Ferramenta de coleta automatizada de trajetórias veiculares utilizando imagens de drone e técnicas de visão computacional

Autores

  • Alessandro Macêdo de Araújo Universidade Federal do Ceará, Fortaleza, Ceará, Brasil https://orcid.org/0000-0002-5933-6065
  • Thiago Passos Oliveira Universidade Federal do Ceará, Fortaleza, Ceará, Brasil
  • Manoel Mendonça de Castro Neto Universidade Federal do Ceará, Fortaleza, Ceará, Brasil https://orcid.org/0000-0002-6317-4863
  • Diêgo Farias de Oliveira Universidade Federal do Ceará, Fortaleza, Ceará, Brasil
  • João Paulo Pordeus Gomes Universidade Federal do Ceará, Fortaleza, Ceará, Brasil

DOI:

https://doi.org/10.58922/transportes.v31i3.2886

Palavras-chave:

Tráfego urbano, Vias urbanas, YOLO, Deep SORT

Resumo

O objetivo principal deste trabalho é propor um procedimento de coleta automatizada de trajetórias veiculares por meio de uma ferramenta de visão computacional, aplicado a filmagens realizadas por drone. Os algoritmos foram preparados para detectar, classificar e rastrear automaticamente os veículos, e os dados foram tratados para obter as trajetórias, em 4 locais de Fortaleza. O teste do modelo indicou um bom desempenho para detectar e classificar principalmente carros, motocicletas e caminhões (98% a 99% de acerto). Verificou-se a importância da correção da posição dos objetos para compensar a movimentação do drone devido aos ventos. Os instantes de passagem dos veículos e os headways obtidos foram similares aos coletados utilizando uma ferramenta semiautomática, com 98,6% das diferenças dos instantes entre 0,0 e 0,2 segundos e 95,3% das diferenças dos headways entre -0,1 e +0,1 s.

Downloads

Não há dados estatísticos.

Referências

Agerholm, N.; C. Tønning e T. K. O. Madsen et al. (2017) Road user behaviour analyses based on video detections: status and best practice examples from the RUBA software. In Proceedings of the 24th ITS World Congress. Montreal, Canada: ITS World, p. 1-10.

Amrutsamanvar, R.B.; B.R. Muthurajan e L.D. Vanajakshi (2019) Extraction and analysis of microscopic traffic data in disordered heterogeneous traffic conditions, Transportation Letters, v. 13, n. 1, p. 1-20. DOI: 10.1080/19427867.2019.1695563. DOI: https://doi.org/10.1080/19427867.2019.1695563

Barceló, J. e M. Kuwahara (2010) Traffic Data Collection and its Standardization. New York: Springer. DOI: 10.1007/978-1-4419-6070-2. DOI: https://doi.org/10.1007/978-1-4419-6070-2

Barmpounakis, E.N.; E.I. Vlahogianni e J.C. Golias (2016) Vision-based multivariate statistical modeling for powered two-wheelers maneuverability during overtaking in urban arterials, Transportation Letters, v. 8, n. 3, p. 167-76. DOI: 10.1179/1942787515Y.0000000020. DOI: https://doi.org/10.1179/1942787515Y.0000000020

Barmpounakis, E.N.; E.I. Vlahogianni e J.C. Golias (2018) Identifying predictable patterns in the unconventional overtaking decisions of PTW for cooperative ITS. IEEE Transactions on Intelligent Vehicles, v. 3, n. 1, p. 102-11. DOI: 10.1109/TIV.2017.2788195. DOI: https://doi.org/10.1109/TIV.2017.2788195

Bewley, A.; Z. Ge; L. Ott et al. (2016) Simple online and realtime tracking. In: IEEE Int. on Image Process. New York: IEEE, p. 3464-3468. DOI: 10.1109/ICIP.2016.7533003. DOI: https://doi.org/10.1109/ICIP.2016.7533003

Bochkovskiy, A.; C. Wang e H.M. Liao (2020) YOLOv4: Optimal Speed and Accuracy of Object Detection. ArXiv. DOI: 10.48550/arXiv.2004.10934.

Câmara, S.M.; D.A. Santos e F.J.C. Cunto (2015) Avaliação do uso da estratégia de visão computacional region based em pesquisas volumétricas em áreas urbanas. In Anais do XXIX Congresso de Pesquisa e Ensino em Transportes. Rio de Janeiro: ANPET, p. 1530-1541.

Castro-Junior, F.A.B.; M.M. Castro Neto e F.J.C. Cunto (2021) Análise do atraso e da brecha aceita dos pedestres em travessias semaforizadas: um estudo na cidade de fortaleza utilizando técnicas de visão computacional baseadas em deep learning. In Anais do XXXV Congresso de Pesquisa e Ensino em Transportes. Rio de Janeiro: ANPET, p. 2470- 2481.

