See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/337012052

Utilização de visão computacional para identificação automática de placas de

sinalização vertical de velocidade

Article · January 2018

CITATIONS READS

0 39

3 authors, including:

Rafael Mofati Campos Ronan Do Carmo Lopes

Faculdade Novo Milênio Faculdade Novo Milênio
9 PUBLICATIONS   0 CITATIONS    1 PUBLICATION   0 CITATIONS   

SEE PROFILE SEE PROFILE

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.

The user has requested enhancement of the downloaded file.

 Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações

Utilização de visão computacional para identificação automática de

placas de sinalização vertical de velocidade

LOPES Ronan C¹; NISHIO Kennedy G¹; CAMPOS Rafael M²

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.

INTRODUÇÃO1 Para Gonzalez e Woods[2], não há limitação

clara, entre o processamento de imagens e
Backes e Sá Jr.[1] afirmam que a visão
visão computacional, todavia é utilizado como
computacional é o estudo que transmite para a padrão, três técnicas computacionais, que são
máquina a emulação da visão humana. caracterizados por: processos de baixo nível,
Analisando a visão computacional em etapas, processos de médio nível e processos de alto
ela é decomposta em aquisição, nível, sendo este último responsável por
processamento de imagens, segmentação, funções cognitivas que sobretudo relaciona-se
extração de características e reconhecimento com a visão. Por essa perspectiva, o
de padrões.[1] processamento de alto nível compreende dar
sentido a vários objetos reconhecidos em uma
1Aluno do 10º período do Curso de Graduação em imagem.[2]
Engenharia Elétrica com Habilitação em
O processo de aquisição de imagens é o
Telecomunicações da Faculdade, Novo Milênio, Vila
Velha, ES, Brasil. primeiro passo nas etapas da visão
²Cientista da Computação pela Faculdade Vitoriana de computacional, nela, é utilizado câmeras que
Ensino Superior; Especialista em Engenharia de Controle podem ser do tipo Charge Coupled Device
e Instrumentação pela UCL; Professor da Faculdade Novo (CCD), que traduzido para o português significa
Milênio.
E-mail:rmofati@gmail.com
dispositivo de carga acoplada. O CCD é o
Trabalho de Conclusão de Curso de Engenharia Elétrica equipamento mais utilizado para aquisição de
com Habilitação em Telecomunicações – Faculdade Novo imagens. Sua função consiste em transformar o
Milênio. quadro de imagem real na forma de três
Data de envio para banca
Data do aceite
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
dimensões ( ) em uma imagem
bidimensional ( ), ou seja, (2-D). [3]
Essa imagem bidimensional (2-D) é
formada matematicamente no plano cartesiano
de uma função , onde as consoantes e
são pontos espaciais nesse plano. Se e
apresentarem limitações de valores, se
autodetermina como imagem digital.[2]
A imagem digital é constituída por um
número finito de unidades que representam
pontos no plano 2-D, cada qual, possuindo uma
coordenada com um valor especifico . imagem, no entanto, sua saída é um
Essas unidades são conhecidas como pixel,
termo empregado para denotar uma unidade
de uma imagem digital.[2]
São três os formatos que evidenciam
imagens digitais, sendo elas binária, grayscale,
que no português significa níveis de cinza e
colorida e/ou RGB.[4]
Conforme Backes e Sá Jr.[4] uma imagem
binária é constituída por unidades de pixel, em
que cada pixel pode ser representado pela cor
totalmente branca que corresponde um valor
acima de um limiar de intensidade ou de forma
contrária pela cor preta fazendo o papel do
fundo de uma imagem, geralmente essa
intensidade de cor é definido pelo algarismo 0
ou 1.
De acordo com Backes e Sá Jr.[4] as
imagens grayscale que no português significa
escala de cinza, dispõe de pixels os quais
possuem valores que correspondem a
diferentes níveis de cinza, podendo ser 0 para
uma tonalidade totalmente preta e 255, para
uma tonalidade totalmente branca, os níveis de
cinza assumem valores inteiros que variam 256
vezes, ou seja, vai do 0 a 255.
De forma subsequente, a segunda etapa da
visão computacional é analisada pelo
processamento de imagens que
substancialmente tem a atribuição de melhorar
uma imagem, fazendo a extração do ruído,
destacando suas bordas, suavizando as
imagens, dentre outras características.[1]
Dependendo do objetivo, o processamento de
imagens pode ser o final de um trabalho ou ele
pode ser um caminho para fornecer uma
imagem mais adequada para outras etapas da
visão computacional.[1]
Já na fase de segmentação de imagens, ela
tem como funcionalidade dividir uma imagem
em seções ou objetos de interesse pelos quais
dão a formação da imagem.[5] A segmentação
no projeto de visão computacional, é
considerada uma das funções mais
trabalhosas, considerando uma segmentação
integralmente autônoma.[5] A segmentação da
imagem deve ser finalizada quando o nível de
interesse for alcançado.[6]
Na visão computacional, uma das formas
de se extrair informações dos objetos de
interesse em uma imagem é com a utilização
de descritores geométricos o qual se utiliza de
concepções sobre área, perímetro,
compacidade e simetria.[7] Na etapa de
extração de características a entrada é uma
aglomerado de informações acerca da
imagem.[8]
Uma vez aplicada as técnicas citadas,
segue-se para última fase. O reconhecimento
de padrões possui vida própria e uma
complexa literatura.[9] Ele tem como
funcionalidade na visão computacional,
possibilitar uma classificação automática de um
objeto de interesse em uma imagem. De forma
análoga, o reconhecimento de padrões permite
que as máquinas enxerguem o mundo em
nossa volta, fazendo com que, faces humanas,
placas, caracteres, dentre outros objetos sejam
reconhecidos.[10]
