José Eduardo Dias Sampaio -...

José Eduardo Dias Sampaio

Detecção e Reconhecimento deSinais de Trânsito em Tempo Real

Jo

sé E

duar

do D

ias S

ampa

io

Outubro de 2010UMin

ho |

201

0De

tecç

ão e

Rec

onhe

cim

ento

de

Sina

is d

e Tr

ânsi

to e

m T

empo

Rea

l

Universidade do MinhoEscola de Engenharia

Outubro de 2010

Tese de MestradoCiclo de Estudos Integrados Conducentes aoGrau de Mestre em Engenharia Electrónica Industrial e Computadores

Trabalho efectuado sob a orientação doProfessor Doutor Agostinho Gil Teixeira Lopes

José Eduardo Dias Sampaio

Detecção e Reconhecimento deSinais de Trânsito em Tempo Real

Universidade do MinhoEscola de Engenharia

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real i

Resumo

Nesta dissertação foi desenvolvido um algoritmo para a detecção e

reconhecimento automático de Sinais de Trânsito em tempo real, bem como

em fotos e vídeos previamente gravados. Inerente a um ambiente livre está um

vasto número de adversidades que inibem em parte os métodos a serem

usados.

Para a detecção dos sinais de trânsito é efectuada uma análise à cor

presente na imagem, nomeadamente, é posta em prática a técnica de

segmentação da cor vermelha e azul. Os sinais detectados são sujeitos a um

conjunto de técnicas e métodos que permitem classificar os sinais de acordo

com a sua forma, podendo ser formas triangulares, circulares, quadradas,

rectangulares ou octogonais. Com o objectivo de facilitar o reconhecimento dos

sinais detectados, o sistema permite a sua classificação em cinco classes,

conforme a combinação entre a sua cor e forma.

Para o reconhecimento, a figura padrão que distingue os demais sinais de

trânsito é analisada, com vista à obtenção da posição exacta bem como a área

que esta ocupa. Por fim, é implementado o método de correlação de fase que

permite verificar a semelhança entre duas imagens. Esta comparação é

efectuada através dos sinais adquiridos pela câmara e os sinais presentes

numa base de dados.

A plataforma usada para o desenvolvimento desta dissertação foi o

Microsoft Visual Studio 2008. Com recurso à biblioteca multiplataforma

OpenCV - Open Source Computer Vision Library – foi possível colocar em

prática a maioria dos métodos e técnicas implementadas no decorrer deste

trabalho. Para tal feito, foi usado um computador portátil com um processador

Core2Duo T7200, com 1Gb de RAM. O sistema operativo adoptado foi o

Windows XP.

ii Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real iii

Abstract

This thesis presents an algorithm for traffic signs automatic detection and

recognition, both in real-time applications, as well as in previously recorded

images and videos. Associated to an open-environment is a wide range of

adversities that partially inhibit some of the methods to be used.

For traffic signs detection is done a color analysis of the image, in

particular, is used the red and blue segmentation technique. The detected signs

are submitted to a set of methods that allow the classification of signs according

to their shape (triangle, circle, square, rectangle or octagon). In order to simplify

the recognition of the detected signs, the developed system allows their

classification into five different classes according to the combination of its color

and shape.

The stamped image exact position and occupied area variables are used

to identify the correspondent sign so it can be distinguished from all other with

the same shape. Finally, it is implemented the phase correlation method to

verify the similarities between two images. This is done by comparison of the

signs acquired by the camera and the one’s stored in a database.

The IDE platform used in this dissertation was the Microsoft Visual Studio

2008. The cross-platform library OpenCV – Open Source Computer Vision

Library – provided the resources used in the implementation of the methods

developed within the presented work. To guarantee this, it was used a

Core2Duo laptop with a T7200 processor and 1 GB of RAM. The adopted

operating system was Windows XP.

iv Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real v

Agradecimentos

Ao meu orientador, por sempre me ter recebido no seu laboratório com

boa disposição e um contagioso entusiasmo, transmitindo-me toda a confiança,

estímulo e vontade necessária. Por todas as suas criticas e sugestões que se

demonstraram fundamentais na realização deste trabalho.

À minha família, por toda a dedicação, apoio e confiança que depositou

em mim desde o primeiro momento, em especial à minha mãe por toda a

compreensão e tolerância demonstrada no dia-a-dia e ao meu irmão, por nunca

me deixar pendurado, atendendo todos os meus telefonemas e pedidos, de

forma prontória e entusiasta. Obrigado por me incutirem o amor ao estudo, à

realização profissional entre outros valores que regem a minha vida.

Por fim gostaria de alargar os meus agradecimentos presenteando todos

os meus amigos, em especial o Jorge Bruno, com uma palavra de carinho por

toda a paciência, apoio, cuidado e amizade que demonstraram ao longo de

todo este percurso. A todos aqueles que me iam perguntando pelo

desenvolvimento do trabalho, transmitindo-me força e depositando em mim

toda a confiança necessária para que a meta fosse alcançada com êxito.

E porque sem vocês tudo seria ainda mais complexo,

A todos, os meus sinceros agradecimentos!

vi Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real vii

Índice

Resumo ......................................................................................................................................... i

Abstract ....................................................................................................................................... iii

Agradecimentos .......................................................................................................................... v

Índice .......................................................................................................................................... vii

Lista de Figuras ........................................................................................................................... x

Lista de Abreviaturas ............................................................................................................... xiii

CAPÍTULO 1 Introdução ........................................................................................................ 1

1.1. Enquadramento ................................................................................................................ 2

1.2. Objectivos ......................................................................................................................... 3

1.3. Estrutura do Relatório ...................................................................................................... 4

CAPÍTULO 2 Estado da Arte ................................................................................................. 5

2.1.1. Sinalização vertical ................................................................................................ 5

2.1.1.1. Sinais de Perigo ..................................................................................... 6

2.1.1.2. Sinais de Regulamentação .................................................................... 7

2.1.2. Soluções actualmente existentes .......................................................................... 7

2.1.2.1. Detecção de sinais através de segmentação por cor ............................ 8

2.1.2.1.1. Segmentação através do modelo de cor RGB .......................................... 10

2.1.2.1.2. Segmentação através do modelo de cor HSV .......................................... 13

2.1.2.2. Detecção de sinais através da identificação de bordas ...................... 16

2.2. Técnicas de processamento de imagem ....................................................................... 17

2.2.1. Segmentação por cor ........................................................................................... 18

2.2.2. Binarização por histerese (threshold) .................................................................. 18

viii Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

2.2.3. Detecção de contornos ........................................................................................ 19

2.2.4. Centro de massa .................................................................................................. 19

2.2.5. Detecção de vértices ............................................................................................ 20

2.2.6. Radiais .................................................................................................................. 20

2.2.7. Região de interesse ............................................................................................. 21

CAPÍTULO 3 Detecção ......................................................................................................... 23

3.1. Segmentação por cor ..................................................................................................... 26

3.1.1. Dificuldades na detecção de sinais ...................................................................... 28

3.1.1.1. Obstrução e Oclusão ........................................................................... 31

3.1.1.2. Deterioração dos sinais ........................................................................ 32

3.2. Binarização por histerese (threshold) ............................................................................. 33

3.3. Redução do tempo de processamento ........................................................................... 34

3.4. Conclusões ..................................................................................................................... 35

CAPÍTULO 4 Classificação .................................................................................................. 37

4.1. Contornos ....................................................................................................................... 38

4.2. Centro de massa ............................................................................................................ 41

4.3. Relação caixa delimitadora e área do contorno ............................................................. 43

4.4. Relação altura vs largura ................................................................................................ 45

4.5. Detecção de vértices ...................................................................................................... 46

4.6. Radiais ............................................................................................................................ 47

4.7. Conclusões ..................................................................................................................... 50

CAPÍTULO 5 Reconhecimento ............................................................................................ 51

5.1. Dificuldades no reconhecimento de sinais de trânsito ................................................... 51

5.2. ROI .................................................................................................................................. 52

5.3. Análise da figura padrão ................................................................................................. 53

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real ix

5.3.1. Análise da forma da figura padrão ....................................................................... 54

5.3.2. Dificuldades na análise da figura padrão ............................................................. 56

5.3.3. Análise do posicionamento da figura padrão ....................................................... 61

5.4. Correlação de fase ......................................................................................................... 63

5.5. Conclusões ..................................................................................................................... 68

CAPÍTULO 6 Conclusões e Trabalhos Futuros ................................................................ 69

6.1. Conclusões ..................................................................................................................... 69

6.2. Trabalhos futuros............................................................................................................ 70

Referências ................................................................................................................................ 73

Anexo 1 ...................................................................................................................................... 76

Anexo 2 ...................................................................................................................................... 80

Anexo 3 ...................................................................................................................................... 84

Anexo 4 ...................................................................................................................................... 88

Anexo 5 ...................................................................................................................................... 92

x Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

Lista de Figuras

Figura 2.1 - Sinais de perigo: (a) A32a (b) A32b .......................................................................... 7

Figura 2.2 - Sinais de Regulamentação ........................................................................................ 7

Figura 2.3 - (a) Digitalizar e atribuir códigos, (b) transferir o objecto com o número mínimo, (c) juntar o colectivo de píxeis como um objecto intacto [12]...................................................... 15

Figura 2.4 - Posição dos vértices: (a) triângulo, (b) rectângulo (c) círculo (d) losango [12] ....... 15

Figura 2.5 - Diagrama de blocos referente à fase de classificação [13] ..................................... 17

Figura 2.6 - Aplicação dos métodos Canny e Sobel ................................................................... 19

Figura 2.7 - Aplicação da técnica de detecção de cantos ........................................................... 20

Figura 2.8 - Representação das radiais de um círculo e de um quadrado [6] ............................ 21

Figura 3.1 - Segmentação da cor vermelha e azul ..................................................................... 24

Figura 3.2 - Exemplo da cor vermelha e azul presentes em diversas situações ........................ 24

Figura 3.3 - Três fases que compõem o sistema de detecção e reconhecimento de sinais ...... 25

Figura 3.4 - Componente tonalidade do modelo de cor HSV ..................................................... 26

Figura 3.5 - Segmentação da cor azul através de apenas um elemento do modelo de cor HSV ............................................................................................................................................. 27

Figura 3.6 - Segmentação da cor vermelha através de apenas um elemento do modelo de cor HSV ....................................................................................................................................... 27

Figura 3.7 - Segmentação da cor azul através dos três elementos do modelo de cor HSV ...... 28

Figura 3.8 - Segmentação da cor vermelha através dos três elementos do modelo de cor HSV ............................................................................................................................................. 28

Figura 3.9 - Sinais com diferentes intensidades de iluminação .................................................. 29

Figura 3.10 - Sinais com intensidade de iluminação perfeitas .................................................... 30

Figura 3.11 - Sinal com o sol por trás ......................................................................................... 30

Figura 3.12 - Sinal de STOP com a cor viva (a) e substancialmente mais escura (b) ............... 31

Figura 3.13 - Sinais obstruídos por vegetação ........................................................................... 31

Figura 3.14 - Sinais sujeitos à exposição solar e vandalismo..................................................... 32

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real xi

Figura 3.15 - Aplicação do método Canny .................................................................................. 33

Figura 3.16 – Imagem original (a) e imagem binária após segmentação vermelha (b) e azul (c) ................................................................................................................................................ 34

Figura 3.17 - Redução da área de pesquisa de sinais ............................................................... 35

Figura 3.18 - Sinais que não possuem bordas coloridas ............................................................ 36

Figura 4.1 - Divisão dos sinais quanto à sua cor e forma ........................................................... 37

Figura 4.2 - Classificação de sinais ............................................................................................ 38

Figura 4.3 - Sinais do tipo Cedência de Passagem .................................................................... 38

Figura 4.4 - Área do contorno de diversos sinais ....................................................................... 39

Figura 4.5 - Aproximação de sinais de trânsito ........................................................................... 40

Figura 4.6 - Contornos efectuados após segmentação da cor vermelha ................................... 41

Figura 4.7 - Centro de massa de quatro sinais de Perigo distintos ............................................ 42

Figura 4.8 – Centro de massa de dois sinais triangulares .......................................................... 42

Figura 4.9 - Centro de massa esperado em diversos objectos .................................................. 43

Figura 4.10 - Caixa delimitadora aplicada a diferentes sinais de trânsito .................................. 43

Figura 4.11 - Relação entre as áreas da caixa delimitadora e do contorno ............................... 43

Figura 4.12 - Diferença entre os centros de massa de um sinal de perigo e de cedência de passagem .................................................................................................................................... 44

Figura 4.13 – Detecção de falsos positivos que seriam confundidos com (a) triângulo, (b) e (c) círculos ................................................................................................................................... 45

Figura 4.14 - Relação entre altura e largura de quatro objectos distintos .................................. 45

Figura 4.15 - Rejeição de falso positivo ...................................................................................... 46

Figura 4.16 - Detecção de vértices em diferentes sinais ............................................................ 47

Figura 4.17 - Representação de radiais em diferentes sinais triangulares................................. 48

Figura 4.18 - Representação de apenas sete radiais por sinal .................................................. 49

Figura 5.1 - Sinais com figuras padrões iguais ........................................................................... 52

Figura 5.2 - Mesmos sinais com diferentes figuras padrão ........................................................ 52

Figura 5.3 - Criação de um ROI a partir da imagem original ...................................................... 53

Figura 5.4 - Representação da figura padrão de dois sinais de perigo ...................................... 54

Figura 5.5 - Segmentação da figura padrão de sinais triangulares ............................................ 55

xii Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

Figura 5.6 - Segmentação da figura padrão de sinais circulares vermelhos .............................. 55

Figura 5.7 - Segmentação da figura padrão de sinais circulares azuis ...................................... 55

Figura 5.8 - Segmentação da figura padrão de sinais quadrangulares azuis ............................. 55

Figura 5.9 - Sinais que não ocupam a totalidade do ROI ........................................................... 56

Figura 5.10 - Segmentação da figura padrão de diversos sinais de trânsito .............................. 57

Figura 5.11 - Várias etapas no isolamento do sinal de objectos exteriores ................................ 58

Figura 5.12 - Sinais cujas bordas contêm píxeis pretos ............................................................. 59

Figura 5.13 - Diferentes espessuras do contorno a sinal ............................................................ 60

Figura 5.14 - Relação entre os píxeis da figura padrão e a área do contorno ............................ 60

Figura 5.15 - Sinais de perigo com distintas figuras padrão ....................................................... 61

Figura 5.16 - Sinais de obrigação com as mesmas figuras padrão ............................................ 62

Figura 5.17 - Análise ao posicionamento da figura padrão ......................................................... 63

Figura 5.18 - Correlação de fase (a) normal, (b) com ruído, (c) com deslocamento .................. 65

Figura 5.19 - Correlação de fase ................................................................................................. 66

Figura 5.20 - Exemplo de como realçar as características de um sinal ..................................... 66

Figura 5.21 - Correlação de fase ................................................................................................. 66

Figura 5.22 - Correlação de fase de diversos sinais ................................................................... 67

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real xiii

Lista de Abreviaturas

ROI Região de interesse

HSV Espaço de cores Hue, Saturation e Value

RGB Espaço de cores Red, Green e Blue

DFT Direct Fourier Transform

IFT Inverse Fourier Transform

FFTW Fastest Fourier Transform in the West

xiv Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real 1

CAPÍTULO 1

Introdução

A evolução tecnológica tem sido a principal força dinamizadora da

economia mundial, nomeadamente no que diz respeito ao progresso da

indústria automóvel. Neste contexto, a recente inovação a nível computacional

e dos dispositivos de imagem tem proporcionado uma crescente aplicação da

visão computacional nesta área.

Nesta perspectiva, a necessidade de utilização de sistemas

computacionais que ofereçam um melhor desempenho aliado a uma maior

segurança do condutor são sem dúvida uma mais-valia e, um sistema de

detecção e reconhecimento de sinais de trânsito, não será excepção.

Um dos sistemas computacionais actualmente estudados para o apoio

aos condutores é o reconhecimento de sinais de trânsito.