Chen, P.; Y. Dang; R. Liang et al. (2017) Real-time object tracking on a drone with multi-inertial sensing data, IEEE Transactions on Intelligent Transportation Systems, v. 19, n. 1, p. 131-139. DOI: 10.1109/TITS.2017.2750091. DOI: https://doi.org/10.1109/TITS.2017.2750091

Cunha, A.L.B.N. (2013) Sistema automático para obtenção de parâmetros do tráfego veicular a partir de imagens de vídeo usando OpenCV. Tese (doutorado). Escola de Engenharia de São Carlos, Universidade de São Paulo, São Paulo, SP. DOI: 10.11606/T.18.2013.tde-19112013-165611. DOI: https://doi.org/10.11606/T.18.2013.tde-19112013-165611

Das, S.; A.K. Budhkar; A.K. Maurya et al. (2019) Multivariate analysis on dynamic car-following data of non-lane-based traffic environments. Transportation in Developing Economies, v. 5, n. 2, p. 17. DOI: 10.1007/s40890-019-0085-5. DOI: https://doi.org/10.1007/s40890-019-0085-5

Franklin, R.J. e Mohana (2020) Traffic signal violation detection using artificial intelligence and deep learning. In Proceedings of the Fifth International Conference on Communication and Electronics Systems. New York: IEEE, p. 839-844. DOI: 10.1109/ICCES48766.2020.9137873. DOI: https://doi.org/10.1109/ICCES48766.2020.9137873

Ismail, K.; T. Sayed; N. Saunier et al. (2009) Automated analysis of pedestrian-vehicle conflicts using video data.

Transportation Research Record: Journal of the Transportation Research Board, v. 2140, n. 1, p. 44-54. DOI: 10.3141/2140-05. DOI: https://doi.org/10.3141/2140-05

Kalman, R. (1960) A new approach to linear filtering and prediction problems, Journal of Basic Engineering, v. 82, n. 1, p. 35-45. DOI: 10.1115/1.3662552. DOI: https://doi.org/10.1115/1.3662552

Kasper-Eulaers, M.; N. Hahn; S. Berger et al. (2021) Short communication: detecting heavy goods vehicles in rest areas in winter conditions using YOLOv5. Algorithms, v. 14, n. 114, p. 114. DOI: 10.3390/a14040114. DOI: https://doi.org/10.3390/a14040114

Kuhn, H.W. (1955) The Hungarian method for the assignment problem. Naval Research Logistics Quarterly, v. 2, n. 1-2, p. 83-97. DOI: 10.1002/nav.3800020109. DOI: https://doi.org/10.1002/nav.3800020109

Leibe, B.; N. Cornelis; K. Cornelis et al. (2007) Dynamic 3D scene analysis from a moving vehicle. In: IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, p. 1-8. DOI: 10.1109/CVPR.2007.383146. DOI: https://doi.org/10.1109/CVPR.2007.383146

Luo, W.; J. Xing; A. Milan et al. (2021) Multiple object tracking: a literature review. Artificial Intelligence, v. 293, p. 103448. DOI: 10.1016/j.artint.2020.103448. DOI: https://doi.org/10.1016/j.artint.2020.103448

Munigety, C.R. e T.V. Mathew (2016) Towards behavioral modeling of drivers in mixed traffic conditions, Transportation in Developing Economies, v. 2, n. 1, p. 6. DOI: 10.1007/s40890-016-0012-y. DOI: https://doi.org/10.1007/s40890-016-0012-y

Rahman, R.; Z. Bin Azad e M.B. Hasan (2021) Densely-populated traffic detection using YOLOv5 and non-maximum suppression ensembling. In: International Conference on Big Data, IoT and Machine Learning. Singapore: Springer, p. 567-578. DOI: 10.1007/978-981-16-6636-0_43. DOI: https://doi.org/10.1007/978-981-16-6636-0_43

Redmon, J.; S. Divvala; R. Girshick et al. (2016) You Only Look Once: Unified, Real-Time Object Detection. ArXiv. DOI: 10.48550/arXiv.1506.02640. DOI: https://doi.org/10.1109/CVPR.2016.91

Rublee, E.; V. Rabaud; K. Konolige et al. (2011) ORB: an efficient alternative to SIFT or SURF. In IEEE International Conference on Computer Vision. New York: IEEE, p. 2564-2571 DOI: 10.1109/ICCV.2011.6126544. DOI: https://doi.org/10.1109/ICCV.2011.6126544

Saunier, N. e T. Sayed (2006) A feature-based tracking algorithm for vehicles in intersections. In Canadian Conference on Computer and Robot Vision. New York: IEEE, p. 59. DOI: 10.1109/CRV.2006.3. DOI: https://doi.org/10.1109/CRV.2006.3

Silva, S.M. e C.R. Jung (2018) License plate detection and recognition in unconstrained scenarios. In European Conference on Computer Vision. Germany: ECCV, p. 593-609. DOI: 10.1007/978-3-030-01258-8_36. DOI: https://doi.org/10.1007/978-3-030-01258-8_36

Tareen, S.A.K. e Z. Saleem (2018) A comparative analysis of SIFT, SURF, KAZE, AKAZE, ORB, and BRISK. In: International Conference on Computing, Mathematics and Engineering Technologies. New York: IEEE, p. 1–10. DOI: 10.1109/ICOMET.2018.8346440. DOI: https://doi.org/10.1109/ICOMET.2018.8346440

Tokuda, E.K.; Y. Lockerman; G.B.A. Ferreira et al. (2020) A new approach for pedestrian density estimation using moving sensors and computer vision. ACM Transactions on Spatial Algorithms and Systems, v. 6, n. 4, p. 1-20. DOI: 10.1145/3397575. DOI: https://doi.org/10.1145/3397575

Tzutalin (2015). LabelImg. Disponível em: <https://github.com/tzutalin/labelImg> (acesso em 06/03/2023).

