Real time detection of traffic signs using onboard vehicular cameras

Detalhes bibliográficos
Autor(a) principal: Selhorst, Álesson Scapinello
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da UFRGS
Texto Completo: http://hdl.handle.net/10183/189405
Resumo: A aplicação de novas tecnologias tem afetado profundamente a indústria automobilística, especialmente quando se fala de carros autônomos. O cenário de auto-condução está próximo de se tornar realidade, entretanto, muitos desafios ainda precisam ser resolvidos. Outro aspecto que está motivando os avanços tecnológicos é a necessidade pelo aumento da segurança, no qual grande parte do esforço está sendo feito para reduzir o número de acidentes de trânsito, especialmente aqueles causados por erro do motorista. A redução de acidentes traz como conseqüência, uma diminuição nas mortes, lesões e nos custos financeiros associados aos acidentes. Dentro desse contexto, esta dissertação apresenta uma abordagem para detecção e reconhecimento de sinais de trânsito usando câmeras veiculares a bordo. Assumindo que os parâmetros intrínsecos da câmera são obtidos off-line, um esquema de calibração on-line é usado para estimar os parâmetros da câmera extrínseca, e as Regiões de Interesse (ROIs) são criadas no domínio da imagem com base na geometria e localização esperadas dos sinais de trânsito. Dado o tamanho reduzido e a complexidade de fundo desses ROIs, desenvolvemos uma Rede Neural Convolucional Regional (CNN), chamada ScapNet. Nossos resultados experimentais para os sinais de trânsito brasileiros indicam que a abordagem proposta apresenta uma precisão de classificação comparável a métodos de última geração em tempos de funcionamento muito mais rápidos.
id URGS_27cb869a25128f37d7f6803b8b5a077e
oai_identifier_str oai:www.lume.ufrgs.br:10183/189405
network_acronym_str URGS
network_name_str Biblioteca Digital de Teses e Dissertações da UFRGS
repository_id_str 1853
spelling Selhorst, Álesson ScapinelloJung, Claudio Rosito2019-03-15T02:29:42Z2018http://hdl.handle.net/10183/189405001087418A aplicação de novas tecnologias tem afetado profundamente a indústria automobilística, especialmente quando se fala de carros autônomos. O cenário de auto-condução está próximo de se tornar realidade, entretanto, muitos desafios ainda precisam ser resolvidos. Outro aspecto que está motivando os avanços tecnológicos é a necessidade pelo aumento da segurança, no qual grande parte do esforço está sendo feito para reduzir o número de acidentes de trânsito, especialmente aqueles causados por erro do motorista. A redução de acidentes traz como conseqüência, uma diminuição nas mortes, lesões e nos custos financeiros associados aos acidentes. Dentro desse contexto, esta dissertação apresenta uma abordagem para detecção e reconhecimento de sinais de trânsito usando câmeras veiculares a bordo. Assumindo que os parâmetros intrínsecos da câmera são obtidos off-line, um esquema de calibração on-line é usado para estimar os parâmetros da câmera extrínseca, e as Regiões de Interesse (ROIs) são criadas no domínio da imagem com base na geometria e localização esperadas dos sinais de trânsito. Dado o tamanho reduzido e a complexidade de fundo desses ROIs, desenvolvemos uma Rede Neural Convolucional Regional (CNN), chamada ScapNet. Nossos resultados experimentais para os sinais de trânsito brasileiros indicam que a abordagem proposta apresenta uma precisão de classificação comparável a métodos de última geração em tempos de funcionamento muito mais rápidos.The application of new technologies has been profoundly affecting the automobile industry, especially when talking about autonomous cars. The self-driving scenario is close to becoming reality, however many challenges still need to be solved for this. Another aspect that is motivating the technological advances is the need to increase safety, in which much of the effort is being made to reduce the number of traffic accidents, especially those caused by driver errors. The reduction of accidents brings as a consequence a decrease in the resulting injuries and fatalities, as well as the related financial costs. Within this context, this thesis presents an approach for traffic sign detection and recognition using off-the-shelf onboard vehicular cameras. Assuming that the camera intrinsic parameters are obtained off-line, an on-line calibration scheme is used to estimate the extrinsic camera parameters, and Regions of Interest (ROIs) are created in the image domain based on the expected geometry and location of the traffic signs. Given the reduced size and background complexity of these ROIs, we developed a lightweight regional Convolutional Neural Network (CNN), called ScapNet. Our experimental results for Brazilian traffic signs indicate that the proposed approach presents classification accuracy comparable to state-of-the-art methods at much faster running times, with over 30 FPS on