Este sistema baseia-se na aquisição de imagens do meio envolvente ao

automóvel, através de uma câmara direccionada para zonas onde

possivelmente surgirão sinais de trânsito. Após a captura, estas imagens

sofrem a aplicação de métodos e técnicas que visam o reconhecimento e

identificação de sinais de trânsito. Uma vez identificados, o condutor é

advertido da sua presença, através de uma aplicação visual ou sonora. Este

sistema transmite uma maior segurança e confiança ao condutor na medida em

que existem muitas distracções possíveis que tornarão os condutores mais

vulneráveis a acidentes rodoviários. Convém salientar que existem algumas

adversidades que afectam o desempenho do sistema. A inclinação dos sinais,

a sua fraca localização e problemas relacionados com luminosidade são

algumas condicionantes para uma eficaz detecção e funcionamento do

processo.

Os sinais a que o sistema se propõe reconhecer são os sinais de Perigo e

CAPÍTULO 1 - Introdução

2 Sistema de Detecção e Reconhecimento de Sinais de Trânsito em Tempo Real

os sinais de Regulamentação, perfazendo um total de 141 sinais. Estes últimos

incorporam os sinais de cedência de passagem, sinais de obrigação e sinais de

proibição. Estes sinais que o sistema autónomo pretende reconhecer revelam-

se como sendo os sinais de trânsito de maior importância na sinalização

rodoviária.

A identificação de sinais de trânsito poderá ser efectuada de

variadíssimas formas. Não existe actualmente um método a seguir, ideal ou

perfeito para o fazer. Existem sim técnicas que se adoptam para desta forma

tornar um determinado sistema mais rápido e sobretudo eficaz, ora não

estivesse em causa a segurança rodoviária/do condutor.

Prover uma máquina de um dos sentidos mais importantes do ser

humano, é sem sombra de dúvidas um grande desafio. É insuficiente aplicar

meras alterações às imagens capturadas. É necessário desenvolver sistemas

capazes de interpretar essas imagens.

1.1. Enquadramento

A segurança rodoviária é um tema sensível da nossa sociedade. O

crescimento do tráfego de veículos nas estradas portuguesas tem sido uma

realidade bem presente. Aliado a este forte crescimento está muitas vezes o

desrespeito do código da estrada, nomeadamente a sinalização/excesso de

velocidade, o que aumenta substancialmente o risco de acidentes rodoviários.

O contributo do avanço da tecnologia no sector automóvel tem permitido

vários progressos no sentido de melhorar o bem-estar dos automobilistas.

Mais eficaz que proteger o condutor do impacto de um acidente

rodoviário é, sem dúvida, conseguir evitá-lo ou pelo menos reduzir a sua

probabilidade. Mas de que forma?

A inclusão de um sistema capaz de advertir o condutor da presença de

um limite de velocidade, da aproximação de um cruzamento, entroncamento ou

até mesmo de uma via com prioridade, são algumas das informações de

CAPÍTULO 1 – Introdução


extrema importância que não se devem menosprezar.

Neste contexto, procura-se desenvolver um mecanismo de auxílio à

condução que consiste na detecção e reconhecimento automático de sinais de

trânsito. Este mecanismo, através da sua informação constantemente

actualizada, permite alertar o condutor em tempo real da presença de um sinal

de trânsito o que o levará a redobrar os seus níveis de concentração/atenção.

Nos casos em que o condutor é abolido, refiro-me mais concretamente à

condução autónoma (área em franca expansão na ultima década), este sistema

também se revela fundamental. Equipar um veículo autónomo de uma câmara

que, para além de o conduzir o veículo correctamente pela estrada, ainda

consiga reconhecer a sinalização rodoviária e com isto adequar a velocidade e

comportamento do automóvel.

1.2. Objectivos

Apesar da interpretação de sinais de trânsito ser uma tarefa bastante

acessível para a maioria dos seres humanos, dotar um sistema automático com

esta funcionalidade trata-se de um desafio bastante complexo.

O objectivo da presente dissertação foca-se na criação de um sistema de

processamento de imagem que inclui metodologias que visam permitir o

reconhecimento e identificação da localização exacta de um sinal de trânsito

presente num ambiente aberto e desconhecido, em tempo real. Inerente a este

ambiente, está um vasto conjunto de adversidades que condicionam os

métodos usados, tais como:

Condições climatéricas

A orientação dos sinais

Obstrução e desgaste dos sinais

A altura do dia

O reflexo do sol

CAPÍTULO 1 - Introdução


O sistema deverá ser possuidor de algoritmos e funções suficientemente

rápidas e eficazes dado que deverão ser capazes de reconhecer correctamente

os sinais que surgem durante uma viagem, em tempo real, ultrapassando as

inúmeras adversidades, em fracções de segundo.

Após o reconhecimento, o condutor poderá ser alertado da presença de

um sinal de trânsito, numa tentativa de o levar a aumentar a atenção face aos

perigos eminentes.

1.3. Estrutura do Relatório

Este relatório de projecto assenta a sua estrutura num total de seis

capítulos. Após este primeiro capítulo introdutório, onde é referido o

enquadramento bem como os objectivos estipulados, surge o terceiro capítulo

que faz referência ao estado da arte e às técnicas de processamento de

imagem já desenvolvidas.

No capítulo 3, 4 e 5 são abordadas respectivamente as técnicas de

detecção, classificação e reconhecimento de sinais de trânsito.

Por fim, surge o capítulo 6 onde são apresentadas as conclusões do

trabalho desenvolvido e onde se abordam possibilidades para o

desenvolvimento de trabalhos futuros.


CAPÍTULO 2

Estado da Arte

A sinalização rodoviária é uma parte importante para uma boa fluidez e

correcta circulação do trânsito e todos os demais utentes da via. Em locais

onde a via pública possa oferecer perigo para o trânsito, onde este esteja

sujeito a restrições ou precauções, ou simplesmente quando se mostra

relevante informar os utentes da via é utilizada a sinalização rodoviária para

assim ajudar todos os que interferem directa e indirectamente na circulação

rodoviária.

Quando se ouve falar em sinalização rodoviária, normalmente associa-se

aos sinais verticais e aos sinais luminosos, vulgarmente chamados de

semáforos. No entanto, a sinalização rodoviária abrange bem mais que isso. As

marcas rodoviárias, os sinais dos agentes reguladores do trânsito, os sinais

dos condutores bem como os sinais temporários fazem todos eles parte da

sinalização rodoviária. No entanto, para evitar a desordem ou situações de

embaraço no trânsito, foi estabelecido uma hierarquia entre as prescrições. A

ordem de prevalência é a seguinte:

1- Ordens dos agentes reguladores do trânsito

2- Sinalização

2.1 – Sinalização temporária

2.2 – Sinalização luminosa (semáforos)

2.3 – Sinalização vertical

2.4 – Marcas rodoviárias

2.1.1. Sinalização vertical

Para além das marcas rodoviárias, os sinais que são mais comuns nas

vias públicas são sem sombra de dúvidas os sinais verticais. É por eles que a

maioria dos condutores se rege para assim adaptar a sua condução às

CAPÍTULO 2 – Estado da Arte


diversas situações que o trânsito e a via apresentam.

O sistema de sinalização adoptado pelo estado português compreende

cinco tipos de sinalização vertical, são eles:

Sinais de Perigo

Sinais de Regulamentação

Sinais de Indicação

Sinalização de Mensagem Variável

Sinalização Turístico-Cultural

Contudo, a presença destes sinais bem como a sua importância nas

estradas portuguesas varia consideravelmente. O sistema desenvolvido neste

trabalho tem como objecto a detecção e reconhecimento dos sinais de trânsito

que revelam maior importância no auxílio à condução. São eles 44 sinais de

Perigo e 97 sinais de Regulamentação, sendo que este último engloba os

sinais de “obrigação”, “proibição” e “cedência de passagem”. No total, são 141

sinais, sendo que 49 são sinais triangulares e 86 circulares.

2.1.1.1. Sinais de Perigo

“Os sinais de perigo indicam a existência ou a possibilidade de

aparecimento de condições particularmente perigosas para o trânsito que

imponham especial atenção e prudência ao condutor” [1].

Existem no total um conjunto de 44 sinais de perigo e praticamente todos

eles têm a forma de um triângulo com um rebordo encarnado. No seu interior

encontra-se uma figura padrão de cor preta sobre um fundo branco, que os

distingue. No entanto, existem dois sinais de perigo que são excepção à regra.

O sinal referente a “Local de passagem de nível sem guarda” e o “Local de

passagem de nível sem guarda com duas ou mais vias”, cujos códigos

atribuídos segundo o regulamento do código de estrada são respectivamente,

A32a e A32b.



(a) (b)

2.1.1.2. Sinais de Regulamentação

Os sinais de Regulamentação subdividem-se em sinais de cedência de

passagem, sinais de proibição, sinais de obrigação e sinais de prescrição

específica. Em oposição ao que acontece com os sinais de Perigo, a forma que

os sinais de Regulamentação sustentam varia não só de subcategoria para

subcategoria mas também os sinais de cedência de passagem podem obter

até seis formas distintas.

2.1.2. Soluções actualmente existentes

Apesar de muitas pesquisas terem proposto várias soluções para

melhorar a eficiência e eficácia de sistemas de reconhecimento de sinais de

trânsito, esta continua a ser uma tarefa promissora.

Actualmente vários autores dedicam a sua investigação e

desenvolvimento na criação e muitas vezes, na melhoraria de sistemas que

obtenham cada vez melhores resultados tanto em condições de luminosidade

favoráveis, como em situações adversas, como mau tempo e condução

nocturna. Existem vários sistemas implementados não havendo contudo um

método ideal. Cada autor dá um pouco de si, contribuindo assim para uma

melhoria geral dos sistemas impostos até à data.

A conhecida marca de automóveis Opel disponibiliza nos modelos

Insígnia [2] e Astra [3] um sistema que permite a detecção de sinais de limite

Figura 2.1 - Sinais de perigo: (a) A32a (b) A32b

Figura 2.2 - Sinais de Regulamentação



de velocidade. Através de uma câmara inserida entre o pára-brisas e o espelho

retrovisor da viatura, o sistema é capaz de reconhecer os sinais de limite de

velocidade e em seguida, mostrar no painel de instrumentos o sinal. As funções

inerentes à condução continuam a ser tomadas em pleno pelo condutor, no

entanto, trata-se de uma forma de alertar o condutor da presença de um novo

limite de velocidade.

Nesta secção, serão abordadas soluções que visam uma correcta

detecção e reconhecimento de sinais de trânsito.

2.1.2.1. Detecção de sinais através de segmentação por cor

Piccioli et al [4] desenvolveu um sistema de detecção e reconhecimento

de sinais de trânsito. O sistema captura as imagens através de uma câmara de

vídeo instalada num veículo. Para a detecção dos sinais nas imagens, é

utilizada a técnica de segmentação por cor, apesar do autor não especificar

qual o modelo de cor utilizado. Em seguida, através da aplicação do algoritmo

Canny, é efectuada uma análise geométrica com o objectivo de verificar a

presença de triângulos ou círculos através da detecção de bordas. Como

resultados, para uma análise de 600 imagens contendo um ou mais sinais

triangulares, a percentagem de correcta detecção é de 92%.

A forma octogonal do sinal de STOP é identificada como uma forma

circular, sendo apenas a diferenciação feita na parte do reconhecimento, onde

é aplicado o método de “Template Matching”. Aqui, o autor atingiu uma taxa de

classificação correcta de 98%, apesar de não mencionar o número de sinais

testados. O autor apresenta ainda uma integração temporal das informações

extraídas da análise de um único frame, garantindo assim maior robustez no

sistema completo.

Hasan Fleyeh e Mark Dougherty, [5] implementaram em seu trabalho um

algoritmo cujo objectivo consiste em detectar e reconhecer sinais de trânsito.

Este sistema utiliza para a detecção dos demais sinais de trânsito presentes na



via, a técnica de segmentação por cor. Os autores relatam que o modelo de cor

obtido através da câmara não é adequado para a detecção na medida em que

as três componentes do modelo estão altamente correlacionadas entre si

resultando que qualquer variação na intensidade de luz ambiente afectará todo

o modelo, acabando por sugerirem outros modelos de cor tais como HSI, HSB,

L*a*b, YIQ e YUV. Referem ainda que a detecção através da forma é possível,

possuindo a vantagem de não ser afectado por variações da luz do dia e

consecutivamente por alterações da cor, no entanto exige um robusto sistema

de detecção de bordas e um algoritmo de correspondência, sendo bastante

complexo quando o sinal assume dimensões reduzidas na imagem.

Após a detecção de objectos cujas cores respeitam os valores de

threshold pretendidos, os candidatos a sinais são sujeitos a um algoritmo de

reconhecimento que, segundo os autores, deverá possuir um grande poder

discriminatório e uma forte resistência a ruído e a diferentes posições do sinal.

Como alternativa à classificação e reconhecimento sugerem o uso das

redes neuronais defendendo que assim não será necessária a conversão da

imagem para um novo modelo de cor, que o resultado da classificação só

depende da correlação entre os pesos da rede e a própria rede, e que os

problemas de correspondência de padrão serão evitados.

Contudo, as redes neuronais necessitam de uma sobrecarga de treino e o

uso de multi-camadas é limitado à aplicação em tempo real dado que a sua

arquitectura é fixa, não havendo uma previsão de um aumento do número de

classes sem uma penalidade acentuada. Segundo os autores, o

reconhecimento de novos padrões necessitará de uma reciclagem de toda a

rede.

Os autores referem que o uso das redes neuronais reconfiguráveis têm a

capacidade de se adaptar a novos sinais, sem necessidade de novo treino,

melhorando assim o tempo de treino e reconhecimento. Sugerem ainda outros

classificadores como o “Clustering Classifier”, “Nearest Neighbour Classifiers”,

“Laplace Kernel Classifier” como alternativas a classificadores de sinais de

trânsito.



2.1.2.1.1. Segmentação através do modelo de cor RGB

A dissertação de mestrado de António Manuel Ribeiro [6] relata um

sistema que permite a detecção de objectos genéricos em ambiente aberto,

mais concretamente sinais de trânsito, e o seu respectivo reconhecimento.

Para a detecção dos sinais usou duas metodologias: na primeira, o sinal

pretendido é seleccionado pelo utilizador e na segunda, este é detectado

através da informação da cor e do seu contorno.

Optou por efectuar uma classificação dos sinais quanto à sua forma. O

sistema é capaz de classificar quatro formas pré-definidas de sinais de trânsito:

quadrado, circulo, triângulo e triângulo invertido, deixando a forma rectangular

(forma esta inerente aos sinais de indicação, tal como a forma quadrangular)

por classificar. Para isso utiliza as assinaturas de contorno (radiais). A forma

como interpreta as assinaturas de contorno mostrou confundir por 7 vezes,

num total de 234 sinais, a forma quadrangular com a forma circular.

Efectuou uma comparação entre três classificadores distintos: Coeficiente

de Correlação, média aritmética dos valores absolutos das diferenças entre

contornos e média aritmética dos desvios absolutos dos pontos de contorno a

partir da sua média, concluindo que este último classificador apresenta menor

erro de separação entre sinais e não sinais, unidos.

No que diz respeito ao reconhecimento dos sinais, este é obtido através

do método da correlação normalizada de níveis de cinzento, provocando

deslocamentos de +/- 2 píxeis em x e em y, para evitar erros de correlação

provocados por pequenas translações do sinal. Possui uma base de dados de

38 sinais em níveis de cinzento, normalizados para 64x64 píxeis.

Numa análise a 234 sinais, foram eliminados pelo classificador 12 sinais

erradamente e a forma foi confundida num total de 7 vezes. Restando 215

sinais correctamente classificados quanto à sua forma, o seu reconhecimento

obteve uma taxa de aproveitamento que rondou os 83%.

John Hatzidimos [7] da Grécia, descreve um sistema automático de



reconhecimento de sinais de trânsito. Para proceder à detecção dos sinais nas

imagens, o autor procede a uma segmentação por cor. Com isso, é criada uma

imagem binária onde posteriormente serão detectados os contornos e

normalizados para um píxel de espessura, ficando uma simples linha.

Para verificar a presença de um sinal em forma de triângulo, o autor

aplica um método cujo objectivo consiste em analisar os ângulos de todas as

linhas presentes na imagem. Caso estes não pertençam aos intervalos (50,70)

(-70,50) é então aplicada a transformada de Hough que permite a detecção de

sinais circulares. Para localizar o sinal na imagem, são calculadas as equações

das linhas e dos vértices bem como o centro do triângulo. No que diz respeito

ao reconhecimento, o autor implementou o modelo Cross-Correlation Matching.

