: algorithm using graphics processing unit
https://www.denatran.gov.br/images/Estatis (GPU), in: 2016 International Conference
tica/RENAVAM/2018/Marco/Frota_por_UF on Communication and Signal
_e_Tipo-MAR_18.xls acessado em Processing (ICCSP). 2016, ISBN: 978-1-
18/04/2018. 4673-8549-7.
[19]. MA SOUKI; BOUSSAID L; ABID M, An [28]. POTLURI S; FASIH A; VUTUKURU LK;
embedded system for real-time traffic sign MACHOT FA; KYAMAKYA K, CNN based
recognizing. 2008, 3rd, International high performance computing for real time
Design and Test Workshop. 2009, p. image processing on gpu, in: Proceedings
273-276. ISSN: 2162-0601. of the Join INDS’11 & ISTET’11. 2011,
[20]. WIDYANTORO DH; SAPUTRA KI. ISNN: 2324-8335.
Traffic Lights Detection and Recognition
based on
Color Segmentation and Circle Hough
Transform. Data and Software
Engineering (ICoDSE). 2015; [SV], p. 237-
240. ISBN: 978-1-4673-8430-8.
[21]. LUO H; YANG Y; TONG B; WU F; FAN
B. Traffic sign recognition using a multi-
task convolutional neural network. IEEE
Transactions on Intelligent
Transportation Systems. 2018; v. 19, ed.
4, p. 1100-1111. ISSN: 1558-0016.
[22]. REN F; HUANG J; JIANG R; KLETTE
R, General traffic sign recognition by
feature matching, in: 24th International
Conference image and Vision