Reconhecimento de marca e modelo de veículos a partir de imagens

• Ano de defesa: 2019
• Autor(a) principal: Wille, Renan Barcik de Castro
• Orientador(a): Pipa, Daniel Rodrigues
• Banca de defesa: Pipa, Daniel Rodrigues, Lazzaretti, André Eugênio, Ronque, Giselle Lopes Ferrari
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Tecnológica Federal do Paraná; Curitiba
• Programa de Pós-Graduação: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial
• País: Brasil
• Palavras-chave em Português: Veículos - Identificação; Sistemas de comunicação móvel; Veículos - Imagem; Processamento de imagens; Sistemas de reconhecimento de padrões; Algorítmos; Imagens digitais; Engenharia elétrica; Vehicles - Identification; Mobile communication systems; Vehicles - Imaging; Image processing; Pattern recognition systems; Algorithms; Digital images; Electric engineering
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::PROCESSAMENTO GRAFICO (GRAPHICS)
• Link de acesso: http://repositorio.utfpr.edu.br/jspui/handle/1/4165

O reconhecimento automático de marca e modelo de veículos pode reduzir custos para sistemas automatizados de estacionamento, bem como auxiliar entidades públicas, como a polícia, para identificar e coibir adulterações veiculares. Este trabalho tem como objetivo extrair a marca e modelo de veículos através de imagens. Primeiramente foi feito um estudo para listar as características viáveis de serem obtidas através do processamento de imagens. Dentre elas estão a cor, a placa de identificação veicular, a marca e modelo dos veículos. Em seguida, decidiu-se pela classificação da marca de veículos através de sua logomarca. Para encontrá-la, utiliza-se a extração de bordas, binarização e morfologia. Em seguida, a partir de um classificador SVM e um descritor HOG a região contendo a logomarca é categorizada. Experimentando-se melhorar a abordagem, usou-se a técnica de localização da logomarca através de deslizamento de janelas, também com SVM e descritor HOG para a classificação. Como os métodos apresentados dependem de informações locais e com o objetivo de melhora em relação a esses métodos, estudou-se o finetunning das redes convolucionais como as MobileNets, dentre outras arquiteturas para a classificação global da imagem, sendo possível, com esse método, extrair além da marca do veículo, também o seu modelo. Finalmente foram feitos testes em dois conjuntos de imagens de veículos brasileiros: O primeiro, chamado Pre-jcars-test, foi utilizado para medir a acurácia da classificação de marca dos veículos e comparar com as outras abordagens, o melhor resultado obtido foi 79,67 % em top-1 utilizando as redes neurais convolucionais. O segundo conjunto, chamado Jcars-test, foi utilizado para medir a acurácia da classificação de marca e modelo de veículos e a melhor abordagem atingiu 96,89 % de acurácia em top-5, permitindo-se classificar 354 modelos dentre 61 marcas de veículos.