Cada píxel é sujeitado ao cálculo do coeficiente de correlação cruzada em cada

uma das três componentes do modelo RGB. O coeficiente final é a média das

três componentes.

Como conclusões, o autor relata que o sistema é muito eficaz na

localização dos sinais de trânsito, no entanto possui uma ligeira fraqueza

aquando da presença de áreas com a mesma cor dos sinais de trânsito. Admite

um futuro reconhecimento do sinal de STOP bem como a identificação de dois

sinais numa mesma imagem. Por fim, o autor indica que o modelo RGB não é o

melhor para efectuar a segmentação pois as três componentes (R,G e B)

dependem da intensidade sugerindo para tal o modelo de cor HSI.

Michael Shneier [8], dos Estados Unidos da América (Gaithersburg) trata

do reconhecimento de sinais de trânsito em tempo real. No seu sistema está

implementada a técnica de segmentação por cor para assim conseguir

identificar os sinais de trânsito presentes nas imagens captadas. Em seguida, a

imagem segmentada é binarizada para que um conjunto de técnicas seja

aplicado. O autor defende que o modelo de cor usado (RGB) para executar a

segmentação nas imagens obteve resultados bastante satisfatórios sendo a

conversão para outro modelo de cor uma operação desnecessária. À imagem

binária é aplicada uma erosão morfológica para eliminar píxeis isolados que se

tornam indesejáveis no que diz respeito à obtenção de sinais de trânsito. Para



descartar os objectos dos sinais, a área, o centro de massa bem como a caixa

que limita os objectos são analisados. Caso não cumpram os requisitos

pretendidos os objectos são então eliminados visto que não se tratam de sinais

de trânsito.

Para proceder ao reconhecimento, o autor usa o método de “Template

Matching”. As imagens são retiradas do vídeo e são redimensionadas para o

tamanho 48x48 píxeis. A colocação em prática deste algoritmo contou com a

análise de 23637 frames, contendo estes 92 sinais de perigo e STOP. Como

resultados, o sistema apresenta para um total de 92 sinais analisados, uma

percentagem de 88% de correcta detecção, 78% de taxa de sinais bem

reconhecidos, 58% de falsas detecções e um conjunto de 6 sinais mal

reconhecimentos. O autor acredita que uma câmara apontada exclusivamente

para a zona onde sinais possam surgir bem como uma ampliação da imagem

melhorava os resultados obtidos.

Souki et al [9] descreve um sistema de visão computacional que permite o

reconhecimento de sinais de trânsito em tempo real. O autor aplica sobre a

imagem captada pela câmara um “Average Filter” que permite a redução do

ruído. Este filtro, segundo o autor, é mais simples em comparação com o filtro

mediana que normalmente é utilizado. Posteriormente, para a detecção dos

sinais de trânsito na imagem filtrada é aplicada a técnica de segmentação da

cor vermelha no modelo de cor RGB. É efectuada a binarização da imagem e

aplicado um novo filtro, neste caso, um filtro de bordas que se revela, garante o

autor, menos complexo que os filtros Canny e Sobel. Para proceder à detecção

de círculos, o sistema possui implementado a transformada de Hough. O sinal

é retirado da imagem (região de interesse) e normalizado para o tamanho

80x80píxeis. É aplicado um filtro mediana para reduzir o ruído e informações

redundantes antes do estágio de binarização. Por fim, é aplicado o método

“Cross Correlation” para determinar a semelhança entre duas imagens. O autor

apresenta ainda uma tabela onde compara o tempo de processamento das

diversas fases do seu sistema, sendo a transformada de Hough a que

despende mais tempo, cerca de 72% do tempo total.



2.1.2.1.2. Segmentação através do modelo de cor HSV

Carlos Paulo da Universidade Técnica de Lisboa [10] desenvolveu um

sistema que permite a detecção de sinais de trânsito através da análise da cor

vermelha e azul. O sistema por ele implementado efectua a conversão do

modelo de cor RGB captado pela câmara para o modelo de cor HSV. Para

proceder à detecção dos sinais, o autor efectua uma segmentação por cor

através de duas das três componentes do modelo HSV, acabando por deixar

de parte a Value (intensidade). Para eliminar objectos também detectados para

além dos sinais de trânsito, é identificado o número de píxeis brancos

pertencentes a cada região comparando-os seguidamente com a área da caixa

que limita o objecto. Outro método também presente neste trabalho consiste na

análise do centro de massa do objecto bem como o seu tamanho.

O autor optou por proceder a uma classificação dos sinais quanto ao seu

tipo, nomeadamente aos sinais de perigo, obrigação, informação, proibição e

não sinal. É determinado o número de cantos para assim classificar os sinais

quadrados e os sinais triangulares. No que diz respeito à identificação dos

sinais circulares, a imagem obtida é rodada em 45º e sobreposta sobre a

anterior. Se realmente se tratar de um círculo, não existem mudanças

significativas entre as duas imagens. Caso contrário, essas alterações indicam

a presença de um objecto não sinal. O sinal de STOP é identificado como um

círculo e a sua distinção perante os sinais circulares ocorre devido à presença

de mais do que 25% de píxeis vermelhos no seu interior.

Para reconhecer o padrão inserido no interior do sinal é obtido o seu

contorno e utilizando a técnica Curvature Scale Space (CSS) onde é efectuada

uma comparação com os demais contornos presentes na base de dados já

criada.

Os resultados obtidos na detecção foram de 94% de sinais correctamente

detectados, num total de 579 sinais de trânsito. Para sinais com luminosidade

excessiva, a taxa de correcta detecção foi de aproximadamente 29%. No que

diz respeito à classificação, dos 544 sinais detectados cerca de 85% foram

correctamente classificados. Quanto ao reconhecimento, a taxa de êxito ronda

os 80%. No global, e para uma amostra aleatória, no conjunto das três fases o



autor obtém uma taxa de correcto reconhecimento de 68%.

Ren et al da Nova Zelândia [11] explica o método que utilizou para o

reconhecimento de sinais de trânsito, pela opção na conversão da imagem

capturada pela câmara no modelo de cor RGB para o modelo HSV,

argumentando possuir menos variações de luminosidade. Para proceder à

detecção dos sinais, os autores realizam a segmentação por cor com a

utilização de apenas os dois primeiros dos três elementos do modelo HSV.

Após a segmentação por cor, o próximo passo consiste em detectar as formas

presentes nas imagens segmentadas.

Para a detecção de sinais circulares, os autores usam a “Hough Circle

Transform”. Para os sinais triangulares, aplica a “Hough Line Transform” às

bordas das zonas vermelhas presentes na imagem para a obtenção de todas

as linhas. Em seguida, é aplicado um algoritmo de detecção de polígonos para

identificar os triângulos. O tamanho e os ângulos das linhas são analisados

para assim escolher os candidatos adequados. À semelhança da detecção de

triângulos, os sinais quadrangulares são detectados com a mesma técnica dos

sinais triangulares, contudo os ângulos que as linhas sustentam são de

aproximadamente 90º.

Após a classificação dos sinais quanto à forma, estes são retirados da

imagem principal e redimensionados para o tamanho de 128x128 píxeis. Na

etapa do reconhecimento, é aplicada a funcionalidade de detecção SIFT que

vai comparar os sinais detectados com os presentes numa base de dados.

Os autores provam que o facto de ter reduzido a imagem de 1024x768

píxeis para 128x128 obtém tempos de processamento substancialmente mais

reduzidos. Os testes foram realizados num computador portátil, cujo

processador é um Intel Core Duo, de 2,4 GHz, 2Gb de RAM e o sistema

operativo é o LINUX.

A taxa de sucesso é superior a 95%, no entanto os autores assumem

algumas limitações do método SIFT, mais concretamente variações no tempo



de execução bem como a possibilidade de correspondências erradas.

Wu et al [12] desenvolveu um sistema de detecção e acompanhamento

de sinais de trânsito em imagens de vídeo. Este sistema usa a segmentação

por cor para assim conseguir detectar os sinais de trânsito presentes nas

imagens. O modelo de cor sustentado pela câmara é o RGB, contudo o autor

procede a uma conversão para o modelo HSV. Para a identificação do sinal

quanto à sua forma, em primeiro lugar o sistema examina os píxeis vermelhos

e azuis (Figura 2.3(a)). Em seguida, uma máscara de 3x3 é usada para

substituir os nove píxeis com o número mínimo como mostra a Figura 2.3(b).

Por fim, os píxeis com o mesmo número no seu todo serão considerados como

um objecto (Figura 2.3(c)). Em seguida, os objectos são sujeitos a uma análise

ao tamanho bem como à sua área para assim averiguar a presença de sinais

de trânsito.

(a) (b) (c)

Para a classificação dos sinais de trânsito, a área detectada

correspondente ao sinal é dividida numa região de 3x3 como mostra a Figura

2.4. Com isto, a posição ocupada pelos vértices é analisada com vista à

identificação do tipo de forma geométrica que o sinal possui.

(a) (b) (c) (d)

Figura 2.3 - (a) Digitalizar e atribuir códigos, (b) transferir o objecto com o número mínimo, (c) juntar o colectivo de píxeis como um objecto intacto [12]

Figura 2.4 - Posição dos vértices: (a) triângulo, (b) rectângulo (c) círculo (d) losango [12]



Para o reconhecimento da figura padrão que distingue os sinais de

trânsito, o autor calcula o histograma vertical e horizontal inerente a cada sinal

e em seguida divide-os em três partes. Cada uma será analisada para verificar

qual possui um maior pico. Cruzando as três partes respectivas ao histograma

vertical e ao histograma horizontal, o autor consegue subclassificar o sinal, não

chegando a reconhecê-los. Contudo, defende que o sistema implementado

pode reconhecer os sinais de forma eficaz.

2.1.2.2. Detecção de sinais através da identificação de bordas

García-Garrido et al [13] descreve um sistema de reconhecimento de

sinais de trânsito que actua sob diversas condições de luminosidade. Para a

detecção dos sinais, o sistema utilizada o operador de Canny que possibilita a

detecção de bordas. Para tornar a detecção mais fiável, os dois valores de

threshold associados ao operador Canny foram adaptados de forma dinâmica,

dependendo da distribuição do histograma da imagem. O histograma foi então

dividido em oito partes e os dois níveis threshold foram atribuídos a cada uma

dessas regiões. Os autores garantem que assim o algoritmo é possível em

boas condições de visibilidade mas também em condições menos favoráveis, à

noite ou com chuva.

Os contornos obtidos são codificados utilizando a “chain code” com o

intuito de obter informações como o seu perímetro, área, bem como determinar

se um contorno é fechado. Após esta filtragem que tem como objectivo reduzir

o número de candidatos, é aplicada a transformada de Hough que identifica a

presença de triângulos e círculos. Para a identificação dos sinais, os autores

optaram pela utilização de duas redes neuronais: “backpropagation neural

network”, onde uma identifica se é um sinal triangular, bem como o seu tipo, e

a outra reconhece os sinais circulares incluindo o de STOP. Os sinais de

trânsito são posteriormente normalizados para o tamanho de 32x32 píxeis.

Para a identificação de um sinal, é efectuada uma correlação entre os

valores dos neurónios da camada de saída e da distribuição normal, e

dependendo do neurónio bem como se este atinge um determinado limite, o



objecto é identificado como um sinal. Além disso, o valor do coeficiente de

correlação indica a probabilidade do objecto detectado ser um sinal. Os passos

são mostrados no diagrama de blocos na Figura 2.5:

As redes neuronais foram treinadas para reconhecer os seguintes sinais

circulares: sinais de limite de velocidade, fim de limite de velocidade, STOP,

ultrapassagem proibida, sinais de fim de proibição de ultrapassagem e os

sinais triangulares de cedência de passagem e curva perigosa. Os testes foram

efectuados em tempo real e interagiam com uma base de dados cuja taxa de

classificação correcta ronda os 99%. Para que o sinal não seja identificado em

todos os frames, os autores implementaram um filtro Kalman que realiza uma

estimativa da evolução do sistema e compara com a saída real. Num total de

435 sinais de limite de velocidade o sistema detectou correctamente 97% e

reconheceu 98,5%. Para uma amostra de 312 sinais de perigo, as taxas de

correcta detecção e reconhecimento foram de 94% e 97% respectivamente. O

tempo de processamento de todo o sistema é de aproximadamente 2

segundos, pelo que os autores admitem que este sistema não poderá funcionar

em tempo real.

2.2. Técnicas de processamento de imagem

O avanço da tecnologia, mais concretamente da visão computacional e no

processamento de imagem, tem contribuído para o desenvolvimento de

sistemas computacionais e de robótica em inúmeras áreas. Estes avanços

Figura 2.5 - Diagrama de blocos referente à fase de classificação [13]



visam tornar automática a execução de tarefas complexas e/ou repetitivas, ou

mesmo auxiliar funções desempenhadas pelos humanos. Nesta secção serão

abordadas algumas técnicas de processamento de imagem que visam a

implementação de um sistema de detecção e reconhecimento de sinais de

trânsito

2.2.1. Segmentação por cor

Em processamento de imagens, segmentar consiste em identificar e

extrair zonas homogéneas presentes numa imagem. A segmentação usada

para a detecção dos sinais de trânsito é a segmentação por cor. Como os

sinais em Portugal maioritariamente possuem as suas bordas azuis e

vermelhas, um sistema que visa detectar sinais de trânsito deverá em primeiro

lugar efectuar uma segmentação dessas duas cores.

A cor, dado o seu grande poder discriminatório, é frequentemente alvo de

análise para identificação de objectos. Tal como [14] fundamenta a importância

da informação da cor para o diagnóstico automático de um tumor de pele, para

a detecção de sinais de trânsito revela-se como um dos melhores métodos a

ser aplicado [5] [7].

2.2.2. Binarização por histerese (threshold)

Binarizar uma imagem consiste na alteração das propriedades da cor que

uma imagem possui. Partindo de uma imagem colorida, é efectuado um

processamento tendo em conta uma margem de histerese que tornará a

imagem a preto e branco. Com isto, cada píxel apenas toma dois valores

possíveis: “um” para a zona pretendida e “zero” para o fundo da imagem. No

que diz respeito a um sistema de detecção de sinais de trânsito, a utilização de

uma imagem binária revela-se bastante útil na medida em que é possível isolar

completamente o sinal de cor pretendido de todos os outros objectos presentes

na imagem, possibilitando que as técnicas a serem impostas apenas sejam

aplicadas em zonas cujos píxeis possuam valor “um”.



2.2.3. Detecção de contornos

Detecção de contornos é uma técnica de processamento de imagem que

consiste em determinar os locais na imagem onde o valor dos píxeis se altera

significativamente. Esta mudança é controlada através de uma margem de

histerese. A aplicação desta técnica reduz consideravelmente a quantidade de

dados a serem processados, descartando informação considerada irrelevante.

Como a imagem a ser analisada é uma imagem binária, o sistema irá

verificar quando ocorre uma passagem do valor um para zero e vice-versa.

Esta passagem é assinalada com um píxel de outra cor, o que efectuará um

contorno do objecto em causa. Esta técnica tem-se revelado bastante

importante na obtenção de características de objectos, não só em sistemas de

reconhecimento de sinais de trânsito [11] [15] [4] [13] mas também na de

extracção de características da íris tal como [16] provou.

A biblioteca OpenCV disponibiliza funções que permitem a detecção de

contornos, sendo as mais conhecidas os filtros Canny (Figura 2.6(b) ) e Sobel

(Figura 2.6(c)).

(a) (b) (c)

2.2.4. Centro de massa

“O centro de massa, também designado por centro de gravidade, consiste

num ponto de um sistema físico composto por várias massas de um corpo

rígido, no qual se pode considerar situada toda a massa concentrada, quando

se analisa o movimento do referido sistema, no interior de um campo de forças

homogéneo e exterior” [17].

O centro de massa poderá ser usado para seguir o sinal. Uma vez que os

Figura 2.6 - Aplicação dos métodos Canny e Sobel



sinais assumem uma trajectória aproximadamente linear e esperada, a análise

do centro de massa e respectiva previsão possibilita que o mesmo sinal seja

identificado no frame seguinte, não precisando de ser analisado novamente.

