Rastreamento de veículos em vídeo utilizando algoritmos de Deep Learning

Conclui-se então, que apesar dos vários desafios encontrados, a utilização das redes neurais está tomando seu lugar ao auxiliar ou substituir tarefas desgastantes tipicamente humanas, como por exemplo contagem de veículos. As redes por muitas vezes são capazes de ir além da tarefa a elas pretendidas, podendo extrair informações adicionais e relevantes sobre o contexto em que estão sendo utilizadas.

A utilização de rastreadores juntamente com bibliotecas de reconhecimento de objetos pode ser futuramente reconhecida como uma potente ferramenta global para uso no controle de tráfego de veículos em espaços urbanos, desde que sejam treinados suficientemente para reconhecer quaisquer condições especiais de veículos que possam aparecer em alguns países.

No entanto, escapando do escopo deste trabalho, cujas análises se passam em momento posterior à captação das imagens, é possível observar que para utilizar redes neurais potentes em aplicações em tempo real necessitam de investimento em hardware capaz de realizar o processamento sem que o mesmo sofra por grandes percas de performance

Uma das primeiras dificuldades encontradas se deu ao escrever o script, onde a falta de uma ferramenta de debug do código por muitas vezes impediu o andamento deste trabalho, uma vez que não se era possível saber o que estava causando alguns erros no código durante o tempo de execução do script.

Outro obstáculo esteve presente nas diferentes versões existentes das principais bibliotecas utilizadas, onde se fez necessário utilizar mais de um ambiente de desenvolvimento para o Python - como Anaconda ou Pycharm - para utilizar todas as funcionalidades pretendidas para o projeto.

No script, a qualidade das imagens obtidas por muitas vezes dificultou o rastreamento e detecção de veículos pequenos e/ou com cores similares às do plano de fundo. Por muitas vezes a detecção de motocicletas se mostrou pouco eficaz pois estas ou possuíam variações cuja rede não era treinada para detectar ou eram formadas por cores que se mesclavam aos seus arredores, o que tornava a detecção e o rastreamento inconstantes.

O problema descrito anteriormente pôde ser parcialmente resolvido ao utilizar uma rede neural mais treinada (e mais pesada) para melhorar a capacidade de rastreio destes veículos.

Outra questão encontrada se deu no rastreamento de veículos que não se encaixavam completamente em uma classe pré-definida no script, e portanto, eram muitas vezes registrados como sendo dois veículos diferentes com tipos diferentes, prejudicando a contagem dos mesmos pelo software.

No futuro, a continuação deste projeto implica em aplicar maneiras de corrigir os problemas descritos acima enquanto se busca por métodos de melhoria de detecção e rastreamento de objetos. A principal investigação deve ser na utilização de um banco de dados mais robusto, composto por veículos de modelos ligeiramente diferente dos modelos clássicos de carros, como furgões e SUV. Além disso, é necessário um maior treinamento da rede neural para motocicletas, visto que houveram problemas para detectar. Estas ações devem aumentar o grau de confiabilidade da rede para detectar veículos em vias urbanas brasileiras.

Quanto aos algoritmos rastreadores, o Strongsort, Bytetrack e OCSort apresentaram um ótimo desempenho para manter o acompanhamento dos veículos, os fatores que atrapalharam seu rastreamento foram causados por limitações do detector.