Aerolevantamento com VANT no auxílio contra o abigeato

• Autor(a) principal: Soares, Ânderson Fischoeder
• Data de Publicação: 2018
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UNIPAMPA
• Texto Completo: http://dspace.unipampa.edu.br:8080/jspui/handle/riu/4661
• topic: CNPQ::ENGENHARIAS; AgroTIC VANT; Sensoriamento Remoto; Visão computacional; Applied Computing; AgroTIC; VANT; Remote sensing; UAV

Detectar pessoas em imagens digitais é uma tarefa recorrente para o desenvolvimento de várias aplicações. O presente trabalho tem o objetivo de propor um método para identificação de pessoas em imagens aéreas com a utilização de VANT para dar suporte ao produtor e aos órgãos especializados no combate ao abigeato. A solução proposta executa processos de criação de mosaicos georreferenciados e classificação de objetos. Para geração dos mosaicos foram testadas a ferramenta OpenDroneMap e o utilitário Web MapsMadeEasy. Também foi estudada a biblioteca open source GDAL. O treinamento dos descritores em cascata foi efetuado com a utilização de um software que apresenta os parâmetros implementados na biblioteca OpenCV em uma interface gráfica, facilitando assim a manipulação dos mesmos. O descritor HOG utilizado é disponibilizado na biblioteca OpenCV. Para fins de teste foram criados dois classificadores Haar e LBP com 8, 15 e 20 estágios, todos fazendo uso do mesmo conjunto de imagens negativas. No entanto, foram gerados classificadores Haar e LBP utilizando um primeiro conjunto de imagens positivos e posteriormente foram gerados outros classificadores Haar e LBP utilizando um segundo conjunto de imagens positivas. Dados os resultados pode-se concluir que as ferramentas de processamento de imagens aéreas geram resultados satisfatórios. Também notou-se que as cascatas de classificadores efetivamente detectam pessoas, porém também geram uma quantidade elevada de falsos positivos. Com os testes realizados, pode-se notar na prática que efetivamente classificadores Haar demandam mais tempo para treinamento, porém sua taxa de acerto é melhor. Também observou-se que a quantidade de estágios de uma cascata deve ser adequadamente dimensionada, já que classificadores com 20 estágios obtiveram resultados muito insatisfatórios, gerando apenas falsos positivos.