Nessa sequência, Çağlayan et al[11],
desenvolveram um estudo para
reconhecimento de sinais de trânsito em tempo
real com base na forma e classificação de cor.
O método consistia em adquirir a imagem
pelo processo de aquisição, extrair as
características de cores através da
segmentação nos espaço RGB, aplicar filtros
para reduzir os efeitos do ruído preservando as
bordas do objeto de interesse e aplicando a
escala de cinza para retirar a intensidade das
bordas do objeto de interesse. No projeto, os
autores se limitaram a detectar sinais de
trânsito somente de forma circular e triangular.
Após a detecção, o sinal era classificado
por um banco de dados que foi treinado. Os
autores observaram que com a limitação do
poder de processamento da máquina e a
limitação do banco de dados em 10 imagens
em forma de círculo e 8 em forma de triângulo
dificultou a classificação correta dos sinais
detectados.
Constituindo uma apreciação a sinais de
trânsito, o Conselho Nacional de Trânsito
(CONTRAN)[12] define o sinal de
regulamentação de velocidade (R-19), como o
que indica o limite máximo de velocidade em
quilômetros por unidade tempo que pode ser
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
desenvolvida por veículo para uma pista ou
faixa, compondo-se dessa velocidade de
valores múltiplos de 10. A sua utilização se dá
em locais em que haja a necessidade de
informar ao usuário, em vias fiscalizadas com
equipamentos medidores de velocidade bem
como em locais que a engenharia de trânsito
designa a necessidade.
Uma das motivações para a Observa-se também que consoante o
regulamentação e uso das placas de
velocidade R-19, pode ser visto com o auto
índice de ocorrências envolvendo excesso de
velocidade, pois, segundo dados da Polícia
Rodoviária Federal (PRF)[13] só no ano de 2017
foram registradas nas rodovias federais 10.426
mil ocorrências envolvendo acidentes de
trânsito por velocidade incompatível com a via,
constituindo-se desse total, mais de 7,22%
acidentes com resultado morte e 92,77%
representaram acidentes com vítimas feridas
ou sem vítimas.
Nessa mesma linha, os dados do Governo
do Brasil[14] demonstram que o excesso de
velocidade lidera a posição das infrações mais
cometidas por motoristas brasileiros entre os
anos de 2010 e 2017, e que só no ano de 2016
foram aplicadas 14,9 milhões de multas por
excesso de velocidade em vias e estradas do
Brasil.
Analisando por essa perspectiva e com
objetivo de diminuir a frequência de acidentes
de trânsito em estradas e rodovias devido à
falta de atenção de motoristas aos sinais de
trânsito e possibilitar estudos de pesquisa de
controle autônomo de veículos, Reis[15] utilizou
a detecção de sinais de trânsito através do
método de classificação Adaboost.
A técnica apresentada identificava durante
a captura de vídeo, placas de sinalização de
trânsito do modelo (PARE). Para identificação
da placa, foi utilizado um conjunto de imagens
que foram treinadas pelo algoritmo, sendo de
25 imagens de placa (PARE) chamadas de
imagens positivas e 300 imagens negativas
escolhidas aleatoriamente, ou seja, que não
possuíam a placa (PARE), mas que, no
entanto, eram voltadas ao trânsito. Foi
observado pelo autor que quanto mais passos
de treinamento do algoritmo menores foram as
generalizações com melhores resultados.
De sentido semelhante e com o propósito
de realizar a detecção de sinais de trânsito, Shi
e Lin[16] desenvolveram um estudo de um
sistema de visão computacional utilizando
vídeos capturados de campo, cidade e estrada.
Em seguida utilizaram uma rede neural artificial
para classificar as imagens. Os testes foram
realizados em um computador pessoal com
implementação de linguagem C/C++ e após os
testes, os autores observaram que com
procedimento proposto, obtiveram 2462 sinais
corretamente classificados contra 289 sinais
não detectados.
Departamento Nacional de Infraestruturas e
Transporte (DNIT),[17] o Brasil é detentor de
uma rede rodoviária de quase 1,7 milhões de
Km de extensão, tendo inclusive, uma
crescente frota que, só em fevereiro de 2018,
alcançou o patamar de 97 milhões, sendo que
desse total, só de automóveis, representava 53
milhões, totalizando 54%.[18]
Com base nas informações
supramencionadas, o objetivo desse projeto
propõe 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.
MATERIAIS E MÉTODOS
Este projeto trata-se de um estudo
descritivo de caráter qualitativo e de adaptação
tecnológica.
O projeto foi desenvolvido nos meses que
compreendem julho a agosto de 2018 e sua
execução e teste final até o mês de setembro
do mesmo ano. Na fase de execução e teste foi
utilizado os computadores pessoais dos
autores no qual tiveram a função de simular,
em ambiente virtual, as instruções que foram
produzidas. Essas instruções baseadas na
linguagem MATLAB, foram simuladas e
executadas no software MATLAB/SIMULINK®
da companhia MathWorks na versão 2018a.
Para o objeto de análise, foram
consideradas somente as placas de sinalização
de trânsito que compõe as de sinalização
vertical de limite de velocidade. Essas placas
seguiram o modelo R-19, com formato
geométrico circular, do Conselho Nacional de
Trânsito conforme pode ser visto na figura 1.
Compondo-se a principal variável analisada,
isto é, as placas de sinalização do modelo R-
19, elas foram obtidas através de vídeos que
foram extraídos da plataforma de
compartilhamento de vídeos YouTube com um
tempo pré-determinado e diversificado em face
de cada vídeo. A função desses vídeos era de
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
para outro fim, utiliza-la em ambiente virtual,
isto é, no projeto que foi desenvolvido.
Placa de velocidade máxima permitida
Figura 1 - Placas de sinalização de velocidade. Fonte:
fibrobecker.com.br
Por outro lado, foram desconsideradas
