Com o crescimento das cidades urbanas, a quantidade da frota de veículos também aumenta. Um exemplo disso é a cidade de São Paulo, que segundo o relatório de 2019 disponibilizado pela companhia de engenharia de tráfego de São Paulo (CET), no horário de pico, diversas vias principais chegam a ter uma média de velocidade de apenas 9 km/h. Esse tipo de estudo é importante para aplicar agentes que otimizem o volume ou velocidade do tráfego, como um semáforo, por exemplo.

Porém, para fazer esse tipo de estudo, é necessário realizar uma massiva contagem de movimentação de veículos em vias de diversos pontos estratégicos. A contagem de veículos pode ser feita manualmente por um operário, mas o agente humano além de ser custoso para as empresas que realizam esse monitoramento, também inclui o fator de erro humano, dessa forma prejudicando a precisão da contagem. Por isso surgiu a demanda da empresa Consultran em desenvolver um software que auxilie esse processo do operário.

O trabalho desenvolvido por Monteiro e Albuquerque (2022) trouxe uma solução para esse cenário por meio de algoritmos de deep learning( aprendizado profundo). O software desenvolvido realiza a contagem automática da quantidade de veículos em cada frame de uma câmera de tráfego. Apesar de ser um significativo avanço na obtenção de dados para estudos de gerenciamento de trânsito, o software não rastreia a movimentação de cada veículo. Essa ferramenta pode ser importante para disponibilizar dados mais eficientes para análises de fluxo de veículos.

Portanto, o projeto propõe desenvolver um novo software para detectar, contar e rastrear a movimentação de veículos através de imagens obtidas por câmeras de tráfego urbano, utilizando de algoritmos de Deep Learning. Dessa forma, dando continuidade no trabalho iniciado por Matheus e Albuquerque (2022) e permitindo que os dados obtidos possam ser interpretados e utilizados por empresas para a realização de estudos de otimização de tráfego.

Desenvolver um software rastreador de movimentação de veículos em vídeo utilizando algoritmos de DeepLearning

• Desenvolver métodos de detecção e contagem de veículos em vídeo

• Desenvolver métodos de rastreamento da movimentação de veículos em vídeo

• Desenvolver ferramentas de análise de performance, como taxa de confiança

• Analisar a performance de rastreamento do software para vídeos em diferentes períodos do dia

• Analisar a performance de rastreamento do software para diferentes ângulos de câmera

Inicialmente é preciso entender que existem diferenças entre a detecção de objetos e o rastreamento de objetos. A aplicação de detecção de objetos envolve encontrar a posição de uma determinada classe de objeto em uma imagem. Para isso, existem diferentes tipos de algoritmos, desde detectores de objetos mais simples até arquiteturas mais complexas baseadas em Deep learning, como a YOLO. Já a aplicação de rastreamento de objetos é atribuir uma identificação única para determinado objeto previamente identificado e rastrear a movimentação do objeto em vídeo, prevendo a nova localização do objeto a cada frame com base nos atributos do frame (2018, Rosebrock).

Portanto, o primeiro passo para o desenvolvimento desse projeto, é escolher as duas arquiteturas de detecção e rastreamento de objeto. Os estudos para a detecção de objetos serão concentrados na arquitetura YOLO (You Only Look Once), pois o trabalho de Monteiro e de Albuquerque, cujo foco era a detecção de objetos, também foi desenvolvido com essa arquitetura.

A YOLO é uma arquitetura de identificação de objeto de único estágio. Esse tipo de arquitetura trata a detecção de objetos como uma lógica de regressão linear, e diferentemente de uma arquitetura de dois estágios, ela possuí menos processos (figura 1), sendo uma alternativa de detecção veloz (Sharma, 2022).

• Programação 1;

• Programação 2;

• Computação Científica;

• Tópicos Especiais para Engenharia: Introdução ao Aprendizado de Máquina