APRENDIZADO DE MÁQUINA APLICADO PARA AUXÍLIO AO MOTORISTA UTILIZANDO RASPBERRY PI
Palavras-chave:
Auxílio ao motorista; Aprendizado de Máquina; Visão computacional, Inteligência ArtificialResumo
O Brasil tem a quinta maior taxa de mortes no trânsito do planeta. Geralmente os acidentes são causados por falha humana, envolvendo desatenção e desrespeito à legislação. A fim de auxiliar o motorista a agir de forma preventiva e responsável, sistemas computacionais podem estabelecer meios para emitir alertas ao reconhecer situações de risco à segurança no trânsito. O desafio apresentado neste trabalho foi realizar a detecção e o reconhecimento de alguns sinais de trânsito considerados necessários à segurança viária. Este trabalho objetivou o desenvolvimento de um sistema embarcado de auxílio ao motorista baseado em visão computacional e aprendizado de máquina. A função do sistema é reconhecer situações perigosas e alertar o motorista a respeito das sinalizações encontradas nas vias (placas de sinais de velocidade máxima permitida, parada obrigatória, preferência e faixas rolamento). Foi utilizado um Raspberry Pi 3 e uma câmera de 5 megapixels para ser o hardware embarcado. O trabalho buscou o desenvolvimento de algoritmos que realizem a tarefa de auxiliar a percepção humana ao guiar veículos, com execução em hardware de baixo processamento em tempo real.
Downloads
Referências
ANDRADE, D. C. Estratégia para detecção e rastreamento de faixas rodoviárias utilizando uma câmera monocular. 2017. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Tecnológica Federal do Paraná. Ponta Grossa, 2017.
HOELSCHER, I. G. Detecção e classificação de sinalização vertical de trânsito em cenários complexos. 2017. Dissertação (Mestrado em Engenharia Elétrica) – Universidade Federal do Rio Grande do Sul. Porto Alegre, 2017.
CNT – CONFEDERAÇÃO NACIONAL DE TRANSPORTE. Pesquisa rodoviária 2018. Disponível em: http://www.cnt.org.br. Acesso em: 17 dez. 2018.
ONSV. 90% dos acidentes são causados por falhas humanas, alerta ONSV Disponível em:
http://www.onsv.org.br/noticias/90-dos-acidentes-sao-causados-por-falhas-humanas-alerta-observatorio/. Acesso em: 17 dez. 2017.
DANESCU, R.; NEDEVSCHI, S. Detection and classification of painted road objects for intersection assistance applications. In: INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC 2010), 13., Proceedings […] Funchal, Portugal, 2010, p. 433–438. https://doi.org/10.1109/ITSC.2010.5625261
GONZALEZ, R. C.; WOODS, R. E. Digital Image Processing. 3. ed. São Paulo: Pearson Prentice Hall, 2010. Disponível em: https://bv4.digitalpages.com.br/ Acesso em: 17 dez. 2018.
LE, T. T.; TRAN, S. T.; MITA, S.; NGUYEN, T. D. Real Time Traffic Sign Detection Using Color and Shape-Based Features. In: ACIIDS'10 PROCEEDINGS OF THE SECOND INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION AND DATABASE SYSTEMS: Part II. Proceeding [...] Springer-Verlag Berlin, Heidelberg, 2010, p 3-9. https://doi.org/10.1007/978-3-642-12101-2_28
LORSAKUL, A.; SUTHAKORN, J. Traffic Sign Recognition for Intelligent Vehicle/Driver Assistance System Using Neural Network on OpenCV. In: INTERNATIONAL CONFERENCE ON UBIQUITOUS ROBOTS AND AMBIENT INTELLIGENCE (URAI 2007), 4., Proceedings… POSTECH, PIRO, KOREA, Nov 22-24, 2007. p. 279-284.
NAN, Z.; WEI, P.; XU, L.; ZHENG, N. Efficient Lane Boundary Detection with Spatial-Temporal Knowledge Filtering. Sensors 2016, v. 16, n.8, p. 1276, 2016.https://doi.org/10.3390/s16081276
SUCHITRA, S.; SATZODA, R.; SRIKANTHAN, T. Identifying lane types: A modular approach. In: INTERNATIONAL IEEE CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC 2013), 16., Proceedings […] The Hague, Netherlands, 2013, p. 1929–1934. https://doi.org/10.1109/ITSC.2013.6728511
VISVIKIS, C.; SMITH, T. L.; PITCHER, M.; SMITH, R, Study on lane departure warning and lane change assistant systems. (PPR 374). Wokingham, UK: Transport Research Laboratory, 2008.