Desenvolvimento de um sistema de contagem e classificação de veículos utilizando redes neurais convolucionais

Abstract

Com o crescente número de veículos em todo o mundo, o monitoramento e controle do tráfego por meio de tecnologias modernas tornou-se um requisito fundamental. É por isso que os sistemas inteligentes de transporte (ITS, Intelligent Transport Systems) são uma alternativa com grande interesse nas últimas décadas. Nestes sistemas, a contagem e classificação de veículos são dois parâmetros essenciais, que fornecem informações valiosas sobre o estado de tráfego, ocupação das rodovias, níveis de congestionamento, entre outros. Os ITS têm se beneficiado pelo aumento dos recursos computacionais e pela melhoria dos métodos de processamento de imagens, especialmente na detecção de objetos baseada em aprendizado profundo. Na literatura, diferentes abordagens têm sido propostas para realizar a contagem e classificação de veículos utilizando processamento de imagens. Contudo, essas abordagens são dependentes das condições iniciais em que foram projetadas, de modo que não há uma solução geral para estas tarefas. Portanto, neste trabalho é proposto um algoritmo de contagem e classificação de veículos utilizando um modelo de detecção baseado em redes neurais convolucionais (CNN). Este algoritmo consiste em 4 etapas principais: detecção, identificação, contagem por linha virtual e contagem por regiões. A fim de selecionar o modelo de detecção com melhor equilíbrio entre precisão e velocidade a ser implementado no algoritmo, foi realizada a comparação de diferentes detectores avaliados em um novo conjunto de dados. O conjunto de dados é composto por 4.300 imagens de veículos capturadas em diferentes rodovias da cidade de Florianópolis (SC), Brasil. Os resultados experimentais realizados mostram que os melhores índices entre os modelos de detecção foram obtidos utilizando YOLOv4NCIOU com um mAP=88,2 % e uma velocidade de processamento de 18 FPS. Além disso, a precisão média obtida no algoritmo de contagem e classificação de veículos em diferentes vídeos de teste foi de 94 % com uma taxa de processamento em tempo real inferior a 2,0.

Abstract: With the increasing number of vehicles around the world, traffic monitoring and control using modern technologies has become a fundamental requirement. That is why Intelligent Transport Systems (ITS) have been an alternative with great interest in recent decades. In these systems, vehicle counting and classification are two essential parameters, which provide valuable information on traffic conditions, lane occupancy, levels of congestion, among others. ITS have benefited from increased computational resources and improved image processing methods, especially in deep learning-based object detection. Different approaches have been proposed in the literature to perform vehicle counting and classification using image processing. However, these approaches are dependent on the initial conditions in which they were designed, so there is no general solution for these tasks. Therefore, in this work a vehicle counting and classification algorithm is proposed using a detection model based on Convolutional Neural Networks (CNN). This algorithm consists of 4 main stages: detection, identification, counting by virtual line and counting by regions. To select the detection model with the best trade-off between precision and speed to be implemented in the algorithm, a comparison of different detectors evaluated on a new data set was performed. The dataset is composed of 4300 vehicle images captured on different highways in the city of Florianópolis (SC), Brazil. The experimental results performed show that the best rates between the models were obtained using YOLOv4NCIOU with mAP = 88,2 % and a processing speed of 18 FPS. In addition, the average precision obtained in the vehicle counting and classification algorithm in different test videos was 94 % with a real-time processing rate less than 2,0.