Fechar

1. Identificação
Tipo de ReferênciaTese ou Dissertação (Thesis)
Sitemtc-m21d.sid.inpe.br
Código do Detentorisadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S
Identificador8JMKD3MGP3W34T/47AFT2H
Repositóriosid.inpe.br/mtc-m21d/2022/07.20.19.46
Última Atualização2022:08.23.20.03.55 (UTC) simone
Repositório de Metadadossid.inpe.br/mtc-m21d/2022/07.20.19.46.42
Última Atualização dos Metadados2022:08.29.19.00.58 (UTC) administrator
Chave SecundáriaINPE-18589-TDI/3229
Chave de CitaçãoAndrade:2022:DeCoVe
TítuloDetecção de comportamentos de veículos a partir de imagens de drones e de monitoramento
Título AlternativoVehicles behaviour detection from drones and surveillance images
CursoCAP-COMP-DIPGR-INPE-MCTI-GOV-BR
Ano2022
Data2022-05-20
Data de Acesso16 jun. 2024
Tipo da TeseDissertação (Mestrado em Computação Aplicada)
Tipo SecundárioTDI
Número de Páginas195
Número de Arquivos1
Tamanho35888 KiB
2. Contextualização
AutorAndrade, Rafael Marinho
BancaKörting, Thales Sehn (presidente)
Shiguemori, Elcio Hideiti (orientador)
Santos, Rafael Duarte Coelho dos (orientador)
Santiago Junior, Valdivino Alexandre
Máximo, Marcos Ricardo Omena de Albuquerque
Endereço de e-Mailrafa13marinho@gmail.com
UniversidadeInstituto Nacional de Pesquisas Espaciais (INPE)
CidadeSão José dos Campos
Histórico (UTC)2022-07-20 19:46:42 :: luis.cpv@hotmail.com -> administrator ::
2022-08-22 12:32:41 :: administrator -> pubtc@inpe.br ::
2022-08-23 20:09:01 :: pubtc@inpe.br -> simone ::
2022-08-23 20:11:23 :: simone :: -> 2022
2022-08-23 20:12:00 :: simone -> administrator :: 2022
2022-08-29 19:00:58 :: administrator -> :: 2022
3. Conteúdo e estrutura
É a matriz ou uma cópia?é a matriz
Estágio do Conteúdoconcluido
Transferível1
Palavras-Chavevisão computacional
aeronaves não tripuladas
drones
detecção de comportamentos
inteligência artificial
computer vision
unmanned aerial vehicles
drones
behaviour detection
artificial inteligence
ResumoA área de sensoriamento remoto tem se beneficiado já há décadas de imagens obtidas acima do nível do solo, seja a alguns metros ou milhares quilômetros de altura, por aeronaves e satélites, sendo tão logo consideradas essenciais para as aplicações em tal área da ciência. As aplicações fazem uso dessas imagens para extração de informações e então tomada de decisões. Mais recentemente, a crescente popularidade dos drones fez com que sua aplicação fosse considerada para praticamente qualquer problema concebível, e logo assim passou a ser aplicado para o sensoriamento remoto em diversas áreas, inclusive a científica. Uma dessas aplicações é o monitoramento, que vem sendo aprimorado e automatizado de acordo com os avanços de técnicas de inteligência computacional, que pouco a pouco passaram a permitir a identificação e classificação de objetos de interesse, assim como seus rastreios. Apesar disso, a detecção do comportamento desses objetos ainda é uma área relativamente pouco explorada e, considerando a aplicação em imagens aéreas obtidas por drones, as pesquisas são ainda mais escassas. Este trabalho considera a aplicação de técnicas de visão computacional para detecção de comportamentos em imagens aéreas obtidas por drones, compreendendo a realização de um estudo de caso onde foram capturados mais de 300000 quadros de vídeo contendo imagens rodoviárias na região do Vale do Paraíba (São Paulo) e foi desenvolvida uma aplicação para a detecção de comportamentos de veículos em rodovias partindo da captura dessas imagens, seguindo para a detecção e classificação de veículos com a rede convolucional profunda YOLOv4, seus rastreios com o algoritmo Deep SORT, e então extração de perfis comportamentais baseados nas características vetoriais de seus deslocamentos, que são classificados como comportamentos normais ou anormais por redes de memórias de curto e longo prazo (LSTM) e redes de múltiplos perceptrons (MLP), processo este explorado por uma série de testes e experimentos sob o formato de prova de conceito. Foram atingidos por fim resultados com 99,76% e 94,58% de acurácia nas tarefas de detecção e classificação de veículos, respectivamente, com 94,53% dos rastreios observados sendo contínuos. Os métodos de discriminação de comportamentos abordados apresentaram bons resultados ao serem considerados cenários estáticos, onde é treinada uma rede para cada cenário, ainda que com dificuldades de generalização entre cenários distintos, de modo que as soluções não se provaram robustas