todas ou qualquer tipo de sinalização de
trânsito que não fazia parte do modelo R-19,
bem como, não foi analisado quadros de
imagem de vídeo que continham vias ou
estradas públicas em horários noturnos, em
dias chuvosos, com neve, poeira, vegetação
que atrapalhasse a visualização da sinalização,
com neblina e que tinham duas ou mais placas
de velocidade em um mesmo quadro de vídeo.
A apreciação do projeto na análise de
dados baseou-se na quantificação do número
de placas de sinalização vertical de velocidade
que foram e não foram detectadas,
reconhecidas e identificadas efetivamente
pelas instruções que foram desenvolvidas e
teve como objeto para visualização, tabelas
criadas no software Microsoft Office Excel
2013.
Em contrapartida, para o desenvolvimento
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
supramencionada, sendo está resolução, (480
vs NaN), ou seja, linhas versus quantidade de
colunas proporcionalmente.
A proporção da entrada de vídeo foi
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
pela câmera de vídeo, trata-se de uma imagem
RGB, ou seja, uma imagem colorida em que
cada pixel dessa imagem possui 8 bits de cada
padrão de cor, o vermelho, verde e azul,
perfazendo combinações de 0 a 255 níveis de
cor cada uma, foi utilizado uma maneira de
facilitar as demais etapas do sistema de visão
computacional.
Essa imagem RGB de 24 bits foi convertida
em para uma imagem monocromática, ou seja,
uma imagem em níveis de cinza. A imagem em
níveis de cinza contém somente 8 bits de cor e
com essa transformação, foi possível obter 256
tonalidades de cor que vai do 0 totalmente
preto ao 255 totalmente branco, diferente dos
24 bits que poderiam gerar mais de 16 milhões
de cores, dificultando o processo de visão
computacional. O resultado da transformação
pode ser observado conforme demonstra as
figuras 2 e 3.
Imagem de resolução padrão de entrada, 24 bits
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
Imagem em niveis de cinza, 8 bits
Figura 3 – Quadro de imagem de vídeo em níveis de
cinza, 8 bits.
Fazendo uma análise na imagem em níveis
de cinza, percebeu-se que havia várias regiões
onde não era necessária a aplicação do
método proposto para o projeto, pois a placa de
sinalização vertical de velocidade sempre era
vista no lado direito ou esquerda da via ou
estrada pública. Além disso, a placa possuía
uma altura já pré-estabelecida na ordem de 1,2
a 2,5 metros com esta variância dependente da
localidade, urbana ou rural. Nesse sentido, foi
delimitada uma região de área de busca para
que o algoritmo percorresse somente as
regiões onde possuía a placa de sinalização
vertical de velocidade. Nesse contexto, foi
criada uma variável que continha coordenada,
número de linhas e número de colunas
definidas previamente da imagem.
O resultado disso, fez com que diminuísse o
tempo que o algoritmo levava para fazer cada
iteração. A região de delimitação pode ser
observada nas linhas tracejadas superiores e
inferiores conforme denota a figura 4. O que
está acima da linha tracejada o algoritmo
desconsidera bem como o que está abaixo da
linha inferior também é desconsiderado.
Uma vez tendo a imagem convertida em
níveis de cinza e delimitado uma região de
busca, logo após, foi utilizado a função
imfindcircles do MATLAB no qual possibilitou o
encontro de formas geométricas circulares
presentes na imagem de vídeo, baseado na
transformada de Hough circular.
Para o efeito, foi necessária a determinação
do raio com o qual a transformada de Hough
conseguiria detectar em cada imagem e/ou
quadro de vídeo os círculos, sendo assim, para
o projeto, foi delimitado um raio mínimo de 10
pixels contra 29 pixels no máximo.
Em seguida, foi definido um limiar de
detecção das formas geométricas circulares
com o parâmetro de 0.2. Observa-se que foram
realizados inúmeros testes até a definição
desse valor. Sendo assim, adotou-se esse
parâmetro para todo projeto. Isso foi necessário
para estabelecer um padrão de entrada para
todas as imagens de vídeo, mantendo nesse
aspecto, um padrão para o gradiente de cor.
Um valor próximo a 1 permite somente que
bordas de alto valor de sejam detectadas, isto
é, a função imfindcircles tornasse menos
sensível a detecção de formas geométricas
circulares. De maneira contrária, um valor
próximo a 0, torna a função mais sensível a
bordas mais fracas, fazendo a detecção de
mais formas geométricas circulares com o
parâmetro de raio definido.
Tendo propósito de analisar graficamente e
poder verificar se o objetivo estava sendo
alcançado, foi utilizada a função viscircles e
definido a tonalidade de cor verde em que
possibilitou na visualização das formas
geométricas circulares presentes na imagem. O
resultado pode ser verificado, conforme denota
a figura 4.
Transformada de Hough para círculos
Figura 4 – Detecção utilizando a transformada de Hough
para círculos e linhas tracejadas delimitando a região de
busca.
Notadamente, foi percebido que nesse
quadro de imagem de vídeo, o objeto de
interesse começava a ser destacado, ou seja, a
placa de sinalização vertical de velocidade.
Salienta-se que foram realizados testes
utilizando a transformada de Hough para os
métodos de segmentação binária e método
Canny, no entanto a execução do projeto nesta
etapa não se mostrou viável, haja vista o
número de falsos positivos detectados. Dessa
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
forma, o êxito foi obtido utilizando a imagem em
níveis de cinza conforme já visto na figura 4.
Em seguida, foi identificado por meio de
função da transformada de Hough, o parâmetro
da coordenada do centro do objeto de
interesse , o que possibilitou, com os
parâmetros já definidos inicialmente da
variação de raio mínimo e máximo, a utilização
de variáveis como raio e diâmetro exatos do
