Aplicação de Operação de Convolução em Detecção

de Obstáculos e Processamento de Imagens em

Carros Autônomos
Tiago Bernardi Ziliotto, estudante de Engenharia de Controle e Automação
Universidade Federal do Rio Grande do Sul, Av. Paulo Gama, 110

Resumo—Neste artigo será explicada, primeiramente de forma

abrangente, do que se trata uma convolução de sinais e
informações. Sequencialmente, um desenvolvimento mais de-
talhado de como esse cálculo numérico se aplica na cres-
cente indústria dos carros autônomos, mais especificamente, na
detecção de obstáculos em rodovias e no processamento de
imagens, como placas e demais sinais de transito, para a mais
segura rodagem possı́vel.
Palavras-chave—Operação de Convolução, Detecção de
Obstáculos, Processamento de Imagem, Carros Autônomos, Visão
Computacional.
I. I NTRODUÇ ÃO
A locomoção sempre foi algo indispensável para a espécie
humana, desde os primórdios do desenvolvimento, enquanto
ainda era nômade e precisava transitar para garantir sua
subsistência, até sua posterior sedentarização e inı́cio do mer-
cantilismo entre civilizações. Atualmente, nada disso mudou,
exceto a agilidade e segurança na qual queremos ir de um
lugar para outro. É ai então que as pesquisas quanto a carros
autônomos e suas aplicações começaram a ser estudadas.
II. D ESENVOLVIMENTO
Com os atuais potentes microprocessadores e memórias
capazes de armazenar gigantescas quantias de informações foi
preciso também desenvolver métodos matemáticos para que
tudo isso fosse realmente tratado da devida forma. Um deles é
a Operação de Convolução, a qual, segundo o Prof. Dr. Carlos
Alberto Ynoguti descreve em ”Processamento Digital de Si-
nais”da INATEL, representa matematicamente como um sinal
opera sobre o outro e resulta um terceiro ou também como
uma operação matemática entre duas funções para produzir
uma terceira, que expressa o quanto o formato da primeira
é modificado pela segunda (RIZWAN, 2018), podendo ser
definido pela seguinte expressão:
x[n] (3)
para obtenção do sinal de saı́da (dependente)
y[n] (4)
Baseando-se nessa operação, pode-se então analisar de
forma menos complexa apenas objetos, como sinal de entrada,
obtidos via câmeras e sensores espalhados pelos carros, na
forma de uma imensa matriz 2D de pixeis. Diz-se menos
complexa, pois para essa operação apenas uma operação de
convolução é aplicada para se extrair fenótipos e caracterı́sticas
pertinentes, como bordas, cores, texturas e outros.
Já, quando se deseja fazer analises mais complexas, no to-
cante ao reconhecimento de placas e demais sinais de trânsito
relevantes, faz-se então diversas operações de convolução,
chamadas de Camadas de Convolução, que servem como uma
concatenação de filtros para que se encontre padrões e se
identifique caracterı́sticas previamente definidas. Para isso,
quando uma convolução é aplicada no pixel, 1x1 da matriz
por exemplo, e um padrão de tonalidade de cor ou forma é
encontrado, passa-se essa informação adiante e realiza-se outra
camada de convolução entre esse e os outros pixeis vizinhos
para assim formar a imagem e defini-la. Caso essa informação
checada não seja coerente com o especificado, a varredura
simplesmente segue adiante na matriz de entrada.
De forma breve, visto que neste artigo não cabe um apro-
fundamento sobre o tema, tem-se as camadas de pooling,
alternadas com as referidas camadas de convolução citadas
acima, que servem para agilizar o processo de definição do
sinal, a maneira que reduz a matriz anteriormente analisada
a uma com dimensões menores especificadas conforme a
qualidade e precisão final desejada.

y[n] = x[n] ∗ h[n] (1)

onde

h[n] (2) Figura 1. Camadas de classificação de uma imagem.

é denominado kernel (do inglês, núcleo) e é o operador
responsável pela manipulação do sinal de entrada
Tiago Bernardi Ziliotto, 00304046@ufrgs.br, +55-54-999789997
Por fim, quando todos os tratamentos suficientes para a
percepção do item desejado foram feitos, tem-se como sinal
de respostas uma probabilidade, associada a cada pixel, de
que aquele pixel em especı́fico faça parte de uma determinada
imagem do banco de dados fornecido e analisado previamente.
Só assim, depois da analise dessas probabilidades, fora da
alçada das convoluções, é que se pode dizer com qual objeto
essa entrada mais se parece.

III. C ONCLUS ÃO

Tendo isso em vista, é explicita a importância da aplicação
da Operação de Convolução para o desenvolvimento auto-
motivo, transformando em realidade sonhos que os antigos
nômades indubitavelmente não sonhavam, mas que certamente
os aficionados sim.

R EFER ÊNCIAS
[1] A. S. da Macena, “Rastreamento de múltiplos objetos utilizando modelos
de aprendizado profundo em hardware limitado,” 2021.
[2] L. L. Trindade, “Detecção de obstáculos para carros autônomos utilizando
aprendizado profundo,” 2018.
[3] L. C. da Cunha, “Redes neurais convolucionais e segmentação de ima-
gens,” 2020.
[4] C. A. Ynoguti, “Processamento digital de sinais.”
[1] [2] [3] [4]