Automatic Motorcycle Detection on Public Roads

Abstract


 
 
 Motorcycle accidents have been rapidly growing throughout the years in many countries. Due to various social and economic factors, this type of vehicle is becoming increasingly popular. Over the past years, automated mechanisms to inspect traffic violations such as radars and surveillance cameras are being used ever more. This paper’s goals are the study and implementation of some methods for automatic detection of motorcycles on public roads. Traffic images captured by cameras were used. For feature extraction of images, the algorithms SURF, HAAR, HOG and LBP were used as descriptors. For image classification, Multilayer Perceptron, Support Vector Machines and Radial-Bases Function Networks were used as classifiers. Finally, the results are presented and discussed.
 
 

Deep learning‐based helmet wear analysis of a motorcycle rider for intelligent surveillance system

“…Time‐frequency analysis is applied for detection and characterisation of periodic motion of object [26]. In [27], SVM has been combined with local binary pattern (LBP), for differentiating the motorcycles and bicycles. Recently, deep networks have gained much attention in complicated tasks such as detection of the motorcyclists with and without helmet.…”

Identificação automática de motociclistas através de processamento de imagens de vídeo de tráfego

“…A Figura 5 ilustra o modelo de cores RGB. Em processamento de imagens digitais, as técnicas de segmentação possuem como objetivo subdividir uma imagem em regiões ou objetos de interesse e seu processo deve ser interrompido quando esses forem detectados, o que depende do nível de detalhamento do problema em questão (YU et al, 2003;SILVA et al, 2013b…”

“…Normalmente são utilizadas três formas de representar padrões básicos, vetores (para informações quantitativas), árvores (para informações estruturais) e strings (para informações textuais e ou de caracteres). É importante salientar que o reconhecimento de padrões é altamente dependente da escolha ou seleção das características utilizadas para tal, uma vez que essas features são a base para a criação do critério de exclusão ou inclusão nas classes (YU et al, 2003;DAHYOT, 2008;GONZALEZ;WOODS, 2010;SILVA et al, 2013b). (YU et al, 2003;DAHYOT, 2008;GONZALEZ;WOODS, 2010;SILVA et al, 2013b…”

“…A calibração do classificador escolhido para dar continuidade a pesquisa foi o Cenário de Classificação CC 19, obtido pela alteração dos parâmetros C = 150 e Tol = 0,01, mantendo os demais parâmetros em sua configuração padrão. Este modelo foi o que apresentou uma das melhores métricas de AUC (0,96) e valores de TVP (0,92), TFP (0,09), TVN (0,91), Precisão (0,91) e Exatidão (0,92) considerados como excelente segundo a literatura (FAWCETT, 2006;PRATI;BATISTA;MONARD, 2008;MINH;SANO;MATSUMOTO, 2012;SILVA et al, 2013b;ARRÓSPIDE;SALGADO, 2014;LUO et al, 2018;SILVA;VERAS, 2018 Analisando as classes separadamente foi possível observar uma preferência por parte das motocicletas em trafegarem na faixa da direita, nos dados representado pelo número 2, mais precisamente no seu 1/3 de faixa mais próxima ao acostamento. Entretanto os demais veículos, provavelmente devido as suas dimensões serem maiores que as das motocicletas, preferem transitar pela porção central das faixas.…”

“…É importante ressaltar que por existir uma gama enorme de técnicas para cada etapa necessária para o desenvolvimento de um sistema de detecção automática de veículos a partir de imagens, torna-se quase que impossível revisar todos os métodos disponíveis. Porém, a realização de uma revisão bibliográfica permite uma tomada de decisão mais assertiva no processo de escolha das técnicas a serem utilizadas na pesquisa, sendo que a busca teórica foi concentrada principalmente nos livros (GONZALEZ; WOODS, 2010), (DUDA; HART; STORK, 2001), nos artigos(SILVA et al, 2013b),(LORENA; e também na dissertação de mestrado de(SANTOS, 2002) e na tese de doutorado de (CUNHA, 2013).De forma geral, os materiais utilizados para a realização desta pesquisa foram: câmera, tripé e computador.As câmeras foram configuradas para a resolução de captura de vídeo digitais de 1920×1080 pixels. O computador utilizado para o processamento dos algoritmos foi um Core i7, com processador de 2,40 GHz, memória RAM de 8 GB e sistema operacional Windows 8.…”