objeto de interesse, sendo estes dois,
apresentados no Workspace do MATLAB e
através dessa coordenada, também foi utilizado
outras duas variáveis para o deslocamento da
coordenada na imagem bidimensional. O
objetivo para esse deslocamento foi necessário
para a utilização da função imcrop do MATLAB
que por sua vez, proporcionou extração da
forma geométrica da placa de sinalização
vertical de velocidade, isto é, o objeto de
interesse.
Importante evidenciar que foram realizadas
inúmeras simulações para chegar o ponto ideal
com a função imcrop, haja vista, não ser uma
imagem estática e sim em modo dinâmico, ou
seja, em cada quadro de imagem era uma
localização de uma coordenada do centro do
objeto de interesse diferente, sendo assim,
adotou-se para as duas variáveis o
deslocamento de 19 pixels em cada quadro de
vídeo.
Esses 19 pixels foram subtraídos com a
coordenada do objeto de interesse que era
composto por um vetor de dois elementos,
sendo o primeiro representado pela linha e o
segundo representado pela coluna. O resultado
para o procedimento, fez com que a área não
pertencente ao objeto de interesse fosse
eliminada, sucedendo somente como análise, o
objeto de interesse, ou seja, a placa R-19,
conforme pode ser visto na direita da figura 5.
Com o objeto de interesse em destaque foi
possível empregar as demais etapas da visão
computacional, reduzindo dessa forma, o custo
computacional envolvido e a possibilidade de
erros.
Objeto de interesse
Figura 5 - Objeto de interesse a direita em destaque.
Em seguida, o objeto de interesse foi
redimensionado para (240 vs NaN), ou seja,
para duzentas e quarenta linhas por quantidade
de colunas proporcionalmente e armazenada
em uma variável. De modo semelhante, foi
utilizada a função imcrop do MATLAB para
obter o objeto de interesse, em três canais de
cor o RGB e armazenada em outra variável. O
fator para redimensionamento foi utilizado para
se obter uma melhora nas saliências do objeto
de interesse aumentado nesse aspecto, a
quantidade de pixels presentes.
Durante a realização dos testes, como já
previsto, foi observado que em algumas
situações onde o quadro e/ou imagem de vídeo
não possuía objeto de interesse, a
transformada de Hough para círculos
identificava formas geométricas circulares de
outros objetos que não faziam parte do escopo
do projeto. Sendo assim, para eliminação do
revés, utilizou-se redes neurais convolucionais
profundas para realizar a classificação dessas
imagens e eliminar as imagens que por ventura
viesse ser distinta da placa de velocidade R-19.
Para o método em questão, a variável no
qual tinha armazenado o objeto de interesse
em RGB foi utilizada como variável de entrada
na rede. O uso dessa variável fez com que
diminuísse substancialmente o tempo de
Iteração do algoritmo aumentando nesse
sentido, a capacidade computacional, uma vez
que a análise da rede neural partiu-se através
da imagem RGB já redimensionada conforme
narrado anteriormente.
Para classificação das imagens e o seu
treinamento, foram utilizadas 954 imagens
divididas em duas classes. Uma classe foi
denominada como “VELOCIDADE”,
representando imagens positivas de placas de
velocidade que variavam de 10 a 100 km/h, e
outra classe denominada “IMAGEMFUNDO”,
representando imagens negativas, isto é, que
não possuíam o objeto de interesse, o modelo
R-19. Para classe das imagens positivas, foram
utilizadas 316 imagens. E para classe de
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
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
randperm do MATLAB e apresentada de forma
arbitrária, conforme pode ser visto na figura 06.
Imagens do conjunto de treinamento
Figura 6 – Amostra de imagens utilizadas no treinamento
da rede, exibida do MATLAB 2018a.
Progresso do treinamento da rede para conjunto de duas classes
Figura 7 – Progresso de treinamento exibida do MATLAB 2018a, para duas classes.
Porcentagem de acerto na classificação
Figura 8 – Amostra do conjunto de treinamento, exibindo
porcentagem de acerto na classificação, apresentada no
MATLAB 2018a, para duas classes.
Em seguida, as 954 imagens foram
treinadas tendo despendido um tempo de
39min38seg para a finalização do treinamento
com a configuração de processamento
utilizada. O treinamento obteve uma precisão
de classificação em todo conjunto de 99,58%.
O resultado do treinamento pode ser visto
na figura 07, conforme denota o gráfico gerado
pelo MATLAB, durante o progresso de
treinamento que inicia em 67% e termina em
99,58%. Após o progresso de treinamento,
novamente foi utilizada a função randperm que
gerou de forma aleatória, uma amostra do
conjunto de dados utilizado, agora, indicando a
porcentagem de acerto na classificação. Essa
amostra indicou o que era placa de velocidade
e o que não era. Isso pode ser observado
conforme a figura 08.
Importante destacar que para chegar a um
resultado esperado, foram realizadas
consideráveis tentativas de treinamentos até
alcançar um resultado satisfatório, sendo que
uma das primeiras tentativas foi de classificar
as imagens por velocidade, ou seja, utilizando
uma classe para cada velocidade. Para esse
conjunto de dados retratado, foram utilizadas
600 imagens, sendo 300 positivas e 300
negativas. Por esse aspecto, o projeto teve um
conjunto de 10 classes para velocidade e uma
classe fazendo a “IMAGEMFUNDO”, ou seja,
imagem sem placa de velocidade.
Para o método apresentado, o resultado
das classificações mostrou-se pouco viável,
haja vista, o conjunto ter obtido uma precisão
de validação de 78,20%. Sendo assim, adotou-
se o método para duas classes. O resultado
para o conjunto de treinamento de 11 classes
pode ser visto, conforme denota o progresso de
treinamento da figura 09.
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações

Progresso do treinamento da rede para conjunto de onze classes

Figura 9 – Progresso de treinamento exibida do MATLAB 2018a, para 11 classes.

Analisando as figuras 7 e 9, percebe-se que velocidade, o objeto de interesse em níveis de

para esse projeto a utilização de um conjunto cinza que estava armazenada na variável foi
de dados com uma quantidade superior de utilizado na etapa seguinte da visão
imagens de positivas e negativas tornou a computacional. Sendo assim, foi utilizado o
precisão de classificação nos dados de método de segmentação binária no qual
validação também superior. Nesse mesma possibilitou a conversão dessa imagem níveis
linha, durante a realização dos testes foi de cinza em uma imagem binária.
observado uma diminuição do número de falso Essa imagem binária é representada pelo
positivo e consequentemente um aumento na algarismo numérico 0 para uma tonalidade de
classificação correta da placa de velocidade. cor totalmente preta e o algarismo numérico 1
Além disso, é Importante destacar que para para totalmente branco. Para seguimento das
o treinamento da rede na figura 7, o parâmetro demais etapas da visão computacional, o
utilizado foi de 18 épocas, isto é, 18 passagens método Canny não se mostrou viável durante
completas do algoritmo no conjunto de dados os testes, sendo utilizada somente a
de treinamento. Nota-se que cada época no segmentação binária.
gráfico das figuras 7 e 9 é constituído pelo Logo após, o objeto de interesse foi
fundo sombreado em contraste com o branco redimensionado para (120 vs NaN), isto é, para
que também representa uma época. Para cento e vinte linhas por quantidade de colunas
essas 18 épocas, o treinamento demandou 252 proporcionalmente. O resultado dos
iterações, a cada três iterações o valor da procedimentos pode ser visto na figura 10.
precisão do conjunto de dados era atualizado e
apresentado no gráfico. Esse valor era Objeto de interesse em imagem binária
representado pela linha traço-ponto.
Já para o treinamento da rede mostrado na
figura 9, foram utilizadas 15 épocas com a
utilização de 135 iterações, sendo despendido
para esse treinamento, um tempo inferior ao de
duas classes, totalizando 14min31seg o que
obteve a precisão de validação do conjunto de
dados já apresentado no decorrer deste
projeto.
O acompanhamento do progresso de
treinamento é importante, pois possibilita a
verificação da evolução da precisão do
conjunto de dados bem como o seu declínio,
sendo neste último caso a indicação que o
parâmetro utilizado não está adequado e/ou o
conjunto de dados não está em sintonia com o
projeto a ser desenvolvido.
Em seguida, após a imagem ser
classificada pela rede neural como
“VELOCIDADE”, isto é, como placa de Figura 10 - Imagem binária com ruídos.
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
Com o resultado da segmentação binária,
isto é, na figura 10, percebeu-se durante os
testes que o objeto de interesse era às vezes
obtido com alguns ruídos o qual não possuíam
importância para visão computacional e
acabavam prejudicando as demais etapas.
Nesse sentido, para sanar o problema, foi
utilizada a função bwareaopen do MATLAB em
que propiciou a filtragem do objeto de
interesse, e por seguinte, eliminando áreas
ruidosas especificas.
Para realização do procedimento, foi
parametrizado no projeto que áreas menores
ou iguais a 300 pixels fossem descartadas na
análise. A utilização dessa função para o
método apresentado nesta etapa se mostrou
mais viável à utilização de operadores
morfológicos de dilatação e erosão,
considerando o tempo de iteração da instrução.
Após a utilização do filtro morfológico foi
utilizado descritores geométricos para obtenção
de área máxima. Isso possibilitou a obtenção
do valor escalar de número real de pixels
presentes no objeto de interesse. Sendo assim,
utilizou-se a função “regionprops” do MATLAB
com condicionais para eliminação de pequenas
áreas.
Em seguida, foi realizado uma conversão
da imagem binária no qual o pixel 0 se tornou 1
bem como o pixel de valor 1 se tornou 0. O
resultado dos processos foi uma imagem
binária com inversão das tonalidades, mais
ajustada geometricamente, com destacamento
dos algarismos numéricos e eliminação de
ruídos, conforme pode ser visto na figura 11.
Imagem binária com filtro morfológico
Figura 11- Objeto de interesse com aplicação de filtros
morfológicos, inversão das tonalidades e mais ajustada
geometricamente.
O objetivo da inversão de tonalidades do
objeto de interesse se dá, pela realização de
identificação dos algarismos numéricos no qual
foi realizada na última etapa da visão
computacional.
Novamente foram aplicados os descritores
geométricos, agora, para segmentação dos
algarismos numéricos. A de se relatar que no
decorrer dos testes foi notado que o descritor
geométrico identificava imagem adversa do
algarismo numérico, dificultando a passagem
para última etapa. Sendo assim, foram criadas
condicionais para que os descritores
geométricos tivessem a visualização da
variável do “descritor imagem” com maior área,
tendo como sucesso o encontro do algarismo
numérico.
Em seguida, foi criada uma variável para
receber os algarismos numéricos da placa de
velocidade que foram identificadas pelo
descritor geométrico imagem. O resultado da
identificação dos algarismos numéricos pode
ser visto, conforme denota a figura 12.
Algarismos numéricos em imagem binária
Figura 12 – Algarismos numéricos em imagem binária.
Após o armazenamento das imagens
numéricas na variável criada, foram utilizadas
17 imagens binárias de (24 vs 42), isto é, 24
linhas por 42 colunas, totalizando uma imagem
de 1008 pixels de área. Essas imagens
representavam algarismos numéricos que
iniciavam em zero e terminavam no algarismo
numérico nove. Em seguida, esses algarismos
numéricos foram salvos em uma matriz de
células, em que cada célula possuía uma
matriz representando o valor numérico.
O objetivo de utilização dessas imagens se
fez necessário para servir como base de
comparação com os algarismos numéricos
detectados da placa de velocidade, no
momento em que era executada em cada
quadro e/ou imagem de vídeo.
Em seguida, foi criada uma função no qual
realizava a comparação desses algarismos
numéricos detectados armazenados na
variável, com os algarismos numéricos salvo na
matriz de células através de coeficiente de
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações

correlação. Importante destacar, que o o sinal de velocidade que era processado no

algarismo numérico detectado, apresentava
quantidade de linhas e colunas diversa do
armazenada na matriz de células.
Sendo assim, foi utilizada a função
“imresize” do MATLAB a qual possibilitou que
essa imagem fosse redimensionada para um
tamanho análogo ao do armazenado na matriz
de células. Importante salientar que esse
redimensionamento ocorria em modo contínuo,
ou seja, a função foi executada em cada
quadro de imagem de vídeo. O resultado para
esses procedimentos possibilitaram a
identificação da velocidade indicada na placa
R-19. Essa velocidade foi representada como
sinal numérico e armazenada dentro de uma
variável no qual foi denominada
“VELOCIDADE”.
Em seguida, após o armazenamento da
velocidade na variável, foram utilizadas
condicionais para que o projeto demonstrasse
Velocidade de 60 Km/h identificada
momento do processo de aquisição de
imagens. Essas velocidades foram
apresentadas na linha de comando do software
utilizado, isto é, o MATLAB2018a.
De modo semelhante, também foi criado
uma condicional para que o projeto
demonstrasse quando o sinal de velocidade
não era reconhecido por algum motivo diverso,
sendo então, retornado como resultado a
seguinte frase: “Não consta como placa de
velocidade” para placas de sinalização não
pertencentes ao modelo R-19.
O resultado final para todos os
procedimentos do projeto pode ser verificado
conforme denota a figura 13. Importante
salientar que cada velocidade apresentada na
linha de comando do MATLAB visualizada na
figura 13, representa uma iteração completa do
algoritmo, isto é, representa uma passagem
completa em todas as instruções do projeto.

