Silft (scale invariant lowframerate tracking)

• Ano de defesa: 2021
• Autor(a) principal: Braga, A. P.
• Orientador(a): Rodrigues, Paulo Sérgio Silva
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Centro Universitário FEI, São Bernardo do Campo
• Palavras-chave em Português: fluxo ótico; detecção de objetos; rastreamento de objetos
• Link de acesso: https://repositorio.fei.edu.br/handle/FEI/3271; https://doi.org/10.31414/EE.2021.D.131347

Com o aumento da urbanização, a mobilidade se torna um tema central em grandes cidades, onde as pessoas passam em média 37 dias por ano no trânsito, afetando assim, a qualidade de vida e eficiência dos negócios. Vias urbanas e rodovias estão sendo instrumentadas com câmeras, radares e lombadas eletrônicas, aumentam o controle e a segurança de todos. No entanto, as informações das instrumentações ainda são pouco utilizadas para gerar conhecimento da utilização das vias e impactar decisões futuras de investimento em infraestrutura. As imagens das câmeras utilizadas para a vigilância de vias apresentam baixa resolução, alto nível de ruído e grande variabilidade de escala de objetos, tornando as tarefas de detecção e rastreamento de objetos em tempo real desafiadores para os trabalhos publicados até o momento. Este trabalho propõe a arquitetura Scale Invariant Low Framerate Tracking (SILFT), que utiliza a fusão da metodologia de fluxo ótico denso com um modelo de detecção, ambos baseados em redes neurais, além de um novo banco de dados de imagens de rodovias Brasileiras. A SILFT obteve precisão média para detecção de 65;97 %, superando os modelos You Only Look Once (YOLO) e Faster Region based Convolutional Neural Network (FASTER R-CNN) no banco de dados proposto. Para a tarefa de rastreamento a SILFT superou em três vezes a performance do rastreador por intersecção sobre união no banco de dados proposto.