2.2.5. Detecção de vértices

A detecção de vértices de um objecto assinalado numa imagem trata-se

de uma técnica bastante simples a nível computacional e muito importante na

classificação dos sinais. Esta técnica visa identificar os vértices e todas as

variações acentuadas de um objecto [18] [19] [20]. Através das funções

cvGoodFeaturesToTrack() e cvFindCornerSubPix() disponíveis na biblioteca

OpenCV, é possivel identificar o número de cantos de um objecto bem como a

sua localização exacta (Figura 2.7).

2.2.6. Radiais

Esta técnica consiste em partir do centro de massa do contorno efectuado

a um objecto, e traçar um conjunto de linhas até à extremidade (radiais), para

conseguir identificar o raio do objecto em várias direcções distintas. Idealmente

seria traçar todas as linhas possíveis desde o intervalo [0,2π]. Assim é possível

identificar exactamente a forma do objecto.

Figura 2.7 - Aplicação da técnica de detecção de cantos



2.2.7. Região de interesse

Em várias aplicações é necessário processar apenas uma determinada

área com vista a reduzir o tempo de processamento. Posto isto, a criação de

uma região de interesse, mais conhecida por ROI (Region of interest), revela-

se de extrema importância quando inserido num sistema que actua em tempo

real.

Quando um sinal é detectado, são obtidas as suas coordenadas através

da imagem principal e é criada uma nova imagem onde este surgirá. Ao

implementar qualquer função de processamento de imagem da biblioteca

OpenCV, a função verifica a existência de algum ROI definido na estrutura de

dados da imagem. Caso exista, o processamento irá incidir apenas na região

definida pelo ROI. A função disponível na biblioteca OpenCV, que permite a

criação de um ROI, é a cvSetImageROI() cujos seus parâmetros definem a

localização e o tamanho da nova imagem.

Figura 2.8 - Representação das radiais de um círculo e de um quadrado [6]




CAPÍTULO 3

Detecção

A detecção é a parte mais importante num sistema de reconhecimento de

sinais de trânsito. Se um sinal não for detectado, será impossível informar o

condutor da sua presença. Perante isto, uma deficiente detecção colocará a

performance de todo um sistema em causa.

Uma das técnicas mais usadas para a detecção de objectos é a

subtracção de fundo. Esta técnica prima por ser muito fiável, no entanto só é

válida para situações onde o ambiente que envolve o objecto é sempre

constante. Num sistema de reconhecimento de sinais de trânsito em tempo

real, que será implementado num veículo, o ambiente que o rodeia é todo ele

diferente e inesperado, o que inviabiliza desde logo a aplicação da subtracção

de fundo como método de detecção de objectos.

Dado que os sinais de trânsito que se pretendem detectar assumem

predominantemente a cor vermelha e azul, a detecção ocorrerá através da

técnica de segmentação da imagem. Após a aplicação desta técnica, será

necessário percorrer todos os píxeis de toda a imagem para localizar quais

possuem uma destas duas cores.

Em cada imagem são procuradas áreas que possuam tons de vermelho

ou azul, resultando numa imagem onde os píxeis têm valores de zero e um:

“Zero” corresponde ao preto e significa que a cor presente na imagem captada

não se tratava de vermelho nem azul e “um”, branco, significa que o píxel

apresentava a cor azul ou vermelha. A Figura 3.1 ilustra a técnica de

segmentação de imagem aplicada a um conjunto de sinais de trânsito, sendo a

Figura 3.1(a) a imagem original, a Figura 3.1(b) a segmentação da cor

vermelha e a Figura 3.1(c) a segmentação da cor azul.

CAPÍTULO 3 - Detecção


(a)

(b) (c)

As cores vivas que pretendem realçar os sinais trânsito não são

exclusivamente utilizadas por eles. Infelizmente, em toda a sua área envolvente

é comum o aparecimento de espectros coloridos. Os centros urbanos são

constituídos por inúmeros semáforos, tornando-se o vermelho um alvo possível

de detecção como sinal. Além disso, os automóveis que circulam nas estradas

ou que se encontram estacionados serão permanentemente detectados como

sinais, bastando para isso ser de cor vermelha, azul, ou simplesmente estarem

a travar pois a luz de stop é vermelha. Nos passeios, as pessoas que circulam

com calças, casacos, camisas etc., de cor azul ou vermelha são também

captadas pelo sistema (Figura 3.2).

Figura 3.1 - Segmentação da cor vermelha e azul

Figura 3.2 - Exemplo da cor vermelha e azul presentes em diversas situações



Como demonstrado, a simples detecção requer uma capacidade de filtrar

as imagens realmente pretendidas daquelas que possuem características

aceitáveis para a detecção mas que saem do enquadramento final pretendido.

Posteriormente serão analisadas técnicas para esse efeito.

A detecção é o primeiro de três passos para se obter um correcto

reconhecimento de sinais de trânsito. Após a captura e respectiva detecção de

zonas que possivelmente contenham sinais, o próximo passo consiste em

extrair delas apenas o sinal, isolando-o. Assim, qualquer processamento que

se execute incidirá apenas nos píxeis que compõem o sinal e não em toda a

imagem. O facto do número de píxeis a ser analisado ser substancialmente

mais reduzido relativamente à totalidade da imagem que lhe deu origem,

tornará o método mais rápido.

Por fim, efectuando uma extracção e análise às características presentes

num sinal, como a cor, forma geométrica e padrão, o sinal é finalmente

reconhecido. Para melhor elucidar todo este processo, a Figura 3.3 contém um

diagrama de blocos que mostra as 3 fases principais da detecção e

reconhecimento de sinais de trânsito.

Figura 3.3 - Três fases que compõem o sistema de detecção e reconhecimento de sinais



3.1. Segmentação por cor

As imagens capturadas pela câmara estão no modelo de cor RGB que

utiliza as três cores primárias (vermelho, verde e azul) para assim gerar a cor

pretendida. Apesar de amplamente usado na computação, este modelo não

apresenta resultados convincentes quando os três planos são processados

independentemente uma vez que as intensidades em cada plano são alteradas

de forma diferente originando assim numa adulteração de intensidades

relativas entre eles. Se for necessário processar parte de informações de uma

imagem que se encontra com diferente iluminação das restantes, torna-se

muito complicado compensar essas diferenças para assim conseguir um bom

processamento na imagem, sendo este modelo muito sensível a variações de

luminosidade [19].

Para contrariar este obstáculo, uma das soluções passa por usar um

modelo de cor que consiga lidar correctamente com diferentes iluminações. Um

bom exemplo é o modelo de cor HSV [21]. Este modelo, ao contrário do RGB,

é perceptualmente uniforme. Isto é, ao alterar-se os valores de cada uma das

suas três componentes (Tonalidade, Saturação e Intensidade), a cor final varia

de uma forma uniforme e esperada. Torna-se, portanto, mais fácil e intuitivo

para o ser humano conseguir atingir uma cor específica. Posto isto, a imagem

obtida através da câmara é convertida para o modelo de cor HSV e efectuada a

respectiva segmentação no modelo de cor HSV, visto tratar-se de um modelo

cujas cores são menos susceptíveis a variações de luminosidade [11].

No modelo de cor HSV, apenas através da componente Tonalidade é

possível aferir a presença de uma das duas cores. Como é visível na Figura

3.4, para a obtenção da cor vermelha basta restringir os valores da tonalidade

de 0º a 15º bem como de 345º a 360º. No caso da cor azul, a gama de valores

situa-se entre os 230 e os 250º.

Figura 3.4 - Componente tonalidade do modelo de cor HSV



Contudo, verificou-se a existência de muitas zonas com tons de azul

Figura 3.5 e vermelho Figura 3.6, presentes no ambiente livre como é o caso

de uma via pública.

Posto isto, sentiu-se necessidade de aperfeiçoar um pouco mais a

segmentação e não deixar simplesmente passar todas as gamas de vermelho

e azul independentemente da sua saturação e intensidade. Para isso, foram

analisadas as três componentes do modelo HSV de um conjunto de sinais em

ambiente real. Tal análise foi necessária porque, com imagens gravadas e

nítidas, o vermelho e azul apresentados são puros, situação que raramente é

constatada na realidade. Através dessa análise, foi possível averiguar a gama

de valores que normalmente os sinais presentes em diversas situações na via

apresentavam. A Figura 3.7 e Figura 3.8 mostram a diferença entre a

segmentação de apenas a componente Tonalidade (Figura 3.5 e Figura 3.6) e

uma segmentação onde são analisadas as três componentes do modelo HSV.

Figura 3.5 - Segmentação da cor azul através de apenas um elemento do modelo de cor HSV

Figura 3.6 - Segmentação da cor vermelha através de apenas um elemento do modelo de cor HSV



Nas imagens anteriores é visível que ajustando os valores de Tonalidade,

da Saturação e da Intensidade, obtém-se uma gama de vermelho e azul mais

restrita. Isto tornará o sistema mais rápido porque conterá menos zonas para

analisar, e mais fiável pois terá menos situações onde se possa confundir com

um sinal. Apesar de a cor ser uma grande vantagem para detectar os sinais

presentes numa via, isso não é o suficiente pois como foi referido

anteriormente, existem inúmeros objectos passíveis de serem detectados, mas

que na verdade não são sinais. Este tipo de objecto é chamado de falso

positivo.

3.1.1. Dificuldades na detecção de sinais

Apesar de à primeira vista a detecção de um sinal parecer uma tarefa um

pouco elementar dado que os sinais são visivelmente vermelhos e azuis, tal

missão não é assim tão evidente. Existe um conjunto de adversidades

inerentes a um ambiente livre que dificultam em demasia esta tarefa.

Um dos exemplos mais flagrantes é a altura do dia. Com o cair da noite,

Figura 3.7 - Segmentação da cor azul através dos três elementos do modelo de cor HSV

Figura 3.8 - Segmentação da cor vermelha através dos três elementos do modelo de cor HSV



as cores tornam-se mais escuras e deixa de ser tão perceptível a diferença

entre elas. A luz solar perde intensidade e como os objectos não têm cor

própria, apenas reflectem a luz que neles incide. Se esta não existir ou

simplesmente existir em pouca quantidade a cor que os objectos apresentam é

diminuta tornando-os escuros.

No entanto, mesmo durante o dia, a percepção que se tem da cor de um

sinal nem sempre é a mesma. Esta depende muito da posição do sinal. Veja-se

o exemplo da Figura 3.9, em que o mesmo tipo de sinal se encontra em duas

localizações diferentes, na mesma altura do dia (as imagens diferem de apenas

alguns minutos).

À esquerda da Figura 3.9, o sinal encontra-se por debaixo de uma densa

vegetação, o que torna o seu vermelho demasiado escuro e quase

imperceptível. Do lado direito da mesma figure é visível um vermelho vivo,

dado que o sinal se encontra completamente exposto ao sol.

Esta mudança de intensidade de vermelhos dificulta muito o trabalho de

detecção de sinais. Se o intervalo de cor for amplo, é inevitável o aparecimento

de muitos falsos positivos mas se pelo contrário, o intervalo de cor for mais

restrito, implicará que sinais que se encontrem em zonas sombrias, passem

despercebidos e não sejam detectados. No entanto, é preferível a detecção de

várias zonas e posteriormente constatar que de facto não se trata de um sinal.

A solução passa pela utilização por uma gama de valores intermédia, por

um sensor de luminosidade instalado na câmara que permita adequar a gama

Figura 3.9 - Sinais com diferentes intensidades de iluminação



de valores de captação das cores de acordo com a luminosidade presente no

local da detecção e posteriormente por um conjunto de técnicas fiáveis para

assim descartar o máximo número de falsos positivos. A Figura 3.10 ilustra a

situação mais favorável onde o equilíbrio entre luminosidade, brilho das cores e

contraste do fundo permitem um bom isolamento dos sinais de trânsito de todo

o resto da imagem, bem como a sua clara detecção.

Se a noite complica substancialmente a detecção de sinais, a presença

do sol nem sempre é sinónimo de uma detecção perfeita. Surgem situações em

que o sol se encontra por detrás do sinal e, apesar de muitas vezes passar

despercebido a um condutor, causa inúmeras dificuldades na detecção. A

Figura 3.11 demonstra esse efeito.

A sequência de imagens da Figura 3.11 mostra que o sol, quando está

presente na imagem, torna-a inutilizável para ser processada

convenientemente. Este fenómeno pode ocorrer com alguma frequência a

determinadas horas do dia, sendo dificilmente solucionável nas condições

actuais de captura de imagens. Na Figura 3.12(b) é visível como a cor do sinal

Figura 3.10 - Sinais com intensidade de iluminação perfeitas

Figura 3.11 - Sinal com o sol por trás



se altera quando o sol se encontra na retaguarda do sinal. Já a Figura 3.12(a)

mostra o sinal com uma cor mais natural, sem interferência directa da luz do

sol.

(a) (b)

3.1.1.1. Obstrução e Oclusão

Em muitas situações os sinais de trânsito não se encontram

completamente visíveis. Se um condutor por vezes sente dificuldades em

observar um sinal de trânsito, em situações que este se encontra parcialmente

obstruído por um objecto, automóvel ou por vegetação, um sistema automático

terá muitas mais dificuldades. Na Figura 3.13 é patente esta situação, em que a

vegetação só permite a visualização da totalidade do sinal, apenas quando o

veículo se encontra muito próximo do mesmo.

Na sequência de imagens da Figura 3.13, o sinal de limite de 50km/h

Figura 3.12 - Sinal de STOP com a cor viva (a) e substancialmente mais escura (b)

Figura 3.13 - Sinais obstruídos por vegetação



começa a ser visível tardiamente e o de aproximação de rotunda nunca chega

a ser completamente visível. Este e outro tipo de oclusões são frequentemente

constatados nas estradas portuguesas, o que impossibilita muitas vezes a

detecção correcta de todos os sinais.

3.1.1.2. Deterioração dos sinais

Mesmo que a maioria das vezes os sinais estejam completamente

desobstruídos, há situações em que a detecção se torna complexa na medida

em que alguns sinais de trânsito apresentam sinais evidentes de deterioração e

perda de cor. Isto deve-se fundamentalmente à sua exposição solar, aos

agentes erosivos e em algumas das vezes a actos de vandalismo, como

mostra a Figura 3.14.

A possibilidade de abdicar da segmentação por cor foi colocada em

prática. Como a cor que os sinais apresentam é susceptível a várias

adversidades, um dos métodos estudados foi analisar a forma geométrica

presente nos sinais detectados sem efectuar qualquer segmentação por cor.

Para isso usou-se a função disponível na biblioteca OpenCV cvCanny() que,

definindo uma determinada histerese (threshold), permite simplesmente obter o

rebordo dos objectos. No entanto, foi notória a dificuldade do sistema

diferenciar os objectos (Figura 3.15).

Figura 3.14 - Sinais sujeitos à exposição solar e vandalismo



Apesar de várias contrariedades inerentes à cor apresentada pelos

sinais de trânsito, a segmentação por cor mostrou ser, de facto, a principal

forma de diferenciação dos demais objectos presentes na via.

3.2. Binarização por histerese (threshold)

Tal como referido no capítulo 2, a binarização de uma imagem é a

atribuição aos píxeis de uma determinada imagem apenas de dois valores

possíveis: zero e um, através de uma técnica de histerese. Com isto, obtém-se

uma imagem a preto e branco onde se torna mais simples e rápido a sua

analise, uma vez que a imagem deixa ter um conjunto variado de valores

possíveis para cada píxel.

No caso do modelo usado para a segmentação da imagem (o modelo

HSV), cada píxel é composto por três componentes: Tonalidade, saturação e

intensidade. Para uma eficaz binarização, o valor de cada píxel é analisado

para verificar se a cor por ele representado é vermelha ou azul. Se a cor

apresentada estiver na gama de valores correspondente a uma destas duas

cores, com a respectiva saturação e intensidade desejadas, esse píxel tornar-

se-á branco. Caso contrário, será preto. O resultado será uma imagem a preto

e branco, de apenas um canal.

Figura 3.15 - Aplicação do método Canny



(a)

(b) (b)

Como seria de esperar, na Figura 3.16 são visíveis algumas zonas que

sofreram uma segmentação para além dos sinais pretendidos. Tal como já foi

referido, um sinal não apresenta sempre a mesma intensidade de cor. É

necessário manter uma gama de valores mais ampla para assim conseguir

detectar sinais que estejam mais degradados ou que por exemplo estejam em

zonas sombrias. De qualquer das formas, todas as zonas serão examinadas

posteriormente.