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

RESULTADOS E DISCUSSÃO níveis de cinza, nota-se que o tempo

despendido é extremamente baixo, na ordem
Os resultados apresentados a seguir, foram
de 1 milissegundo (ms).
obtidos através do software
Sendo assim, percebeu-se que trabalhar
MATLAB/SIMULINK® da companhia
com uma imagem redimensionada ajuda
MathWorks na versão 2018a. Com a execução
bastante nas demais fases da visão
do método proposto, descobriu-se que o tempo
computacional, visto que, dependendo da
médio de iteração despendido das instruções
dimensão da imagem de entrada, está poderá
do projeto, passando por todos os processos
causar um custo computacional elevado em
de execução com a configuração de
etapas posteriores.
processamento utilizada foi de 0,196 segundos.
Constatou-se também durante a execução
Por outro lado, o tempo médio de iteração
do projeto que com um aumento na quantidade
das instruções em execução normalizada, isto
de linhas e colunas de um quadro e/ou imagem
é, com a entrada de vídeo de resolução de
de vídeo, aumenta-se consigo a capacidade de
(480 vs NaN), com a delimitação da região de
profundidade para detecção e reconhecimento,
busca, sem a placa de velocidade reconhecida,
haja vista, o aumento na quantidade de pixel
e somente com a busca por círculos com o
presentes, no entanto, consequentemente o
perfil parametrizado pela transforma de Hough,
tempo de iteração do projeto aumenta,
foi de 0,097 segundos, representando um valor
podendo ser um fator desfavorável para
percentual de 49,52% do tempo total.
circunstâncias onde se utiliza a visão
Por essa análise, percebe-se que a
computacional em tempo real.
utilização da transformada de Hough para
De análise semelhante, Luo et al[21]
detecção de formas geométricas circulares no
realizaram um estudo de reconhecimento de
projeto, é responsável por despender metade
sinais de trânsito utilizando uma rede neural
do tempo computacional.
convolucional e observaram que com um
Em um procedimento equivalente realizado
pequeno vídeo de 5 a 20 quadros o tempo
por Souki et al[19] em que demonstram um
médio de execução do projeto a cada quadro
sistema de visão computacional para sinais de
e/ou imagem de vídeo era de 0.366 segundos
trânsito em tempo real, é constatado pelos
para resolução de 1280 vs 512 e 0.45
autores que a transformada de Hough é
segundos na resolução 1280 vs 1024.
responsável por despender cerca de 72,10 %
Ren et al[22] utilizando um método de
do tempo total de processamento.
reconhecimento de imagens baseado em
Para Saputra e Widyantoro[20] o tempo de
correspondência, observaram que o tempo
processamento de um vídeo de resolução 3
despendido utilizando imagens 128x128 eram
vezes maior que outro levou cerca de 0,11
substancialmente mais baixos se comparado a
segundos ao passo que utilizando o de 3 vezes
uma imagem de 1024x768 pixels.
menor levou cerca de 0,015 segundos para
Importante destacar que os resultados dos
detecção utilizando Hough. Para os autores, o
valores de tempo para iteração, foram obtidos
tempo de detecção de cerca de 0,1 segundos é
através do valor médio com observância de 57
aceitável para um sistema em tempo real.
iterações para cada tarefa, exceto para
Analisando as instruções do projeto em
redimensionamento e transformada de Hough
dadas partes, ficou evidente que para rede
no qual foram utilizadas 277 e 484 iterações
neural, a iteração despendida no momento que
respectivamente para obtenção do valor médio.
o primeiro frame RGB redimensionado era
A tabela 1 exemplifica o valor médio do tempo
recebido em sua entrada, até o momento de a
despendido para cada tarefa do projeto e o
sua saída, era 0,336 segundos e na sequência
valor médio de tempo em sua plenitude.
para os demais frames era de 0,082 segundos,
representado um valor percentual de 41,78%. Tempo de iteração e percentual para instrução
Já para identificação dos algarismos
numéricos, o tempo de iteração despendido foi
de 0,007 segundos.
Em relação ao redimensionamento da
imagem de entrada, antes da detecção da
placa de velocidade com a transformada de
Hough e já transformando essa imagem em
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
Tabela 1 - Tempo de iteração das instruções na totalidade
e nas partes mais fundamentais com respectivo
percentual despendido. Segundo (seg.).
Foi descoberto também durante os testes
que com o aumento do raio na transformada de
Hough, conjuntamente, aumentava a 95,5%. Ainda concluem que as dificuldades na
capacidade de detecção, no entanto, o tempo
de iteração de execução nas instruções
também aumentava, sendo assim, para esse
projeto delimitou-se o raio fixo que já fora
mencionado nos procedimentos.
O procedimento desenvolvido para
verificação dos resultados, se deu na
apreciação de 9 vídeos contendo veículos
fazendo o processo de aquisição de imagens
em vias públicas, ou seja, fazendo a captura de
imagens em modo dinâmico. A quantidade de
tempo total somada dos vídeos foi de 75
minutos e 27 segundos, conforme especifica a
tabela 02.
Quantidade de vídeos e tempo total
Tabela 2 – Vídeos e tempo total utilizado no projeto.
Ademais, dos vídeos examinados,
descobriu-se que foram detectadas com a
utilização da transformada de Hough, 91 placas
de sinalização vertical de velocidade de um
total de 95 placas analisadas. Isso representou
um total de 95,78 %, mostrando-se favorável a
aplicação para método proposto. A tabela 03
exemplifica o que foi mencionado.
Detecção utilizando a transformada de Hough
Tabela 3 - Quantidade de placas detectadas e não
detectadas utilizando a transformada de Hough.
De modo equivalente, Rizon et al[23]
desenvolveram um estudo para detectar
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
detecção foi de 96%