embedded devices.application/pdfengInformatica : TransportesRedes neurais convolucionaisCâmeras veiculares a bordoTraffic sign detection and recognitionAdvanced driver assistance systemsReal time detection of traffic signs using onboard vehicular camerasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPrograma de Pós-Graduação em ComputaçãoPorto Alegre, BR-RS2018mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001087418.pdf.txt001087418.pdf.txtExtracted Texttext/plain103376http://www.lume.ufrgs.br/bitstream/10183/189405/2/001087418.pdf.txt10c5b39ffed6ff078776a2eda6f4dd2eMD52ORIGINAL001087418.pdfTexto completo (inglês)application/pdf35280563http://www.lume.ufrgs.br/bitstream/10183/189405/1/001087418.pdf49d03113670350e3e6e38c2d37bc6ac4MD5110183/1894052024-08-24 06:43:06.011618oai:www.lume.ufrgs.br:10183/189405Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532024-08-24T09:43:06Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false
dc.title.pt_BR.fl_str_mv Real time detection of traffic signs using onboard vehicular cameras
title Real time detection of traffic signs using onboard vehicular cameras
spellingShingle Real time detection of traffic signs using onboard vehicular cameras
Selhorst, Álesson Scapinello
Informatica : Transportes
Redes neurais convolucionais
Câmeras veiculares a bordo
Traffic sign detection and recognition
Advanced driver assistance systems
title_short Real time detection of traffic signs using onboard vehicular cameras
title_full Real time detection of traffic signs using onboard vehicular cameras
title_fullStr Real time detection of traffic signs using onboard vehicular cameras
title_full_unstemmed Real time detection of traffic signs using onboard vehicular cameras
title_sort Real time detection of traffic signs using onboard vehicular cameras
author Selhorst, Álesson Scapinello
author_facet Selhorst, Álesson Scapinello
author_role author
dc.contributor.author.fl_str_mv Selhorst, Álesson Scapinello
dc.contributor.advisor1.fl_str_mv Jung, Claudio Rosito
contributor_str_mv Jung, Claudio Rosito
dc.subject.por.fl_str_mv Informatica : Transportes
Redes neurais convolucionais
Câmeras veiculares a bordo
topic Informatica : Transportes
Redes neurais convolucionais
Câmeras veiculares a bordo
Traffic sign detection and recognition
Advanced driver assistance systems
dc.subject.eng.fl_str_mv Traffic sign detection and recognition
Advanced driver assistance systems
description A aplicação de novas tecnologias tem afetado profundamente a indústria automobilística, especialmente quando se fala de carros autônomos. O cenário de auto-condução está próximo de se tornar realidade, entretanto, muitos desafios ainda precisam ser resolvidos. Outro aspecto que está motivando os avanços tecnológicos é a necessidade pelo aumento da segurança, no qual grande parte do esforço está sendo feito para reduzir o número de acidentes de trânsito, especialmente aqueles causados por erro do motorista. A redução de acidentes traz como conseqüência, uma diminuição nas mortes, lesões e nos custos financeiros associados aos acidentes. Dentro desse contexto, esta dissertação apresenta uma abordagem para detecção e reconhecimento de sinais de trânsito usando câmeras veiculares a bordo. Assumindo que os parâmetros intrínsecos da câmera são obtidos off-line, um esquema de calibração on-line é usado para estimar os parâmetros da câmera extrínseca, e as Regiões de Interesse (ROIs) são criadas no domínio da imagem com base na geometria e localização esperadas dos sinais de trânsito. Dado o tamanho reduzido e a complexidade de fundo desses ROIs, desenvolvemos uma Rede Neural Convolucional Regional (CNN), chamada ScapNet. Nossos resultados experimentais para os sinais de trânsito brasileiros indicam que a abordagem proposta apresenta uma precisão de classificação comparável a métodos de última geração em tempos de funcionamento muito mais rápidos.
publishDate 2018
dc.date.issued.fl_str_mv 2018
dc.date.accessioned.fl_str_mv 2019-03-15T02:29:42Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10183/189405
dc.identifier.nrb.pt_BR.fl_str_mv 001087418
url http://hdl.handle.net/10183/189405
identifier_str_mv 001087418
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da UFRGS
instname:Universidade Federal do Rio Grande do Sul (UFRGS)
instacron:UFRGS
instname_str Universidade Federal do Rio Grande do Sul (UFRGS)
instacron_str UFRGS
institution UFRGS
reponame_str Biblioteca Digital de Teses e Dissertações da UFRGS
collection Biblioteca Digital de Teses e Dissertações da UFRGS
bitstream.url.fl_str_mv http://www.lume.ufrgs.br/bitstream/10183/189405/2/001087418.pdf.txt
http://www.lume.ufrgs.br/bitstream/10183/189405/1/001087418.pdf
bitstream.checksum.fl_str_mv 10c5b39ffed6ff078776a2eda6f4dd2e
49d03113670350e3e6e38c2d37bc6ac4
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)
repository.mail.fl_str_mv lume@ufrgs.br||lume@ufrgs.br
_version_ 1810085471121833984