3.3. Redução do tempo de processamento

Como o sistema proposto nesta tese pretende informar o condutor, em

tempo real, da presença de um sinal, o tempo de processamento é muito

importante. Quando um sinal se torna perceptível ao sistema, este deverá ter a

rapidez necessária de informar o condutor da sua presença, para que assim o

consiga advertir de um possível perigo ou alguma restrição.

Figura 3.16 – Imagem original (a) e imagem binária após segmentação vermelha (b) e azul (c)



Analisando a forma de como os sinais surgem ao longo da via, verifica-se

que estes surgem do lado direito do condutor e sempre a uma altura

relativamente constante.

Posto isto, processar toda uma imagem revelou-se um consumo de tempo

computacional desnecessário. É escolhida uma regiao de interesse (ROI) e a

partir daí efectua-se a segmentaçao na zona pretendida. De salientar que os

sinais aparecem numa espécie de cone, abrindo à medida que se aproximam

do veículo. No entanto, para processar a imagem dessa forma seriam gastos

mais recursos do que processar o rectângulo como mostra a Figura 3.17.

3.4. Conclusões

Os sinais de trânsito foram concebidos de forma a contrastar com os

demais objectos presentes num ambiente livre. Embora existam inúmeras

adversidades inerentes a um ambiente livre, a melhor forma de tirar proveito

dessa característica é efectuar uma segmentação por cor. Esta técnica revelou-

se suficientemente rápida o que permite uma poupança de tempo para as

restantes fases do sistema. Embora não tenham sido realizados testes com o

Figura 3.17 - Redução da área de pesquisa de sinais



modelo de cor RGB, o modelo HSV mostrou-se fiável possibilitando uma

segmentação apurada.

A aplicação de outras técnicas de detecção de sinais não baseadas na

cor pode também ser valorizada com vista a resolver o problema da não

detecção de sinais cujas bordas não apresentem a cor vermelha nem azul,

como é o caso do sinal de “fim de todas as proibições impostas anteriormente

por sinalização a veículos em marcha” entre outros como os apresentados na

Figura 3.18

Figura 3.18 - Sinais que não possuem bordas coloridas


CAPÍTULO 4

Classificação

O objectivo desta fase consiste em agregar os sinais detectados por

classes. Esta divisão permite agregar os sinais cujas características são

comuns, com vista a um reconhecimento mais rápido. Com a segmentação por

cor realizada, o próximo passo consiste em analisar os sinais quanto à sua

forma geométrica. Estes podem assumir a forma de um triângulo, círculo,

rectângulo, octógono ou ainda de um quadrado. A Figura 4.1 ilustra essa

divisão.

A combinação entre a cor e a forma do sinal detectado pelo sistema

permite identificar o tipo de sinal e incluí-lo numa das cinco possíveis classes:

Triângulo + vermelho

Círculo + vermelho

Círculo + azul

Quadrado + azul

Rectângulo + azul

A formação de mais duas classes relativamente aos sinais identificados a

violeta na Figura 4.1 é desnecessária visto que são sinais únicos. Não havendo

Figura 4.1 - Divisão dos sinais quanto à sua cor e forma

CAPÍTULO 4 - Classificação


mais nenhum igual a si, a sua identificação é imediata.

A criação de classes consoante o tipo de sinal (“Perigo”, “Obrigação”, etc.)

tal como mostra a Figura 4.2 foi pensada não ser a melhor opção. Muitas vezes

é efectuada a associação da forma e cor ao tipo de sinal mas esta associação

não é assim tão simples.

Os sinais do tipo “Cedência de passagem” são constituídos por diferentes

cores e formas geométricas, o que poderia criar alguma confusão na atribuição

de classes, tal como se pode observar na Figura 4.3.

Um dos exemplos é o caso de um sinal cuja sua forma geométrica é um

triângulo e a cor que o forma é o vermelho. Dado que existem sinais do tipo

“Cedência de Passagem” que também possuem estas cores em particular, este

sinal não poderá ser associado directamente aos sinais de perigo. Somente no

caso de sinais cuja forma é um círculo azul, é que se poderá associar a um

sinal de Obrigação, pois tais características apenas estão presentes neste tipo

de sinalização. Em todos os outros casos, há possibilidade de se tratar de mais

do que um tipo de sinal.

4.1. Contornos

Como já foi referido anteriormente, a presença das cores vermelha ou

Figura 4.2 - Classificação de sinais

Figura 4.3 - Sinais do tipo Cedência de Passagem



azul não são restritas à sinalização rodoviária pelo que existem inúmeros

objectos que sobrevivem à binarização originando assim falsos positivos que

posteriormente necessitam ser excluídos. Para isso desenvolveram-se técnicas

que permitem não só descartar esses falsos positivos presentes nas imagens

mas também identificar e classificar de forma correcta e eficiente todos sinais

nelas presentes.

O contorno a um objecto é um bom princípio para se obter informações

importantes tendo em vista a sua futura identificação. É efectuado apenas na

imagem binária para que este incida meramente sobre os elementos de cor

vermelha e azul. Com a sua formação, é possível extrair a área que o sinal

ocupa.

Embora o método Canny e Sobel sejam os dois métodos mais usados no

que diz respeito a um sistema de detecção e reconhecimento de sinais de

trânsito [15] [11] [22] [4] [13] neste trabalho optou-se pela utilização da função

“cvFindContours()” também disponibilizada pela biblioteca OpenCV, tal como

os métodos Canny e Sobel. Esta função, ao contrário dos métodos

mencionados, para além de identificar os contornos dos objectos permite

identificar a área que estes ocupam bem como a sua posição, como mostra a

Figura 4.4. Como os sinais possuem todos eles uma forma geométrica

conhecida e bem delineada, optou-se por usar a função “cvApproxPoly()” que

permite uma aproximação dos contornos a polígonos, aperfeiçoando-os.

Figura 4.4 - Área do contorno de diversos sinais

Dim: 90x90

Área: 6281

Dim: 90x90

Área: 6357

Dim: 90x90

Área: 7837

Dim: 90x90

Área: 4189

Dim: 90x90

Área: 4189



Como seria de esperar, o tamanho que um sinal apresenta no decorrer de

uma viagem não é constante, alterando-se consoante a sua distância ao

sistema de reconhecimento de sinais de trânsito. Quando um sinal é

descoberto, possui um tamanho bastante reduzido e à medida se aproxima,

assume um tamanho gradualmente maior o que por sua vez implica uma área

também superior (Figura 4.5).

Posto isto, foi definido um intervalo que permite comparar a área dos

sinais detectados. Na sequência de imagens anterior, o sinal de “Cedência de

Passagem” (B7 - aproximação de rotunda) situado em cima foi detectado

posteriormente ao sinal do tipo “Proibição” porque a área do seu contorno

ainda não tinha entrado no intervalo de valores pretendido, ao invés do sinal

imediatamente por baixo que possui uma área maior. É visível que pouco

Figura 4.5 - Aproximação de sinais de trânsito



depois o sinal atingiu as dimensões necessárias e foi então detectado pelo

sistema.

Se o valor da área não respeitar o intervalo de valores pretendidos, é

automaticamente descartado visto se tratar de um objecto demasiado grande

ou com dimensões bastante reduzidas. Se realmente tratar-se de um sinal de

pequenas dimensões, significa que ainda se encontra bastante distante pelo

que o melhor procedimento é aguardar que atinja dimensões esperadas que

permitam a extracção de características para assim se proceder à sua

classificação.

Na Figura 4.6 os contornos existentes não possuem a área pretendida

para que seja necessária a aplicação de técnicas de reconhecimento de sinais

de trânsito ou simplesmente para descartar possíveis falsos positivos. São

imediatamente ignorados sem que para isso seja necessário despender

qualquer tipo de custo computacional.

4.2. Centro de massa

A posição do centro de massa é determinada através do contorno, pelo

que o interior do sinal em nada interfere no seu centro de massa. Como é

visível na Figura 4.7, onde estão representados quatros sinais distintos do tipo

“Perigo”, todos os centros de massa coincidem na mesma posição

relativamente ao contorno do sinal:

Figura 4.6 - Contornos efectuados após segmentação da cor vermelha



O centro de massa esperado nos sinais do tipo “STOP”, “Proibição”

(círculos) e “Informação” (quadrados e rectângulos) é exactamente a meio da

altura e largura do sinal. No entanto, no caso dos triângulos, o centro de massa

não se localiza exactamente no centro (Figura 4.8):

Apesar da coordenada “x” do centro me massa dos triângulos continuar a

ser a meio do valor da largura do sinal (50%), a coordenada “y” varia um pouco

consoante o posicionamento do triângulo. No caso de sinais do tipo “Perigo”, a

coordenada “y” do centro de massa poderá ser de aproximadamente 35% do

valor da altura do sinal. No caso do sinal de “Cedência de passagem”, a

mesma coordenada assume valores na ordem dos 35% do valor da altura do

sinal.

Com uma pré-análise ao respectivo posicionamento do centro de massa

de cada sinal, é possível saber aproximadamente o local onde se encontra o

centro de massa. Posto isto, se o centro de massa de um determinado objecto

surgir numa posição não prevista, significará que se está na presença de um

falso positivo, excluindo-o desde então. A Figura 4.9 exemplifica essa situação.

Figura 4.7 - Centro de massa de quatro sinais de Perigo distintos

Figura 4.8 – Centro de massa de dois sinais triangulares



4.3. Relação caixa delimitadora e área do contorno

Aos objectos que respeitem o intervalo de valores referente à área

estabelecida, é desenhado uma caixa que os limita. Através do contorno

efectuado ao sinal, é possível obter as coordenadas do objecto e com isto

construir uma caixa que o isole de toda a imagem (Figura 4.10).

Calculando a área da caixa delimitadora e relacionando-a com a área do

contorno, é possível aferir que tipo de sinal se trata. A Figura 4.11 mostra isso

mesmo:

Figura 4.9 - Centro de massa esperado em diversos objectos

Figura 4.10 - Caixa delimitadora aplicada a diferentes sinais de trânsito

Figura 4.11 - Relação entre as áreas da caixa delimitadora e do contorno



Como é elucidativo na Figura 4.11, é possível distinguir através desta

relação de áreas os diferentes sinais de trânsito. A dúvida recai somente sobre

os sinais triangulares visto que ambos possuem uma relação de

aproximadamente 52%. Recorrendo ao centro de massa, tal incerteza será

desfeita na medida em que a componente “y” do centro de massa do sinal de

“Cedência de Passagem” encontra-se a aproximadamente 35% do valor da

altura do sinal e no caso dos outros sinais triangulares, localiza-se a 65%

desse mesmo valor da altura (Figura 4.12).

Mesmo admitindo um intervalo de valores para cada uma destas

relações, este método mostrou-se pouco fiável quando actua sozinho. Existe

um extenso número de falsos positivos cuja relação entre a área do contorno e

a caixa delimitadora coincide com as formas geométricas assumidas pelos

quatro formatos de sinais de trânsito (Figura 4.13).

(a)

Figura 4.12 - Diferença entre os centros de massa de um sinal de perigo e de cedência de passagem



(b)

(c)

4.4. Relação altura vs largura

Um outro método para descartar falsos positivos é a relação entre a altura

e a largura da caixa delimitadora de um objecto. Os sinais que se pretendem

identificar possuem uma relação entre a altura e a largura no intervalo (1,2). A

Figura 4.14 ilustra esta relação:

Este tipo de ilação permite descartar muitos falsos positivos que

anteriormente teriam ultrapassado tanto a fase em que a área do contorno

estava dentro dos valores desejados bem como a fase da relação entre a caixa

Figura 4.13 – Detecção de falsos positivos que seriam confundidos com (a) triângulo, (b) e (c) círculos

Figura 4.14 - Relação entre altura e largura de quatro objectos distintos



delimitadora e o contorno do objecto.

Na Figura 4.15 está ilustrado um objecto cuja relação entre a área do

contorno e a área da caixa delimitadora é de 73%. Sem qualquer outro método

aliado à relação entre as áreas da caixa delimitadora e contorno, o sistema

identificaria o objecto como sendo um círculo. No entanto, a relação entre a

altura e a largura não se encontra no intervalo (1,2). Como a largura do objecto

é bastante superior à altura, conclui-se que não se está perante um sinal.

Contudo, este tipo de relação não permite afirmar com toda a certeza que

se trata de um sinal, nem aferir que tipo de sinal representa. Apenas permite

descartar falsos positivos que não respeitem as dimensões desejadas.

4.5. Detecção de vértices

Como foi referido anteriormente, os sinais apresentam cinco tipos de

formas geométricas e todas elas possuem diferente número de vértices com a

excepção do quadrado e do rectângulo. Contudo, analisando os vértices de um

determinado objecto ajudará na detecção de falsos positivos, bem como

confirmar a presença de um sinal (Figura 4.16).

Figura 4.15 - Rejeição de falso positivo



Facilmente se poderá associar a presença de três, quatro e oito vértices à

presença de um triângulo, quadrado e octógono respectivamente.

4.6. Radiais

Dado que frequentemente surgem diversos objectos na imagem e que a

aplicação do método acontece em tempo real, é de extrema importância reduzir

o tempo computacional desta técnica. Embora consuma poucos recursos

computacionais, quanto mais rápido esta técnica for posta em prática, mais

acelerado será o sistema.

A solução passa por reduzir ao máximo o número de radiais, para

conseguir conciliar o menor tempo de processamento com uma correcta

identificação da forma do sinal. Como o contorno dos sinais são todos eles

pares (simétricos em relação ao eixo vertical), optou-se por reduzir as radiais

para metade e aplicá-las a apenas um dos lados do sinal. Optou-se pelo lado

esquerdo porque quando um sinal está parcialmente encoberto, essa obstrução

ocorre normalmente sobre o lado direito, deixando o lado esquerdo intacto.

Mesmo assim, a informação devolvida pelas radiais continua a ser excessiva

na medida em que não é necessário obter a informação do raio de

aproximadamente um em um grau. Desta forma, o número de radiais foi

reduzido para sete.

Figura 4.16 - Detecção de vértices em diferentes sinais



Com apenas sete radiais é possível determinar a forma que o sinal

possui. Assim, o tempo de processamento é substancialmente menor do que o

inicialmente previsto. A primeira radial é obtida com um ângulo de 90º em

relação ao eixo horizontal. As seguintes são desenhadas com 30º de

desfasamento, no sentido anti-horário. A forma como as radiais se dispõem nos

sinais, permite que incidam nos vértices dos triângulos (Figura 4.17).

O valor de cada uma das radiais é guardado num vector para ser

analisado e comparado. As radiais são comparadas entre si e é verificada a

correspondência a uma forma geométrica pretendida. Como os sinais nem

sempre possuem o mesmo tamanho, em primeiro lugar é identificada a altura e

largura do sinal para que seja possível relacionar as radiais de forma

percentual.

Numa tentativa de reduzir ainda mais o tempo de processamento, as sete

linhas traçadas não são efectuadas píxel a píxel, mas sim de dois em dois

píxeis. Assim, para desenhar uma linha de cujo comprimento é de, por

exemplo, 30 píxeis, apenas são desenhados 15. O ideal seria obter um

intervalo ainda maior entre cada píxel. No entanto tal não é possível porque a

margem de erro poderá ir até aos 6 píxeis o que interfere consideravelmente no

valor do final (Figura 4.18).

Figura 4.17 - Representação de radiais em diferentes sinais triangulares



A classificação de sinais permite, em primeiro lugar, descartar os falsos

positivos presentes na imagem. Estes falsos positivos embora apresentem

algumas características de interesse, como a cor e tamanho, não possuem

todas as particulares inerentes a um sinal, logo são rejeitados.

Sem pesados métodos de processamento de imagem, é possível

identificar que tipo de sinal se trata e, através de características similares,

agrupá-los por classes.

Após a detecção de um sinal é necessário reconhecê-lo perante todos os

sinais existentes. Esta pesquisa é tanto ao quanto mais rápida, quanto menor

for o número de sinais possíveis. Ao agrupar os sinais por classes, o

reconhecimento apenas incidirá nos sinais da mesma classe e não em todos

eles. Assim, a performance do sistema aumenta uma vez que o tempo

computacional a ser gasto é menor.