Kuo e Lin[24] desenvolveram um método
para detecção e reconhecimento de sinais de
trânsito usando estratégia de dois estágios.
Para detecção os autores utilizaram a
transformada de Hough e para o
reconhecimento a rede neural foi utilizada. Para
os procedimentos, os autores utilizaram 105
sinais de trânsito. Após os testes, os autores
observaram uma precisão geral do sistema de
detecção estavam relacionadas a mudanças de
iluminação, deformação, rotação da imagem e
escalonamento.
Em seguida após a detecção das placas de
velocidade pela transformada de Hough, a
imagem passava pela rede que por sua vez a
classificava. Constatou-se que das 91 placas
detectadas no projeto, 85 foram reconhecidas
pela rede como placa de velocidade,
representando uma taxa de reconhecimento de
93,40%, tendo este resultado como a condição
necessária para demais etapas da visão
computacional e 6 não foram reconhecidas
como placas de velocidade. A tabela 4 denota
os resultados.
Placas que foram e não foram reconhecidas
Tabela 4 - Quantidade de placas detectadas que foram
reconhecidas e não reconhecidas pela rede.
Constatou-se que das 85 placas que foram
reconhecidas, 70 tiveram sua velocidade
identificada efetivamente pela visão
computacional, representando uma taxa de
82,35% e 15 não tiveram sua velocidade
identificada o que representou 17,64%.
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
resultados eram apresentados no Command
Window do MATLAB. A tabela 05 denota os
resultados para o que foi mencionando.
Velocidade identificada efetivamente
Tabela 5 – Quantidade de placas que foram e não foram
identificadas efetivamente.
Um método para detectar e reconhecer
placas de sinalização de trânsito foi proposto
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
foram denominadas como templates e 60
imagens de resolução (2144 vs 1424) pixels
contendo 92 placas de sinalização, que foram
obtidas através de uma câmera instalada em
um veículo. Com o procedimento proposto, os
autores observaram que 78 placas foram
reconhecidas corretamente, representando
uma taxa de acerto de 84,78%, contra 3,26%
relacionado a erros de identificação e 11,96%
de placas não reconhecidas, representando 11
placas. Ainda foi verificado pelos autores que o
tempo médio de processamento das 60
imagens foi de 90 segundos.
Hechri e Mtibaa[26] desenvolveram um
estudo para detecção e reconhecimento de
sinais de trânsito. Para os testes, os autores
utilizaram dados reais de imagens de vídeo
coletadas em estradas que representou 144
sinais de trânsito. Os sinais foram obtidos
através de uma câmera que foi instalada sobre
um veículo. Por fim, os autores concluem que
as redes neurais forneceram uma taxa de
acerto de 97,6% na classificação, com um
tempo de processamento de 0,2 segundos.
Importante evidenciar que na execução do
projeto, constatou-se que a transformada de
Hough para círculos, identificou outros objetos
não pertencentes ao padrão R-19, mas que
foram em sua maioria, classificados como não
placas de velocidade e eliminados pela rede
neural. Por outro lado, constatou-se que a rede
reconheceu 5 dessas imagens como sendo
placas de velocidade, no entanto, nenhuma
apresentou-se como velocidade efetivamente,
devido a utilização de matriz de correlação
utilizada na última etapa da visão
computacional. Isso demonstra o quão é efetivo
a técnica apresentada.
Observa-se também que um dos fatores
que podem ter contribuído para a classificação
incorreta dessas 5 imagens, como placas de
velocidade, está vinculado com as suas
características semelhantes a do objeto de
interesse.
Nessa mesma análise, é o caso das 6
placas que não foram reconhecidas pela rede,
um obstáculo que pode ser resolvido
aperfeiçoando o conjunto de dados utilizado,
com mais amostras positivas em diferentes
ambientes, com características distintas de
incidência de luz e de refletância sobre o objeto
de interesse. Essa análise mencionada foi
observável durante a realização dos testes,
visto que em um dos treinamentos realizados,
logo em sua fase inicial, o número de falso
positivo era superior tendo um declínio com o
aperfeiçoamento e inclusão de mais imagens
no conjunto de dados.
Um aspecto que é importante destacar, é
que todos os resultados para o valor médio
foram obtidos utilizando exclusivamente a
Central Processing Unit (CPU) e/ou no
português, Unidade Central de Processamento
(UCP). Observa-se que a utilização da Unidade
de Processamento Gráfica, comumente
conhecida do inglês, como Graphics
Processing Unit (GPU), otimiza
substancialmente o custo computacional das
tarefas do projeto desenvolvido.
Para Patil et al[27] o benefício de uso da
GPU no processamento de imagens é de
acelerar o desempenho obtido pela sua
arquitetura paralela. Por essa análise, os
autores realizaram testes de performance,
utilizando uma CPU Intel core i5 em
comparação a uma GPU NVIDIA Geforce
940m, aplicando a transformada de Hough. Os
autores observaram que a CPU despendeu um
tempo de execução de 0,54 segundos, em
contrapartida a GPU demandou 0,09 segundos.
Em uma observação semelhante, Potluri et
al[28] adotaram um procedimento de verificação
da performance de uma CPU e GPU. Para os
testes, os autores utilizaram uma CPU Intel (R)
Xeon (TM) 3.60 GHz e uma GPU GeForce
9500 GT com 256MB de memória. Os autores
verificaram aspectos como detecção de borda,
dilatação, contraste e concluíram que tarefas
de processamento de imagens na GPU são
bem mais rápidas quando se comparada à
CPU.
CONCLUSÃO
Conclui-se, portanto 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.
O projeto mostrou-se positivo analisando os
dados obtidos pela quantidade de acertos
apresentados. Por outro lado, um dos
Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações

problemas enfrentados foi à falta de placas de JJM, Eds. Introdução à visão

velocidade em arquivos de vídeo para computacional usando matlab®. 2016;
realização do teste em larga escala. 1ª ed. Rio de Janeiro: Alta Books. p. 188.
Pretende-se realizar em planejamentos ISBN: 978-85-508-0023-3.
futuros, o aperfeiçoamento do tempo de [8]. MARQUES FILHO O; VIEIRA NETO H.
iteração com a utilização da unidade de Introdução. In: MARQUES FILHO O;
processamento gráfica aliada a CPU para a VIEIRA NETO H, Eds. Processamento
realização de testes em ambiente real. digital de imagens. 1999; 3ª ed. Rio de
Por fim, realizar o reconhecimento do objeto Janeiro: Brasport. p. 10. ISBN:
de interesse na imagem de entrada bem como 8574520098.
dos algarismos numéricos da placa de [9]. BACKES AR; SÁ JR. JJM.
velocidade através das redes neurais artificiais Reconhecimento de padrões. In: BACKES
convolucionais para o aprimoramento dos AR; SÁ JR. JJM, Eds. Introdução à visão
resultados. computacional usando matlab®. 2016;
1ª ed. Rio de Janeiro: Alta Books. p. 225.
REFERÊNCIA ISBN: 978-85-508-0023-3.
[10]. BARELLI FC. Reconhecimento de
[1]. BACKES AR; SÁ JR. JJM. Introdução. In:
padrões. In: BARELLI FC, Eds. Introdução
BACKES AR; SÁ JR. JJM, Eds.
à visão computacional, uma abordagem
Introdução à visão computacional
prática com python e opencv. 2018; 1ª
usando matlab®. 2016; 1ª ed. Rio de
ed. Espirito Santo: Casa do código. p. 187,
Janeiro: Alta Books. p. 1-3. ISBN: 978-85-
ISBN: 978-85-94188-57-1.
508-0023-3.
[11]. ÇAĞLAYAN T; AHMADZAY H;
[2]. GONZALEZ RC; WOODS RE. Introdução.
KOFRAZ G. Real-time traffic sign
In: GONZALEZ RC; WOODS ER, Eds.
recognition based on shape and color
Processamento digital de imagens.
classification. Signal Processing and
2009; 3ª ed. São Paulo: Pearson. p. 1-2.
Communications Applications
ISBN: 978-85-8143-586-2.
Conference (SIU). 2015; [SV], p. 1897-
[3]. MARQUES FILHO O; VIEIRA NETO H.
1900. ISSN: 2165-0608.
Fundamentos de imagens digitais. In:
[12]. CONSELHO NACIONAL DE
MARQUES FILHO O; VIEIRA NETO H,
TRÂNSITO, manual brasileiro de
Eds. Processamento digital de imagens.
sinalização de trânsito. Sinais de
1999; 3ª ed. Rio de Janeiro: Brasport. p.
Regulamentação. In: DEPARTAMENTO
21. ISBN: 8574520098.
NACIONAL DE TRÂNSITO. Sinalização
[4]. BACKES AR; SÁ JR. JJM. Fundamentos
Vertical de velocidade. v. 1, p. 45 – 49.
de imagem. In: BACKES AR; SÁ JR. JJM,
Disponível em:
Eds. Introdução à visão computacional
https://www.denatran.gov.br/images/Educa
usando matlab®. 2016; 1ª ed. Rio de
cao/Publicacoes/Manual_VOL_I_2.pdf
Janeiro: Alta Books. p. 54-55. ISBN: 978-
acessado em 15/04/2018.
85-508-0023-3.
[13]. POLICIA RODOVIÁRIA FEDERAL.
[5]. SOLOMON C; BRECKON T. Segmentação
Acidentes agrupados por ocorrência. In:
de imagens. In: SOLOMON C; BRECKON
MINISTÉRIO DA JUSTIÇA E
T, Eds. Fundamentos de processamento
SEGURANÇA PÚBLICA. Disponível em:
digital de imagens uma abordagem
http://www1.prf.gov.br/arquivos/index.php/s
prática com exemplos em matlab. 2013;
/nqvFu7xEF6HhbAq/download acessado
1ª ed. Rio de Janeiro: LTC. p. 400. ISBN:
em 15/04/2018.
978-85-216-2380-9.
[14]. GOVERNO DO BRASIL. Semana
[6]. GONZALEZ RC; WOODS RE.
nacional de trânsito. Excesso de
Segmentação de imagens. In: GONZALEZ
velocidade lidera ranking das infrações
RC; WOODS ER, Eds. Processamento de
mais cometidas em 2017. Disponível em:
imagens digitais. 2000; 1ª ed. São Paulo:
http://www.brasil.gov.br/cidadania-e-
Edgard Blucher. p. 295. ISBN: 978-85-212-
justica/2017/09/excesso-de-velocidade-
0264-6.
lidera-ranking-das-infracoes-mais-
[7]. BACKES AR; SÁ JR. JJM. Extração das
cometidas-em-2017. Acesso em: 20 abri.
características. In: BACKES AR; SÁ JR.
2018.
 Faculdade Novo Milênio
Curso de Graduação em Engenharia Elétrica com Habilitação em Engenharia de Telecomunicações
[15]. REIS WAD. Detecção de Sinais de
Trânsito Através do Método
Classificação Adaboost. Unopar Científica
Ciências Exatas E Tecnológicas. 2013;
v. 12, n. 1, p. 27-34. ISSN: 1679-088X.
[16]. SHI JH; LIN HY. Automatic detection of
road traffic signs from natural scene
images based on pixel vector and central
projected shape feature.
International Symposium on Industrial
Electronics (ISIE). 2017; [SV], p. 1596-
1601. ISSN: 2163-5145.
[17]. DEPARTAMENTO NACIONAL
INFRAESTRUTURA DE TRANSPORTES,
Relatório dos levantamentos funcionais
das rodovias federais. In: SISTEMA DE
GERÊNACIA DE PAVIMENTOS. REDE
RODOVIÁRIA NACIONAL. p. 7. Disponível
em:http://www.dnit.gov.br/download/planej
amento-e-
pesquisa/planejamento/evolucao-da-
malha-rodoviaria/relatorio-sgp-2012-2013-
rj.pdf acessado em 18/04/2018.
[18]. DEPARTAMENTO NACIONAL
TRÂNSITO, Frota por UF e tipo de
veículo. In: DEPARTAMENTO NACIONAL
DE TRÂNSITO. [SL] Disponível em:
https://www.denatran.gov.br/images/Estatis
tica/RENAVAM/2018/Marco/Frota_por_UF
_e_Tipo-MAR_18.xls acessado
18/04/2018.
[19]. MA SOUKI; BOUSSAID L; ABID M, An
embedded system for real-time traffic sign
recognizing. 2008, 3rd, International
Design and Test Workshop. 2009, p.
273-276. ISSN: 2162-0601.
[20]. WIDYANTORO DH; SAPUTRA KI.
Traffic Lights Detection and Recognition
based
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
View publication stats
Computing New Zealand (IVCNZ 2009),
de p. 409-414, ISSN 2151-2205.
[23]. RIZON M; YAZID H; SAAD PUTEH;
SHAKAFF AYM; SAAD AR, Object
detection using circular Hough transform,
in: American Journal of Applied
Sciences. 2005, p. 1606-1609, ISSN:
1546-9239.
26th [24]. KUO WJ; LIN CC, Two-stage road sgn
detection and recognition, in: 2007 IEEE
International Conference on Multimedia
and Expo, 2007, p. 1427-1430, ISSN:
DE 1945-7871.
[25]. SILVA FA; ARTERO AO; PAIVA MSV;
BARBOSA RL, Uma metodologia para
detectar e reconhecer placas de
sinalização de trânsito, in: VIII Workshop
de Visão Computacional (WVC 2012).
ISSN: 2175-6120.
[26]. MTIBAA A; HECHRI A, Automatic
detection and recognition of road sign for
driver assistance system, in: 2012 16th
IEEE Mediterranean Electrotechnical
DE Conference, ISSN: 2158-8473.
[27]. PATIL PR; PATIL MD; VYAWAHARE
VA, Acceleration of Hough transform
algorithm using graphics processing unit
(GPU), in: 2016 International Conference
on Communication and Signal
em Processing (ICCSP). 2016, ISBN: 978-1-
4673-8549-7.
[28]. POTLURI S; FASIH A; VUTUKURU LK;
MACHOT FA; KYAMAKYA K, CNN based
high performance computing for real time
image processing on gpu, in: Proceedings
of the Join INDS’11 & ISTET’11. 2011,
ISNN: 2324-8335.
on