Detecção de elementos antrópicos em imagens aéreas da floresta amazônica

• Autor(a) principal: Cavalcanti, Luiz Carlos Amaral Mendonça
• Data de Publicação: 2016
• Outros Autores: http://lattes.cnpq.br/7688553202515007
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da UFAM
• Texto Completo: http://tede.ufam.edu.br/handle/tede/5301
• topic: Processamento Digital de Imagens; Segmentação de Imagens; Classificação de imagens aéreas; CIÊNCIAS EXATAS E DA TERRA: CIÊNCIA DA COMPUTAÇÃO

Durante o patrulhamento de crimes ambientais, o tempo de resposta é um componente muito importante no sucesso das missões. Geralmente as infrações ocorrem em lugares ermos e de difícil acesso, características que dificultam tanto o patrulhamento quanto a ação de agentes de preservação ambiental. Para aumentar a taxa de sucesso das abordagens e reduzir o risco de vidas humanas, veículos aéreos não-tripulados (VANTs) podem ser usados para cobrir grandes áreas de floresta em pouco tempo, sem que sejam percebidos por infratores, permitindo que os órgãos de patrulhamento dessas áreas possam planejar e agir com mais eficiência na repressão a esses crimes. O novo problema gerado por essa abordagem é a enorme quantidade de dados gerada durante essas missões, que muitas vezes compreendem horas de vídeo. A inspeção manual de todo esse material em busca de elementos antrópicos é muito cansativa e propensa a erros. Este trabalho apresenta uma avaliação de técnicas de segmentação de imagens, inspeção de características a serem extraídas, seguido da classificação supervisionada destes segmentos para detecção de elementos antrópicos em imagens aéreas da floresta amazônica. Além da publicação de uma base de dados com cerca de 3.000 imagens e 10.000 segmentos devidamente rotulados e investiga diferentes estratégias para classificação de elementos antrópicos. Os experimentos realizados obtiveram taxas de erro de consistência inferiores a 8% na segmentação das imagens utilizando o algoritmo SRM e precisão acima de 94% na classificação dos objetos de interesse através de conjuntos de classificadores unários, utilizando os algoritmos One-Class SVM e REPTree.