Por outras palavras, se o sinal identificado for, por exemplo, um triângulo

o seu reconhecimento recairá somente pelos sinais do tipo “Perigo” e

“Cedência de Passagem” (pois também existem sinais triangulares nesta

classe). Assim não é necessário comparar com os sinais do tipo “Proibição”,

“Informação” nem “Obrigação”. O mesmo acontecerá para as restantes classes

de sinais. Assim, o tempo de processamento é substancialmente reduzido bem

como a taxa de erro.

De salientar que através das técnicas idealizadas, e ainda na fase de

Figura 4.18 - Representação de apenas sete radiais por sinal



classificação, os dois principais sinais presentes nas estradas portuguesas já

são reconhecidos de entre todos os outros. São eles o Sinal de “STOP” e o de

“Cedência de Passagem”. Estes dois sinais não precisam de mais qualquer tipo

de processamento, ao invés dos restantes que com a classificação apenas é

identificada a classe a que pertencem.

4.7. Conclusões

A fase da classificação obteve resultados bastante satisfatórios. A

aplicação de vários métodos que visam eliminar a presença de falsos positivos

bem como classificar os sinais quanto à sua forma e cor mostrou-se muito útil,

garantindo à partida uma redução de tempo de processamento inerente à

última fase do sistema implementado. Todas as técnicas aplicadas para a

classificação dos sinais não necessitaram de qualquer redimensionamento das

imagens obtidas. De realçar a quantidade de objectos que, apesar de

sobreviverem à técnica de segmentação, não representam sinais de trânsito.

Os sinais que representam maior importância no sistema de circulação

rodoviária, são eles o sinal de cedência de passagem e de STOP, estão a partir

desta fase reconhecidos.

A técnica da aplicação das radiais demonstrou ser a mais fiável no

capítulo da classificação. Foi a que, quando colocada em prática em ambiente

livre, juntamente com todas as adversidades que lhe são reconhecidas,

mostrou resultados mais satisfatórios. Para além de descartar praticamente

100% dos falsos positivos detectados, este método identifica a forma do sinal,

como sendo um triângulo, um círculo, um rectângulo ou um quadrado.


CAPÍTULO 5

Reconhecimento

Após a fase da detecção e consequente divisão dos sinais por classes,

surge por fim a fase do reconhecimento. Reconhecer significa conhecer algo

novamente, o que implica uma base de conhecimento e armazenamento prévio

de características intrínsecas ao objecto a ser reconhecido. É aqui que surge

um cruzamento entre os sistemas de visão computacional e a inteligência

artificial.

Uma das principais funções da área de visão computacional é o

reconhecimento de objectos [23] [24] [25]. Este reconhecimento está

directamente relacionado com o reconhecimento individual de padrões que tem

como objectivo facilitar o reconhecimento do objecto como um todo.

Para um correcto reconhecimento de sinais de trânsito, é obrigatório a

análise ao padrão do sinal. Embora o contorno diferencie as classes dos sinais,

é a figura padrão que se encontra no interior do sinal que permite a sua

distinção entre os demais da mesma classe. É então necessária uma correcta

avaliação do seu interior para assim comparar com as informações

previamente adquiridas.

5.1. Dificuldades no reconhecimento de sinais de trânsito

Aquando o reconhecimento de sinais de trânsito, podem ocorrer

problemas quando surgem sinais cujo padrão é o mesmo, como é o caso dos

sinais presentes na Figura 5.1:

CAPÍTULO 5 - Reconhecimento


Contudo, os padrões aparecem em sinais de diferentes classes. Dado

que foi efectuada uma classificação anteriormente, tal problema é facilmente

contornado.

Outro dos problemas relaciona-se com a discordância de padrões entre

sinais com a mesma informação. Visto não ser respeitada a normalização dos

sinais existentes nas estradas portuguesas, é frequente avistar-se sinais que,

apesar de possuírem a mesma função, têm distintas figuras que o diferenciam.

5.2. ROI

Após a aquisição da imagem, esta sofre um processo de segmentação

por cor e correspondente imagem binária. Em seguida é efectuado o contorno

nas regiões desejadas onde são aplicados um conjunto de técnicas que visam

descartar falsos positivos e identificar a forma do sinal.

Figura 5.1 - Sinais com figuras padrões iguais

Figura 5.2 - Mesmos sinais com diferentes figuras padrão



A posição que o sinal ocupa na imagem é identificada através da caixa

que o delimita e recorre-se à imagem inicial, com as respectivas coordenadas,

para extrair simplesmente o sinal. Assim é criada uma imagem cujas

dimensões são pautadas pelo tamanho que o sinal apresenta na realidade.

Apesar de algumas características do sinal já terem sido tomadas em

atenção, apenas se tornam suficientes para a identificação da forma e

corresponde classificação. É necessário então outro tipo de abordagem ao

sinal para assim conseguir analisar o seu conteúdo.

5.3. Análise da figura padrão

Para o reconhecimento de padrões presentes nos sinais de trânsito é

necessária a construção de uma base de dados que possua os sinais

susceptíveis a serem reconhecidos. Como normalmente a comparação de

imagens é um processo demorado, qualquer estratégia que permita reduzir a

lista de sinais candidatos, sem com isso consumir muito tempo computacional,

intitula-se como uma mais-valia no que diz respeito a um melhoramento do

desempenho geral do sistema.

A divisão dos sinais de trânsito por classes permite que a pesquisa a ser

efectuada com o intuito de reconhecer o sinal incida exclusivamente na classe

pretendida e não num conjunto alargado de sinais. E, em quantas mais classes

Figura 5.3 - Criação de um ROI a partir da imagem original



for possível dividir os sinais existentes, melhor será a eficácia do sistema.

Tendo em vista um aumento do rendimento do sistema, foi efectuada uma

análise aos padrões para quantificar o número de píxeis que o formam bem

como a sua localização tendo em conta o tamanho do sinal.

Concluiu-se que o número de píxeis presentes varia consideravelmente,

bem como a sua posição no interior do sinal. Posto isto, faz sentido a criação

de subclasses de sinais consoante a quantidade de píxeis que constituem o

seu padrão bem como a sua localização. Veja-se o exemplo da Figura 5.4:

Analisando os padrões dos dois sinais acima representados, facilmente

se depreende que o da esquerda é substancialmente mais denso que o da

direita. Para uma mesma área de contorno do sinal, existe uma diferença de

mais de três vezes o número de píxeis que compõem os sinais. Dessa forma,

embora estes dois sinais pertençam à mesma classe, uma vez que ambos são

triângulos com suas bordas vermelhas, a comparação destes dois padrões

para o respectivo reconhecimento do sinal é perfeitamente desnecessária.

5.3.1. Análise da forma da figura padrão

Para analisar o padrão correspondente a cada sinal de trânsito é

efectuada a extracção do seu interior através de uma nova segmentação da cor

preta ou branca, dependendo da classe do sinal (Figura 5.5 a Figura 5.8).

Figura 5.4 - Representação da figura padrão de dois sinais de perigo



Figura 5.5 - Segmentação da figura padrão de sinais triangulares

Figura 5.6 - Segmentação da figura padrão de sinais circulares vermelhos

Figura 5.7 - Segmentação da figura padrão de sinais circulares azuis

Figura 5.8 - Segmentação da figura padrão de sinais quadrangulares azuis



5.3.2. Dificuldades na análise da figura padrão

A segmentação quando efectuada a sinais cuja forma é diferente de um

quadrado ou rectângulo, não pode ser realizada directamente sobre o ROI

dado que as dimensões deste são obtidas através da altura e largura do sinal.

No caso de sinais triangulares e circulares, o sinal não ocupa a totalidade do

ROI e quando se recorre à imagem inicial para obter o sinal a reconhecer,

raramente este surge isolado de objectos ou vegetação. Quase sempre são

visíveis píxeis semelhantes aos pretendidos pela segmentação do padrão, o

que inviabiliza uma correcta segmentação do interior do sinal (Figura 5.9).

Ao efectuar uma segmentação da cor preta a estes sinais, bem como a

aplicação da respectiva imagem binária, o resultado não apresentará apenas

os píxeis pretos correspondentes à figura padrão do sinal, mas também o preto

relativo ao ambiente que envolve o sinal como é visível na Figura 5.10.

Perante isto, é necessário eliminar todos os píxeis que envolvem o sinal

para que seja possível a obtenção de sinais sem quaisquer píxeis no exterior

que possam colocar em causa uma segmentação perfeita.

Figura 5.9 - Sinais que não ocupam a totalidade do ROI



Um dos métodos estudados foi percorrer cada linha de píxeis da imagem

do exterior para o interior até encontrar a cor vermelha/azul que significa a

borda do sinal. Se esta não for encontrada, o valor do respectivo píxel é

colocado a “1” (branco) e avança para o píxel seguinte. Se por outro lado, a

borda do sinal for encontrada (vermelho/azul), o sistema muda de linha e

recomeça novamente o processo sucessivamente até percorrer todo o sinal de

cima para baixo.

Contudo, por vezes surgem objectos vermelhos/azuis por detrás do sinal,

o que inviabilizava esta técnica uma vez que quando se encontra a cor

vermelha/azul o sistema interpretava como sendo a borda do sinal, embora não

o fosse, e entre esse objecto e o sinal continuavam a surgir píxeis da mesma

cor que o interior do sinal. Optou-se então por desenhar o contorno do sinal

não apenas na imagem binária como acontecera até aqui, mas também na

imagem principal o que fará com que o sinal seja limitado pelo contorno.

Ao percorrer a imagem do exterior para o interior, em vez de se verificar a

presença da borda do sinal, verifica a presença do seu contorno. O resto do

Figura 5.10 - Segmentação da figura padrão de diversos sinais de trânsito



processo desenrola-se como em cima mencionado. O resultado obtido está

ilustrado na Figura 5.11 onde é visível que todos os objectos/vegetação que se

encontravam em redor do sinal foram anulados, sendo assim possível obter

exclusivamente o sinal.

Como já foi referido, os sinais de trânsito estão sujeitos a inúmeras

intensidades luminosas. Não é possível efectuar uma segmentação demasiado

ríspida ao conteúdo do sinal, na medida em que por vezes os sinais

encontram-se em zonas mais expostas ao sol e o preto/branco vêm as suas

propriedades alteradas quando comparadas com o mesmo sinal à sombra.

Inclusive muitas vezes os sinais que estão completamente abrigados do sol

possuem a sua cor branca demasiadamente escura o que afecta

significativamente o tipo de segmentação. Posto isto, é necessário efectuar

uma segmentação controlada, para que se consiga obter a máxima quantidade

de preto desejável.

Principalmente devido ao ruído da imagem oriundo de oscilações

provocadas pelo movimento do veículo, mas também dada a qualidade da

imagem que é de apenas 640x480, por vezes a borda do sinal possui áreas

substancialmente mais escuras o que provoca o aparecimento de píxeis pretos,

visíveis após a segmentação e respectiva imagem binária:

Figura 5.11 - Várias etapas no isolamento do sinal de objectos exteriores



Uma das soluções passa por reduzir a gama de valores que segmenta a

cor preta. Isto é, apenas o que fosse realmente preto “limpo” é que seria

considerado como figura padrão do sinal. Contudo, dada a oscilação do

automóvel e aos agentes erosivos que deteriorarem os sinais presentes nas

vias públicas, alguns sinais apresentam um preto mais claro, muitas vezes

interpretado como cinza escuro. Para contornar este problema, idealmente

seria eliminar por completo a borda à semelhança do efectuado ao ambiente

externo ao sinal. Assim, todos os píxeis pretos existentes na imagem eram

restritos ao interior do sinal.

Para eliminar a borda, definiu-se uma espessura para o contorno que se

realiza ao sinal. Como os sinais assumem diferentes tamanhos consoante a

distância que possuem ao veículo, foi criada uma relação entre o tamanho da

borda e a espessura do contorno. Assim, à medida que o sinal se aproxima, o

contorno que inicialmente era estreito, assume valores cada vez maiores

acompanhando progressivamente o aumento da borda do sinal, como é visível

na Figura 5.13.

Figura 5.12 - Sinais cujas bordas contêm píxeis pretos



Com esta técnica é possível ocultar toda a borda de um sinal, impedindo

que esta interfira de forma negativa na segmentação do interior do sinal.

De salientar que quanto mais próximo o sinal for detectado, maior será o

padrão que o diferencia logo mais píxeis o constituem. Contudo, relacionando o

número de píxeis com a área do contorno, é possível ter uma relação

percentual do número de píxeis que compõem o padrão possibilitando o seu

estudo independentemente do tamanho assumido pelo sinal (Figura 5.14).

Figura 5.13 - Diferentes espessuras do contorno a sinal

Figura 5.14 - Relação entre os píxeis da figura padrão e a área do contorno

Píxeis Pretos: 497 Área Contorno: 4277

Relação: 8.61

Píxeis Pretos: 1537 Área Contorno: 133027

Relação: 8.65

Píxeis Pretos: 3133

Área Contorno: 27211 Relação: 8.69



Como seria de esperar, existe uma pequena variação da relação mas

como é bastante reduzida, acaba por não causar quaisquer transtornos na

aplicação deste método.

5.3.3. Análise do posicionamento da figura padrão

Da mesma forma que o número de píxeis presentes num sinal é

importante, a posição que estes ocupam é também fulcral. A comparação de

sinais que possuam um padrão completamente distinto do outro é

perfeitamente dispensável. A análise ao padrão informa a disposição que os

píxeis apresentam no interior do sinal e permite retirar elações fundamentais ao

bom desempenho do sistema.

A Figura 5.15 mostra dois sinais que, apesar de terem aproximadamente

o mesmo número de píxeis a formar o seu padrão, a posição que ocupam no

sinal é bastante diferente:

Posto isto, um sinal cujo padrão surge a cerca de 70% da altura do sinal e

ocupe mais de 50% da sua largura, não necessita ser comparado com outro

sinal cujo padrão apenas ocupa 10% da largura e surja a ¼ da sua altura.

Outro exemplo ainda mais flagrante é o da Figura 5.16. A figura padrão

que o distingue os sinais é exactamente o mesmo, apenas possuem posições

diferentes. Sendo assim, através de uma simples análise ao posicionamento

dessa mesma figura se poderá excluir, à partida, pelo menos um sinal ou até

mesmo proceder ao seu reconhecimento imediato.

Figura 5.15 - Sinais de perigo com distintas figuras padrão



Estabelecendo uma base de dados que permita uma separação de sinais

não só consoante a sua forma e cor, mas também tendo em conta o padrão

que ostenta bem como a forma como este se apresenta no interior do sinal

possibilita a criação de grupos de sinais mais reduzidos.

Como os métodos de comparação de padrões são muito mais pesados a

nível computacional que uma simples segmentação, a divisão das classes dos

sinais consoante o tipo de padrão sustentado por eles é preponderante para

um eficaz reconhecimento. Isto irá permitir que os métodos incidam num

número de sinais significativamente mais reduzido, diminuindo assim o tempo

necessário para o reconhecimento dos sinais.

Efectuou-se um estudo pormenorizado ao posicionamento do padrão que

cada sinal possui em cada uma das quatro classes distintas de sinais. Mais

concretamente, foram analisadas as coordenadas mínimas e máxima de x e y.

Como o sinal não é perceptível sempre com o mesmo tamanho, é fundamental

uma análise em proporção. No caso das coordenadas x, esta é relacionada

com a largura do sinal. Já para as coordenadas y, a altura serve como

referência para assim serem obtidos valores em percentagem:

x_min=(x_min-pt1.x)*100/lado;

x_max=(x_max-pt1.x)*100/lado;

y_min=(y_min-pt1.y)*100/altura;

y_max=(y_max-pt1.y)*100/altura;

Figura 5.16 - Sinais de obrigação com as mesmas figuras padrão



Assim, independentemente do tamanho assumido pelo sinal, isto é, quer

este seja detectado nas proximidades do veículo, ou a alguma distância, é

possível saber a posição no padrão relativamente às dimensões apresentadas

pelo sinal.

Aquando da segmentação, as coordenadas dos píxeis são guardadas

para verificar se são os primeiros e/ou os últimos píxeis, mais concretamente,

se se tratam do x_min e x_max, bem como do y_min e y_max.