e confiáveis o suficiente para que uma única rede seja aplicável em diversos cenários distintos ou em cenários cuja a perspectiva da captura seja variável, como em câmeras móveis e aeronaves em deslocamento. ABSTRACT: The remote sensing area has been benefiting for decades from images obtained above ground level, either a few meters or thousands of kilometers high, by aircraft and satellites, and they soon got considered essential for applications in such area of science. Those applications make use of these images to extract information and then make decisions. More recently, the increasing popularity of drones meant that its application is considered for almost any conceivable problem, and soon it started to be applied for remote sensing in several areas, including the scientific area. One of these applications is monitoring, which has been improved and automated according to the advances on computational intelligence techniques, which little by little started to allow the identification and classification of objects of interest, as well as their tracking. Nevertheless, the behaviour detection from those objects is still a relatively unexplored area and, considering the application in aerial images obtained by drones, the researches are even more scarce. This work considers the application of computer vision techniques to detect behaviours in aerial images obtained by drones, comprising the realization of a case study where were captured more than 300000 video frames from highway footage in the Vale do Paraíba region (São Paulo, Brazil) and was developed an application for the detection of vehicle behaviours on highways, starting from the capture of the given images, proceeding to the vehicles detection and classification with the YOLOv4 deep neural convolutional network, their tracking withe the Deep SORT algorithm and then the extraction of behavioural profiles based on the vectorial characteristics of their displacements, which are classified as normal or abnormal behaviours by long-short term memories (LSTM) and multilayer perceptrons networks (MLP), a process explored by several tests and experiments as a proof-of-concept. At last, the results reached an accuracy of 99.76% and 94.58% at the vehicles detection and classification tasks, respectively, with 94.53% of them being continuously tracked. The approached behaviour discrimantion methods presented good results in static scenarios, where its trained a network for each scenario, albeit with generalization issues between distinct scenarios, in a way where the solutions arent robust and reliable enough to be applied a single network in several distinct scenarios or scenarios where the footage perspective is variable, such as from moving cameras and aircrafts.
ÁreaCOMP
Arranjo 1urlib.net > BDMCI > Fonds > Produção pgr ATUAIS > CAP > Detecção de comportamentos...
Arranjo 2urlib.net > Produção a partir de 2021 > CGIP > Detecção de comportamentos...
Conteúdo da Pasta docacessar
Conteúdo da Pasta source
originais/@4primeirasPaginas.pdf 23/08/2022 17:02 214.8 KiB 
originais/Defesa.pdf 20/07/2022 16:39 231.1 KiB 
originais/publicacao.pdf 20/07/2022 12:05 35.0 MiB
Conteúdo da Pasta agreement
autorizacao.pdf 22/08/2022 10:21 376.0 KiB 
4. Condições de acesso e uso
URL dos dadoshttp://urlib.net/ibi/8JMKD3MGP3W34T/47AFT2H
URL dos dados zipadoshttp://urlib.net/zip/8JMKD3MGP3W34T/47AFT2H
Idiomapt
Arquivo Alvopublicacao.pdf
Grupo de Usuáriosluis.cpv@hotmail.com
simone
Visibilidadeshown
Licença de Direitos Autoraisurlib.net/www/2012/11.12.15.10
Detentor dos Direitosoriginalauthor yes
Permissão de Leituraallow from all
Permissão de Atualizaçãonão transferida
5. Fontes relacionadas
Repositório Espelhourlib.net/www/2021/06.04.03.40.25
Unidades Imediatamente Superiores8JMKD3MGPCW/3F2PHGS
8JMKD3MGPCW/46KUES5
Lista de Itens Citandosid.inpe.br/bibdigital/2013/10.12.22.16 6
sid.inpe.br/bibdigital/2022/04.03.23.11 1
Acervo Hospedeirourlib.net/www/2021/06.04.03.40
6. Notas
Campos Vaziosacademicdepartment affiliation archivingpolicy archivist callnumber contenttype copyholder creatorhistory descriptionlevel dissemination doi electronicmailaddress format group isbn issn label lineage mark nextedition notes number orcid parameterlist parentrepositories previousedition previouslowerunit progress readergroup resumeid schedulinginformation secondarydate secondarymark session shorttitle sponsor subject tertiarymark tertiarytype url versiontype


Fechar