Detalhes bibliográficos
| Ano de defesa: |
2023 |
| Autor(a) principal: |
Reyna, Ana Rosalia Huaman |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://www.teses.usp.br/teses/disponiveis/55/55134/tde-05032024-155020/
|
Resumo: |
Atualmente, existem sistemas de visão computacional que nos auxiliam em tarefas que seriam maçantes para o ser humano, como vigilância e rastreamento de veículos. Uma parte essencial desta análise é identificar anomalias de tráfego. Uma anomalia nos diz que algo incomum aconteceu, neste caso, na rodovia. Este projeto tem como objetivo modelar a detecção e o rastreamento de veículos usando visão computacional para detectar anomalias de tráfego nas estradas. Para o desenvolvimento deste trabalho, seguimos as etapas de detecção, rastreamento e análise de tráfego: a detecção de veículos a partir de vídeos de tráfego urbano, o rastreamento de veículos utilizando um gráfico bipartido e o algoritmo Convex Hull para delimitar áreas móveis. Finalmente, para detecção de anomalias, utilizamos duas estruturas de dados para detectar o início e o fim da anomalia. A primeira é o QuadTree, que agrupa veículos que ficam muito tempo parados na estrada. A segunda abordagem trata de veículos que estão obstruídos. Os resultados experimentais mostram que nosso método é aceitável no conjunto de testes Track 4, com uma pontuação F1 de 85,7% e um erro quadrático médio de 25,432 segundos. |