Para serem agrupados quanto à classe, os sinais necessitam de possuir a

mesma forma geométrica e cor das suas bordas. Contudo, apesar desta

semelhança que os caracteriza, o seu padrão varia consideravelmente ora não

se tratasse do elemento que os distingue. Nos ANEXOS 1, 2, 3, 4 e 5 estão

representados os gráficos que mostram a diferença entre as figuras padrão de

cada uma das cinco classes. Neles são visíveis a quantidade de píxeis que

formam a figura padrão bem como a posição máxima e mínima das

coordenadas x e y. A relação entre o número de píxeis que formam o padrão

de cada sinal e a sua área de contorno também se encontra ilustrada nos

gráficos.

5.4. Correlação de fase

Visto que os sinais já estão devidamente identificados quanto à sua

classe e dado que o seu padrão já foi estudado, é necessário aplicar um

método que permita comparar os sinais com uma base de dados. Inúmeros

métodos foram até à data estudados, como a implementação do modelo

Figura 5.17 - Análise ao posicionamento da figura padrão



SIFT/SURF [11], a correspondência de padrões “template matching” [8], bem

como o uso de redes neuronais [13] [26].

Neste projecto, decidiu-se estudar o método de correlação de fase, que

permite verificar a semelhança entre duas imagens. Dadas duas imagens do

mesmo tamanho, sendo uma o sinal detectado e classificado e a outra a

imagem pertencente à base de dados, é calculada a transformada discreta de

Fourier (DFT) das duas imagens, resultado Ga e Gb.

(5.1)

(5.2)

Em seguida é calculado o espectro de potência cruzada (cross-power

Spectrum) usando a equação (5.3):

(5.3)

Onde G*b é o complexo conjugado de G. Posteriormente é obtida a

correlação de fase aplicando a transformada inversa de Fourier (IFT).

(5.4)

O resultado é uma matriz em que cada elemento possui valores entre

zero e um. A localização do maior valor corresponde ao movimento de

translação da primeira imagem para a segunda.

Para a obtenção da DFT das imagens, e como medida a diminuir o tempo

de processamento, foi utilizada a biblioteca FFTW (Fastest Fourier Transform in

the West) disponível em [27] em virtude das funções DFT disponibilizadas pela

biblioteca OpenCV.

Para melhor compreensão deste método, na Figura 5.18 poderá ser visto

o resultado prático da implementação do método da correlação de fase. Estão

presentes três comparações distintas onde a refêrencia mantem-se e a imagem



de entrada varia. No segundo exemplo ocorre uma simulação de ruído e no

terceiro está o exemplo de uma imagem deslocada.

(a)

(b)

(c)

Na Figura 5.18(a) o resultado obtido é de 1, no ponto (0,0) o que significa

que as imagens são iguais. Já na Figura 5.18(b), a imagem de entrada possui

um pouco de ruído, acabando por o valor máximo obtido ser de

aproximadamente 0.5. No caso da Figura 5.18(c), o valor máximo é de 0.3357

no ponto (30,17). Isto significa que a imagem sofreu um deslocamento de 30

píxeis na horizontal e de 17 píxeis na vertical.

As imagens usadas para esta demonstração nada têm a ver com as

imagens que são extraídas em ambiente livre. Para além do ruído inerente à

captura das imagens, os sinais estão longe da perfeição. Mesmo após ter-se

eliminado todos os píxeis que envolvem o redor do sinal, esta imagem quando

comparada com o mesmo sinal na base de dados, através da correlação de

fase, o resultado obtido está longe do esperado (ver Figura 5.19).

Figura 5.18 - Correlação de fase (a) normal, (b) com ruído, (c) com deslocamento

Valor Máximo = 1.000 ; (0,0)

Valor Máximo = 0.5232; (0,0)

Valor Máximo = 0.3357; (30,17)



Como tentativa de melhorar o rendimento do método, a imagem

capturada foi alterada no sentido de aumentar as semelhanças com a imagem

de referência, sem nunca alterar o tipo de sinal. Foram efectuadas duas

segmentações por cor: A primeira visa em colocar a borda do sinal da mesma

cor da borda presente no sinal de referência, como evidencia a Figura 5.20(b);

A segunda, usa o mesmo método mas com vista a realçar a figura padrão do

interior do sinal, isto é, o fundo foi colocado a branco “limpo” e o padrão a preto

também “limpo”, como pode ser visto Figura 5.20(c).

(a) (b) (c)

Como é visível na Figura 5.20, o sinal após o realce das características

tornou-se substancialmente mais parecido com a imagem da base de dados,

sem sofrer qualquer tipo de alteração nas propriedades informativas do sinal.

Aplicando novamente o método da correlação de fase, o resultado

praticamente não se alterou, estando ainda bastante longe da perfeição (valor

máximo = 1).

Figura 5.19 - Correlação de fase

Figura 5.20 - Exemplo de como realçar as características de um sinal

Figura 5.21 - Correlação de fase

Valor Máximo = 0.1619




Apesar de este valor não estar perto do esperado, se a comparação com

os outros sinais obtivesse um valor inferior, este método poderia mesmo assim

ser aplicado. Contudo, tal não se verifica como é possível visualizar na Figura

5.22:

(a)

(b)

(c)

Para o caso da Figura 5.22(b) e Figura 5.22(c), os valores conseguem ser

superiores aos sinais com a mesma figura padrão.

Como medida a melhorar o índice de fiabilidade deste método, uma das

soluções passa pela criação de uma base de dados com imagens reais o que

tornaria, à partida, a semelhança entre as imagens a serem comparadas

substancialmente maior.

Caso a manipulação das imagens não fosse possível, esta solução

implicaria um vasto trabalho de campo dado que o sistema deverá fazer um

registo de todos os sinais e com isso construir uma base da dados para que

estas imagens sejam mais semelhantes às futuramente capturadas.

Figura 5.22 - Correlação de fase de diversos sinais






5.5. Conclusões

A análise da figura padrão, mais concretamente da sua forma e do seu

posicionamento revelou-se bastante útil no sentido de reduzir o conjunto de

sinais presente em cada classe. No entanto, os sinais necessitam de estar em

perfeitas condições e não possuir qualquer tipo de acto de vandalismo sob

pena de inviabilizar este método. Com vista a um melhoramento dos resultados

obtidos através deste método, um aumento da qualidade da imagem poderá

ser suficiente.

O método da correlação demonstrou não ser o melhor método a ser

aplicado num sistema de detecção e reconhecimento de sinais de trânsito em

tempo real. O facto de a imagem adquirida pela câmara em ambiente livre

possuir bastantes diferenças em relação à imagem de referência, provoca um

decréscimo na fiabilidade deste método. Contudo, o seu uso na área da

condução autónoma, onde os ambientes são fechados e os sinais são muito

próximos dos contidos na base de dados, poderá motivar resultados mais

satisfatórios.


CAPÍTULO 6

Conclusões e Trabalhos Futuros

6.1. Conclusões

Esta tecnologia tem a particularidade de fornecer ao condutor uma

informação permanentemente actualizada, ao invés de um GPS que possui

informação sobre a sinalização memorizada. Caso ocorra a colocação de uma

nova sinalização, ou até mesmo caso um determinado troço da via tenha sido

alterado ou esteja em obras e possua sinalização diferente como por exemplo,

novos limites de velocidade, o sistema permite informar o condutor dessa nova

sinalização e não a sinalização usual naquela estrada.

Reconhecer um sinal em tempo real mostrou ser uma tarefa bastante

complexa. Existem inúmeras adversidades inerentes a um ambiente livre. Só

trabalhando neste tema é que se tem a percepção da quantidade de

dificuldades que surgem. Como que se não bastasse, todos os métodos e

técnicas usadas para colmatar estas dificuldades e não só, são suficientemente

rápidos e eficazes ao ponto de conseguir primeiro detectar e depois reconhecer

o sinal em fracções de segundo.

A iniciativa de dividir os sinais em classes conforme a sua cor e forma

mostrou ser bastante útil. Com esta divisão, é possível agrupar os sinais com

as mesmas formas, mesmo sendo de categorias diferentes, para um melhor e

mais eficaz reconhecimento. Contudo, o reconhecimento mostrou ser a fase

mais exigente em termos de tempo computacional. Para minimizar este

problema, procedeu-se a uma análise do padrão de cada sinal bem como a sua

disposição. Sem despender muito tempo, esta estratégia permite reduzir

significativamente a lista de candidatos a sinal, o que permite melhoras

significativas no desempenho do sistema.

A velocidade a que o automóvel circula determina fortemente a

CAPÍTULO 6 – Conclusões e Trabalhos Futuros


performance do sistema. Quanto mais rápido o automóvel circular, mais difícil

se torna a detecção de sinais de trânsito e consecutivamente mais complexo

será o seu reconhecimento. Para velocidades até os 50km/h, o sistema

demonstrou ser bastante fiável embora não detecte a totalidade dos sinais,

muito por culpa da sua deficiente localização e estado de conservação.

Contudo, sinais que se apresentavam correctamente colocados e bem visíveis

foram detectados e classificados de forma correcta, na ordem dos 100% de

eficácia.

Estabelecer como meta para conclusão desta tese o reconhecimento da

totalidade dos sinais de trânsito em tempo real mostrou ser uma tarefa bastante

complexa e um pouco ambiciosa. Até à data, apesar de diversas pesquisas

proporem inúmeras soluções para melhorar a eficiência de sistemas desta

natureza, detectar e reconhecer sinais de trânsito em tempo real ainda

demonstra ser uma tarefa verdadeiramente desafiadora. E por alguma razão,

actualmente, dado o avanço da tecnologia, ainda não existe nenhum automóvel

comercializado a reconhecer a totalidade dos sinais presentes nas estradas

portuguesas.

Este sistema revela-se uma mais valia para o condutor de um automóvel

e um elemento essencial na condução autónoma. Permitirá a redução de

acidentes rodoviários na medida em que se trata de um elemento activo na

condução capaz de alertar o condutor da presença de um sinal, o que fará com

que este, tomando conhecimento da sua presença redobre a atenção.

6.2. Trabalhos futuros

Com base no desenvolvimento deste sistema, como trabalho futuro

sugere-se a utilização de uma segunda câmara direccionada para o lado

esquerdo da via, nomeadamente em vias de um único sentido, que

sincronizada com a já existente permita recolher um maior número de sinais de

trânsito.



É também necessário elaborar um algoritmo capaz de perceber o interior

do sinal para o seu correcto reconhecimento. O método utilizado provou

fornecer dados interessantes mas não suficientemente fiáveis, e por isso,

deverá ser redesenhado.

Possivelmente, a utilização de redes neuronais a partir da separação de

classes possa ser mais efectivamente utilizada pois a quantidade de sinais a

reconhecer é substancialmente menor dada a triagem efectuada. Dessa forma,

o treino da rede poderá ser reforçado com um número maior de variantes aos

sinais, em diversas condições de visualização.




Referências

1. Monteiro, V., O Código da Estrada. 2a ed. Segurança Rodoviária. 2002, Lisboa. 307.

2. Opel Insignia: http://www.opel.pt/veiculos/opel-gama/carros/opel-insignia-sports-tourer/destaques/seguranca.html.

3. Opel Astra: http://www.opel.pt/veiculos/opel-gama/carros/new-astra-hatchback/destaques/seguranca.html.

4. G. Piccioli, E.D.M., P. Parodi, M. Campani, Robust road sign detection and recognition from image sequences, in Proceedings of the Intelligent Vehicles '94 Symposium. p. 278 - 283.

5. Hasan Fleyeh, M.D., Road and Traffic Sign Detection and Recognition, in In Proceedings of the 10th EWGT Meeting and 16th Mini-EURO Conference. 2005. p. 644-653.

6. Sousa, A.M.R.d., Localização Automática de Objectos em Sequências de Imagens. 2005, Universidade do Minho: Braga. p. 15-81.

7. Hatzidimos, J., Automatic Traffic Sign Recognition in Digital Images, in Conference on Theory and Applications of Mathematics and Informatics. 2004: Grecia. p. 174-184.

8. Shneier, M., Road Sign Detection and Recognition, in IEEE Computer Society International Conference on Computer Vision and Pattern Recognition. 2005.

9. M. A. Souki, L.B., M. Abid, An embedded system for real-time traffic sign recognizing, in 3rd International Design and Test Workshop. 2008. p. 273-276.

10. Paulo, C.F.M., Detection and Recognition of Traffic Signs 2007, Universidade Técnia de Lisboa: Lisboa. p. 70.

11. FeiXiang Ren, J.H., Ruyi Jiang, Reinhard Klette, General Traffic Sign Recognition by Feature Matching, in 24th International Conference International Conference Image and Vision Computing New Zealand 2009: Wellington. p. 409 - 414.

12. Wen-Yen Wu, T.-C.H., Ching-Sung Lai, Extracting Road Signs using the Color Information. World Academy of Science, Engineering and Technology, 2007(32): p. 282-286.

http://www.opel.pt/veiculos/opel-gama/carros/opel-insignia-sports-tourer/destaques/seguranca.html

http://www.opel.pt/veiculos/opel-gama/carros/opel-insignia-sports-tourer/destaques/seguranca.html

http://www.opel.pt/veiculos/opel-gama/carros/new-astra-hatchback/destaques/seguranca.html

http://www.opel.pt/veiculos/opel-gama/carros/new-astra-hatchback/destaques/seguranca.html

Referências


13. Miguel Ángel García-Garrido, M.Á.S., Ernesto Martín-Gorostiza, Fast Traffic Sign Detection and Recognition Under Changing Lighting Conditions, in IEEE Intelligent Transportation Systems Conference. 2006: Toronto, Canadá. p. 811 - 816.

14. Umbaugh, S.E., Automatic Color Segmentation Algorithms - With Application to Skin Tumor Feature Identification, in IEEE Engineering in Medicine and Biology. 1993. p. 75-82.

15. Auranuch Lorsakul, J.S., Traffic Sign Recognition for Intelligent Vehicle/Driver, in 4th International Conference on Ubiquitous Robots and Ambient Intelligence. 2007.

16. L. O. Lima, M.G.F.C., C.F. F. Costa Filho, Nova Proposta de Extracção de Características da Íris Utilizando o Espaço HSI, in 21º Congresso Brasileiro de Engenharia Biomédica.

17. Infopédia: http://www.infopedia.pt/$centro-de-massa.

18. Shojania, H., Real-time Traffic Sign Detection, in IEEE Intelligent Vehicles Symposium 2000. 2000. p. 308-313.

19. Shojania, H., Real-time Traffic Sign Detection. 2000. p. 1-56.

20. Rachid Belaroussi, J.P.T., Angle Vertex and Bisector Geometric Model for Triangular Road Sign Detection, in Workshop on Applications of Computer Vision. 2009. p. 1 - 7

21. Jung-Chiehhsien, Y.S.L., Shu-Yuan Chen, Road Sign Detection and Recognition Using Hidden. Health and Information Sciences, 2006. 1(1): p. 85-100.

22. Aryuanto, K.Y., F. Yudi Limpraptono, Intelligent Machine Vision System for Road Traffic Sign Recognition. 2008: p. E-9 - E-14.

23. A P Ashbrook, N.A.T., P I Rockett, Multiple shape recognition using pairwise geometric histogram based algorithms, in Fifth International Conference on Image Processing and its Applications. 1995: Edinburgh p. 90-94.

24. Sajjad Baloch, H.K., Object Recognition Through Topo-Geometric Shape Models Using Error-Tolerant Subgraph Isomorphisms. IEEE Transactions on Image Processing, 2009. 19(5): p. 1191 - 1200

25. K.W. Kwok, K.C.L., Recognition of Curved Shapes using Geometric Invariants, in Fourth International Conference on Signal Processing Proceedings. 1998: Beijing. p. 1096 - 1099.

