VMPD (VEHICLE MANEUVER PATTERN DETECTION):

Página do item simplificado
dc.contributor.advisorPaulo Sérgio Silva Rodrigues
dc.contributor.advisorLatteshttp://lattes.cnpq.br/0302011461580302
dc.contributor.authorGUILHERME COELHO SMALL ZICARI
dc.contributor.authorNATHÁLIA CÂNDIDO
dc.contributor.authorTIAGO COSTA ARRAZI
dc.contributor.authorRAFAEL SILVA MOREIRA
dc.date.accessioned2024-08-15T13:04:24Z
dc.date.available2024-08-15T13:04:24Z
dc.date.issued2020-06-17
dc.descriptionAmong the main problems found on nowadays society, the uninhibited population’s growth, and therefore, vehicles growth can be highlighted. This growth results in an increase of traffic’s complexity, where the amount of element which the driver must pay attention to also grows. Given this trend, the probability of accidents occurring, and the challenge of enforcing traffic rules intensify. This paper has as its objective detecting maneuvers happening around the vehicle on which the user driver is at, called the main vehicle. The proposed system is based on computer vision techniques, machine learning, and time series. For the purpose of covering an ampler radius around the main vehicle, four cameras are distributed around the vehicle, co- vering 360o. Relevant data is extracted and used to create time series that describe the target vehicle’s trajectory, and then fed to a neural network for classification. Given the classification process, the methodology proves itself useful for the detection of danger and interest points found around the main vehicle, and therefore finds use on semi autonomous systems, and can also be applied to identify and punish the bad conduct on traffic of other drivers. As far as it’s known, this problem was not researched from the first person perspective. The study’s results are promising, with the lowest accuracy found being 83,92% among all tests. Individually, the results utilizing K-Fold cross validation reached 99,63%, and using a non biased manual cross validation, 90,88%.en
dc.description.abstractUm dos grandes problemas das sociedades atuais é o elevado crescimento da população, e consequentemente de veículos automotivos. Esse crescimento implica na elevação da com- plexidade do trânsito, no qual a quantidade de elementos em que deve se manter o foco é cada vez maior. Dada esta complexidade florescente, a probabilidade de acidentes devido a erros de julgamento cometidos por condutores, assim como a dificuldade de fiscalização pelas autorida- des, crescem. Este estudo tem como objetivo realizar a detecção de manobras que ocorrem ao redor do veículo o qual o motorista ocupa, o veículo-base. O sistema proposto baseia-se em técnicas de visão computacional, aprendizado de máquina e séries temporais. Com o objetivo de capturar uma visão mais ampla, são utilizadas câmeras que abrangem diferentes perspecti- vas a partir do veículo-base. Informações de interesse são extraídas e transformadas em séries temporais, posteriormente analisadas por uma rede neural, classificando manobras detectadas. Dada esta classificação, a metodologia se prova útil para a detecção de perigos e pontos de inte- resse realizada em sistemas de direção semiautônomos, ou mesmo a identificação de condução perigosa para a educação no trânsito. Até onde se sabe, este problema não foi abordado sob a perspectiva de primeira pessoa. Os resultados obtidos são promissores, com a menor acurácia média de 83,92% entre todas as validações. Individualmente, os resultados utilizando a valida- ção cruzada por K-Fold atingiram uma acurácia média de 99,63% e a validação cruzada manual não enviesada, 90,88%.pt_BR
dc.format.extent83
dc.identifier.urihttps://repositorio.fei.edu.br/handle/FEI/5483
dc.language.isopt_BR
dc.rightsRestrito
dc.subjectvisão computacional
dc.subjectséries temporais
dc.subjectfluxo óptico
dc.subjectaprendizado de máquina
dc.titleVMPD (VEHICLE MANEUVER PATTERN DETECTION):
dc.title.alternativeuma metodologia combinando séries temporais e visão computacional para detecção de padrões de manobras em vias automotivas
dc.typeTrabalho de Conclusão de Curso
fei.date.entrega2020
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
TCC201_VMPD_Entrega_Biblioteca_compressed.pdf
Tamanho:
3.34 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.75 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Trabalhos de Conclusão de Curso