Walha, A.; A. Wali e A.M. Alimi (2014) Video stabilization with moving object detecting and tracking for aerial video surveillance, Multimedia Tools and Applications, v. 74, n. 17, p. 6745-67. DOI: 10.1007/s11042-014-1928-z. DOI: https://doi.org/10.1007/s11042-014-1928-z

Wang, C.; A. Bochkovskiy e H.M. Liao (2022) YOLOv7: Trainable Bag-of-freebies Sets New State-of-the-Art for Real-Time Object Detectors. ArXiv DOI: 10.48550/arXiv.2207.02696. DOI: https://doi.org/10.1109/CVPR52729.2023.00721

Wojke, N. e A. Bewley (2018) Deep cosine metric learning for person re-identification. In IEEE Winter Conference on Applications of Computer Vision. New York: IEEE, p. 748-756. DOI: 10.1109/WACV.2018.00087. DOI: https://doi.org/10.1109/WACV.2018.00087

Wojke, N.; A. Bewley e D. Paulus (2017) Simple online and realtime tracking with a deep association metric. In IEEE Int.Conf. on Image Process. New York: IEEE, p. 3645-3649. DOI: 10.1109/ICIP.2017.8296962. DOI: https://doi.org/10.1109/ICIP.2017.8296962

Wu, T.; T. Wang e Y. Liu (2021) Real-time vehicle and distance detection based on improved Yolo v5 network. In World Symposium on Artificial Intelligence. New York: IEEE, p. 24-28. DOI: 10.1109/WSAI51899.2021.9486316. DOI: https://doi.org/10.1109/WSAI51899.2021.9486316

Zhao, Z.; P. Zheng; S. Xu et al. (2019) Object detection with deep learning: a review. IEEE Transactions on Neural Networks and Learning Systems, v. 30, n. 11, p. 3212-32. DOI: 10.1109/TNNLS.2018.2876865. PMid:30703038. DOI: https://doi.org/10.1109/TNNLS.2018.2876865

Downloads

Publicado

11-12-2023

Como Citar

Macêdo de Araújo, A., Passos Oliveira, T., Mendonça de Castro Neto, M., Farias de Oliveira, D., & Pordeus Gomes, J. P. (2023). Ferramenta de coleta automatizada de trajetórias veiculares utilizando imagens de drone e técnicas de visão computacional. TRANSPORTES, 31(3), e2886. https://doi.org/10.58922/transportes.v31i3.2886

Edição

v. 31 n. 3 (2023)

Seção

Artigos Vencedores do Prêmio ANPET Produção Científica

Licença

Copyright (c) 2023 Alessandro Macêdo de Araújo, Thiago Passos Oliveira, Manoel Mendonça de Castro Neto, Diêgo Farias de Oliveira, João Paulo Pordeus Gomes

Creative Commons License
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.

Ao submeter um manuscrito para publicação neste periódico, todos os seus autores concordam, antecipada e irrestritamente, com os seguintes termos:

  1. Os autores mantém os direitos autorais e concedem à Revista TRANSPORTES o direito de primeira publicação do manuscrito, sem nenhum ônus financeiro, e abrem mão de qualquer outra remuneração pela sua publicação pela ANPET.
  2. Ao ser submetido à Revista TRANSPORTES, o manuscrito fica automaticamente licenciado sob a Licença Creative Commons Attribution, que permite o compartilhamento do trabalho com reconhecimento da autoria e da publicação inicial neste periódico.
  3. Os autores têm autorização para assumir contratos adicionais separadamente, para distribuição não exclusiva da versão do trabalho publicada neste periódico (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento da publicação inicial nesta revista, desde que tal contrato não implique num endosso do conteúdo do manuscrito ou do novo veículo pela ANPET.
  4. Os autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) depois de concluído o processo editorial. Como a Revista TRANSPORTES é de acesso livre, os autores são estimulados a usar links para o site da Revista TRANSPORTES nesses casos.
  5. Os autores garantem ter obtido a devida autorização dos seus empregadores para a transferência dos direitos nos termos deste acordo, caso esses empregadores possuam algum direito autoral sobre o manuscrito. Além disso, os autores assumem toda e qualquer responsabilidade sobre possíveis infrações ao direito autoral desses empregadores, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.
  6. Os autores assumem toda responsabilidade sobre o conteúdo do trabalho, incluindo as devidas e necessárias autorizações para divulgação de dados coletados e resultados obtidos, isentando a ANPET e a Revista TRANSPORTES de toda e qualquer responsabilidade neste sentido.