Author(s): Santos, Francisco Miguel Pontes dos
Date: 2013
Persistent ID: http://hdl.handle.net/10451/9458
Origin: Repositório da Universidade de Lisboa
Subject(s): Reconhecimento automático; Sinalização vertical de trânsito; Segmentação de imagens; Teses de mestrado - 2013
Tese de mestrado em Engenharia Geográfica, apresentada à Universidade de Lisboa, através da Faculdade de Ciências, 2013
Este trabalho consiste no estudo e desenvolvimento de um método de Reconhecimento Automático de Sinalização Vertical de Trânsito (RASVT), nomeadamente da sinalização de perigo e alguma da sinalização de regulamentação (cedência de passagem, proibição e obrigação), toda de cor vermelha ou azul. O ponto de partida para o seu desenvolvimento são os dados vídeo de um Sistema de Mapeamento Móvel, obtidos em condições reais (não controladas). A metodologia desenvolvida de reconhecimento de sinalização vertical de trânsito funciona em modo pós-aquisição, ou seja, após aquisição e processamento dos dados vídeo em bruto (raw) e dos dados de posicionamento (GPS e IMU). O método desenvolvido é constituído por três fases. A fase de detecção, que consiste em detectar Regiões de Interesse da imagem (RdI) que possam conter sinalização. Esta detecção é feita utilizando um processo de segmentação por cor (vermelha e azul) e utilizando cinco critérios de selecção: dimensões da RdI, rácio altura-comprimento da RdI, proximidade da RdI aos limites da imagem, posicionamento relativo entre o centróide da RdI e centróide da área segmentada e rácio de preenchimento da RdI. A fase de classificação, que tem por base as RdI obtidas na fase anterior e consiste no reconhecimento da forma geométrica de cada região, bem como na agregação, por classes, de cada uma dessas RdI analisadas. As classes utilizadas baseiam-se na cor e forma geométrica. A fase de reconhecimento, consiste na identificação da sinalização que tenha sido detectada e classificada e baseia-se na correspondência dos pictogramas presentes nos sinais. Através de um processo de segmentação por cor é extraído o pictograma para de seguida ser feito o seu reconhecimento, através da correspondência entre o pictograma extraído e pictogramas template. Esta correspondência é realizada utilizando a correlação simples. A fase de detecção apresentou uma taxa de sucesso de 32 % (que excluindo os resultados falsos positivos, apresenta uma taxa de sucesso de 89 %), a fase de classificação teve uma taxa de sucesso de 93 % e a fase de reconhecimento teve uma taxa de sucesso de 91 %. A taxa de sucesso global obtido pelo método RASVT implementado é de 81 %, ou seja, da sinalização presente na amostra analisada, 81 % foi correctamente detectada, classificada e reconhecida.
This work aims to develop a method for Automatic Traffic Sign Recognition, namely, danger signs and some regulation signs (giving way, prohibition and obligation signs, all of them red or blue). The starting point for developing the method was a Mobile Mapping System’s video data, obtained in real conditions (uncontrolled conditions). The Automatic Traffic Sign Recognition method performs data post-processing (not real time processing) and comprises three stages. The detection stage consists in detecting the image Regions Of Interest (ROI) that may contain signs. This detection is performed using a color segmentation process (red and blue) and using five selection criteria (ROI dimensions, length-height ratio of the ROI, ROI distance to the limits of the image, the relative positioning between ROI’s centroid and a targeted area’s centroid and finally the filling ratio of ROI). The step of classification is based on the ROI obtained in the previous stage and consists in recognizing each region’s geometric shape, as well as the aggregation per classes of each one of these ROI. The classes used are based on color and geometric shapes. The recognition stage consists in the identification of the traffic signs that has been detected and classified, and is based on the correspondence of the pictograms present in the signals. Through a process of color segmentation the pictogram is extracted from the ROI and then its recognition is done by matching with template pictograms. This matching is performed using simple correlation. The detection stage showed a success rate of 32 % (if we exclude false positive results, the success rate increases to 89 %), the classification stage had a success rate of 93 % and the final recognition stage had a success rate of 91 %. The overall success rate obtained by the implemented method is 81 %, i.e., from the totality of traffic signs present in the sample, 81 % were correctly detected, classified and recognized.