26. Alves, F.O., Reconhecimento Inteligente de Sinais de Trânsito Brasileiros, in Centro de Ciências Exactas e Tecnológicas. 2004, Universidade do Vale do Rio dos Sinos: São Leopoldo. p. 74.

http://www.infopedia.pt/$centro-de-massa

Referências


27. Fastest Fourier Transform in the West: http://www.fftw.org.

http://www.fftw.org/


Anexo 1

Forma: Triangular

Cor: Vermelha

Tipos de sinais: Perigo, Cedência de Passagem

Total de sinais: 48

Sinal Nome sinal

Nº píxeis pretos

Área do contorno

Área / píxeis pretos

X min (%)

X max (%)

Y min (%)

Y max (%)

1 A1a 416 4210 10,12 32,61 65,22 44,44 85,19

2 A1b 417 4210 10,1 33,7 66,3 44,44 85,19

3 A1c 575 4210 7,32 29,35 61,96 39,51 85,19

4 A1d 574 4210 7,33 36,96 69,57 39,51 85,19

5 A2a 623 4210 6,76 21,74 76,09 67,9 86,42

6 A2b 528 4210 7,97 25 75 69,14 86,42

7 A2c 659 4210 6,39 20,65 79,35 67,9 86,42

8 A3a 1129 4210 3,73 15,22 83,7 40,24 86,59

9 A3b 1131 4210 3,72 15,22 83,7 40,24 86,59

10 A4a 549 4210 7,67 33,7 64,13 40,74 85,19

11 A4b 524 4210 8,03 34,78 59,78 41,98 86,42

12 A4c 526 4210 8 40,22 65,22 41,46 85,37

13 A5 481 4210 8,75 26,09 66,3 35,8 85,19

14 A6 619 4210 6,8 17,39 81,52 45,68 85,19

15 A7a 570 4210 7,39 21,74 78,26 50,62 86,42

16 A7b 568 4210 7,41 20,65 78,26 51,22 85,37

17 A8 714 4210 5,9 17,2 79,57 46,91 85,19

18 A9 1029 4210 4,09 16,3 81,52 35,37 85,37

19 A10 674 4210 6,25 17,39 82,61 46,34 85,37

20 A11 453 4210 9,29 32,61 67,39 42,68 85,37

21 A12 327 4210 12,87 34,78 75 46,34 84,15

22 A13 619 4210 6,8 26,09 72,83 48,15 86,42

23 A14 527 4210 7,99 28,26 70,65 47,56 84,15

24 A15 688 4210 6,12 27,17 64,13 37,8 85,37

25 A16a 842 4210 5 20,65 79,35 30,86 86,42

26 A16b 459 4210 9,17 36,96 60,87 31,71 85,37

Anexo 1


27 A17 741 4210 5,68 23,91 75 33,33 86,42

28 A18 571 4210 7,37 28,26 64,13 40,74 86,42

29 A19a 526 4210 8 29,35 70,65 54,32 86,42

30 A19b 466 4210 9,03 34,78 81,52 33,33 85,19

31 A20 833 4210 5,05 31,52 68,48 48,15 86,42

32 A21 343 4210 12,27 32,61 67,39 46,34 85,37

33 A22 422 4210 9,98 40,22 57,61 32,1 86,42

34 A23 624 4210 6,75 34,78 78,26 44,44 85,19

35 A24 490 4210 8,59 33,7 65,22 49,38 85,19

36 A25 466 4210 9,03 34,78 64,13 40,74 86,42

37 A26 776 4210 5,43 28,26 69,57 56,1 86,59

38 A27 1051 4210 4,01 21,74 77,17 41,98 86,42

39 A28 630 4210 6,68 23,91 76,09 53,66 86,59

40 A29 332 4210 12,68 44,57 54,35 27,16 86,42

41 A30 557 4210 7,56 35,48 74,19 49,38 86,42

42 A31 403 4210 10,45 34,78 63,04 48,15 85,19

43 B7 467 4210 9,01 31,31 71,72 42,53 87,36

44 B8 698 4210 6,03 33,33 66,67 39,08 86,21

45 B9a 630 4210 6,68 32,32 56,57 39,08 86,21

46 B9d 625 4210 6,74 41,84 66,33 39,08 86,21

47 B9c 613 4210 6,87 32,65 57,14 39,08 86,21

48 B9d 613 4210 6,87 41,84 66,33 39,08 86,21

Representação da posição da coordenada mínima de x:

Representação da posição da coordenada máxima de x:

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

X_min (%)

Anexo 1


Representação da posição da coordenada mínima de y:

Representação da posição da coordenada máxima de y:

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

X_max (%)

0%

10%

20%

30%

40%

50%

60%

70%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

Y_min (%)

82%

83%

84%

85%

86%

87%

88%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49

Y_max (%)

Anexo 1


Representação da relação entre o número de píxeis e a área de

contorno:

0%

2%

4%

6%

8%

10%

12%

14%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47

Área / pixeis pretos


Anexo 2

Forma: Circular

Cor: Vermelha

Tipos de sinais: Proibição, Cedência de Passagem

Total de sinais: 44

Sinal Nome sinal

Nº píxeis pretos

Área do contorno


X_min (%)

X_max (%)

Y_min (%)

Y_max (%)

1 C1 0 5172 - 0 0 0 0

2 C2 0 5172 - 0 0 0 0

3 C3a 968 5172 5,34 21,95 78,05 29,27 69,51

4 C3b 1413 5172 3,66 25,61 74,39 26,83 71,95

5 C3c 988 5172 5,23 19,51 79,27 34,15 64,63

6 C3d 988 5172 5,23 17,07 80,49 24,39 79,27

7 C3e 591 5172 8,75 20,73 76,83 29,27 69,51

8 C3f 532 5172 9,72 17,07 80,49 31,71 65,85

9 C3g 555 5172 9,32 17,07 80,49 32,93 65,85

10 C3h 945 5172 5,47 19,51 79,27 26,83 71,95

11 C3i 666 5172 7,77 20,73 79,27 32,93 65,85

12 C3j 403 5172 12,83 18,29 80,49 32,93 65,85

13 C3l 638 5172 8,11 32,93 65,85 17,07 81,71

14 C3m 887 5172 5,83 23,17 74,39 20,73 78,05

15 C3n 1046 5172 4,94 19,51 78,05 31,71 67,07

16 C3o 1040 5172 4,97 12,05 86,75 31,71 65,85

17 C3p 492 5172 10,51 28,05 70,73 23,17 75,61

18 C3q 647 5172 7,99 29,27 70,73 23,17 79,27

19 C3r 246 5172 21,02 23,17 75,61 51,22 73,17

20 C4a 465 5172 11,12 19,51 81,71 24,39 73,17

21 C4b 508 5172 10,18 18,29 80,49 29,27 73,17

22 C4c 540 5172 9,58 18,29 86,59 14,63 70,73

Anexo 2


23 C4d 452 5172 11,44 16,87 80,72 29,27 70,73

24 C4e 519 5172 9,97 13,25 86,75 12,2 84,15

25 C4f 484 5172 10,69 18,29 85,37 15,85 70,73

26 C5 595 5172 8,69 24,39 75,61 23,17 75,61

27 C6 505 5172 10,24 20,73 79,27 34,15 64,63

28 C7 1083 5172 4,78 29,73 78,05 30,49 73,17

29 C8 525 5172 9,85 10,98 89,02 39,02 59,76

30 C9 690 5172 7,5 18,29 80,49 10,98 87,8

31 C10 610 5172 8,48 9,76 87,8 29,27 68,29

32 C11a 532 5172 9,72 31,33 81,93 30,49 80,49

33 C11b 409 5172 12,65 17,07 68,29 30,49 80,49

34 C12 573 5172 9,03 31,71 68,29 23,17 74,39

35 C13 878 5172 5,89 15,85 82,93 30,49 67,07

36 C14a 272 5172 19,01 52,44 81,71 39,02 59,76

37 C14b 207 5172 24,99 54,88 79,27 45,12 63,41

38 C14c 308 5172 16,79 47,56 78,05 41,46 62,2

39 C15 0 5172 - 0 0 0 0

40 C16 0 5172 - 0 0 0 0

41 C17 419 5172 12,34 17,07 82,93 33,73 61,45

42 C18 768 5172 6,73 17,07 81,71 30,49 65,85

43 C19 745 5172 6,94 19,51 80,49 32,93 65,85

44 B5 378 5172 13,68 31,96 44,33 22,68 76,29



0

0,1

0,2

0,3

0,4

0,5

0,6

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43

X_min (%)

Anexo 2




0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43

X_max (%)

0

0,1

0,2

0,3

0,4

0,5

0,6

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43

Y_min (%)

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43

Y_max (%)

Anexo 2



contorno:

0%

5%

10%

15%

20%

25%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43



Anexo 3

Forma: Circular

Cor: Azul

Tipos de sinais: Obrigação

Total de sinais: 35

Sinal Nome sinal

Nº píxeis pretos

Área do contorno


X_min (%)

X_max (%)

Y_min (%)

Y_max (%)

1 D1a 838 6320 7,54 8,7 90,22 33,33 65,56

2 D1b 834 6320 7,58 9,78 91,3 33,33 65,56

3 D1c 872 6320 7,25 33,7 66,3 8,89 90

4 D1d 986 6320 6,41 11,96 70,65 13,33 87,78

5 D1e 970 6320 6,52 26,09 83,7 11,11 86,67

6 D2a 1373 6320 4,60 6,52 76,09 6,67 91,11

7 D2b 1367 6320 4,62 22,83 93,48 6,67 91,11

8 D2c 1163 6320 5,43 5,43 91,3 17,78 87,78

9 D3a 850 6320 7,44 17,39 78,26 17,78 77,78

10 D3b 845 6320 7,48 21,74 81,52 17,78 77,78

11 D4 1627 6320 3,88 9,78 93,48 10 90

12 D5a 1129 6320 5,60 13,04 77,17 33,33 65,56

13 D5b 1851 6320 3,41 26,09 72,83 17,78 75,56

14 D6 905 6320 6,98 10,87 89,13 33,33 64,44

15 D7a 423 6320 14,94 11,96 89,13 28,89 70

16 D7b 1339 6320 4,72 30,43 80,43 8,89 87,78

17 D7c 1454 6320 4,35 13,04 82,61 10 82,22

18 D7d 1603 6320 3,94 13,04 86,96 27,78 73,33

19 D7e 699 6320 9,04 20,65 81,52 4,44 90

20 D7f 544 6320 11,62 6,12 87,76 30,21 67,71

21 D8 858 6320 7,37 19,57 83,63 28,21 68,71

22 D9 2122 6320 2,98 21,74 80,57 10,5 92,58

23 D10 1160 6320 5,45 17,39 84,65 17,79 77

24 D11a 895 6320 7,06 11,96 86,96 31,11 58,89

25 D11b 973 6320 6,50 26,09 72,83 20,02 75,56

26 D12 499 6320 12,67 10,87 89,13 33,33 64,44

Anexo 3


27 D13a 334 6320 18,92 8,7 91,3 26,67 71,11

28 D13b 891 6320 7,09 26,09 76,09 8,89 86,67

29 D13c 846 6320 7,47 11,96 81,52 13,33 84,44

30 D13d 984 6320 6,42 10,87 86,96 30 76,67

31 D13e 683 6320 9,25 27,17 82,61 4,44 87,78

32 D13f 423 6320 14,94 3,26 91,3 37,78 70

33 D14 445 6320 14,20 19,57 82,61 28,89 68,89

34 D15 2045 6320 3,09 18,48 80,43 6,67 94,44

35 D16 521 6320 12,13 14,13 81,52 12,22 62,22




0%

5%

10%

15%

20%

25%

30%

35%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

X_min (%)

0%

20%

40%

60%

80%

100%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

X_max (%)

Anexo 3




contorno:

0%

5%

10%

15%

20%

25%

30%

35%

40%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

Y_min (%)

0%

20%

40%

60%

80%

100%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35

Y_max (%)

Anexo 3


0%

5%

10%

15%

20%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35



Anexo 4

Forma: Rectangular

Cor: Azul

Tipos de sinais: Informação

Total de sinais: 30

Sinal Nome sinal

Nº píxeis pretos

área do contorno


X_min (%)

X_max (%)

Y_min (%)

Y_max (%)

1 H9 0 60019 - 0 0 0 0

2 H10 0 60019 - 0 0 0 0

3 H11 2405 60019 24,96 38,81 60,7 30,79 68,87

4 H12 3602 60019 16,66 23,88 75,12 30,46 69,87

5 H13a 5876 60019 10,21 20,9 73,63 32,78 90,4

6 H13b 4554 60019 13,18 16,92 59,7 37,75 68,87

7 H14a 3895 60019 15,41 17,82 81,19 33,33 66,67

8 H14b 5128 60019 11,70 18,41 77,11 42,38 64,57

9 H14c 4460 60019 13,46 26,87 70,65 26,49 71,19

10 H15 3513 60019 17,08 24,38 75,12 34,11 72,85

11 H16a 5835 60019 10,29 21,78 78,22 31,68 68,32

12 H16b 5448 60019 11,02 21,39 78,11 31,46 68,21

13 H16c 6102 60019 9,84 18,91 81,09 31,79 68,54

14 H16d 0 60019 - 0 0 0 0

15 H17 3957 60019 15,17 20,9 78,111 31,13 68,21

16 H18 4160 60019 14,43 30,69 69,31 31,02 68,32

17 H19 5147 60019 11,66 19,4 79,6 38,41 60,6

18 H20a 3771 60019 15,92 20,9 79,1 41,06 57,62

19 H20b 3802 60019 15,79 21,39 79,6 38,08 60,93

20 H21 4694 60019 12,79 17,91 82,09 27,48 71,52

21 H22 1707 60019 35,16 27,87 72,14 32,45 67,22

22 H23 5341 60019 11,24 20,4 79,1 15,56 49,01

23 H24 0 60019 - 0 0 0 0

24 H25 0 60019 - 0 0 0 0

Anexo 4





0%

5%

10%

15%

20%

25%

30%

35%

40%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

X_min (%)

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

X_max (%)

25 H26 0 36539 - 0 0 0 0

26 H27 0 36539 - 0 0 0 0

27 H34 2725 36539 13,41 14,65 83,44 38,56 58,9

28 H38 0 36539 - 0 0 0 0

29 H39 0 36539 0 0 0 0

30 H41 2480 36788 14,83387097 22,64 76,1 33,47 66,11

Anexo 4




contorno:

0%

5%

10%

15%

20%

25%

30%

35%

40%

45%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Y_min (%)

0%

20%

40%

60%

80%

100%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29

Y_max (%)

Anexo 4


0%

5%

10%

15%

20%

25%

30%

35%

40%

1 3 5 7 9 11 13 15 17 19 21 23 25 27 29



Anexo 5

Forma: Quadrada

Cor: Azul

Tipos de sinais: Informação, Cedência de Passagem

Total de sinais: 14

Sinal Nome sinal

Nº píxeis pretos

Área do contorno


X_min (%)

X_max (%)

Y_min (%)

Y_max (%)

1 H1a 1796 8251 4,59 27,51 80,43 11,83 88,17

2 H1b 1565 8949 5,72 6,25 93,75 8,33 90,63

3 H2 2209 8949 4,05 18,75 80,21 10,42 88,54

4 H3 1198 8242 6,88 28,26 70,65 8,6 92,47

5 H4 736 8285 11,26 43,48 56,52 26,88 87,1

6 H5 2187 8255 3,77 20,65 79,35 9,68 90,32

7 H6 1620 8242 5,09 10,87 92,39 24,73 75,27

8 H7 2130 8258 3,88 5,43 93,48 13,98 88,17

9 H8a 1143 8321 7,28 26,09 80,43 9,68 90,32

10 H8b 1038 8314 8,01 19,57 79,35 5,38 94,62

11 H36 1800 8965 4,98 20,83 78,13 10,42 88,54

12 H37 792 8969 11,32 12,5 86,46 27,08 71,88

13 H40 1084 8969 8,27 22,92 76,04 10,42 88,54

14 B6 532 8966 16,85 62,5 73,96 16,67 84,38


Anexo 5




0%

10%

20%

30%

40%

50%

60%

70%

1 2 3 4 5 6 7 8 9 10 11 12 13 14

X_min (%)

0%

20%

40%

60%

80%

100%

1 2 3 4 5 6 7 8 9 10 11 12 13 14

X_max (%)

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Y_min (%)

Anexo 5




contorno:

0%

20%

40%

60%

80%

100%

1 2 3 4 5 6 7 8 9 10 11 12 13 14

Y_max (%)

0%

2%

4%

6%

8%

10%

12%

14%

16%

18%

1 2 3 4 5 6 7 8 9 10 11 12 13 14


Date post:	01-Dec-2018
Category:	Documents
Upload:	phamkiet
View:	214 times
Download:	0 times

José Eduardo Dias Sampaio -...

Documents