Uma nova metodologia para categorização de veículos terrestres baseada em momentos e métricas de desempenho e complexidade computacional

Abstract

Este trabalho propõe o uso de momentos para executar a categorização de veículos através de processamento de imagens. Foram extraídos momentos principais e momentos invariantes à escala e à translação de um total de 528 imagens, divididas uniformemente entre as seguintes classes: carros, vans, ônibus e caminhões. Essas características foram ordenadas pela sua significância para a classificação de veículos nas quatro classes já apresentadas. Utilizando os cinco conjuntos de características que obtiveram as melhores taxas médias de acerto, classificadores como k-NN, TM, MLP, AVA-SVM, OVA-SVM e PT-SVM, foram utilizados para definir qual a combinação entre os cinco conjuntos de características e os classificadores que obteve o melhor desempenho. As métricas analisadas consistem em taxa média de acerto, desvio padrão, custo computacional e FROTA - Frequência Relativa de Ocorrência de Taxa de Acerto, que fornece um instrumento baseado na distribuição das taxas de acerto e permite a análise visual da precisão e robustez de classificadores. A metodologia proposta atingiu taxas médias de acerto da ordem de 97% com desvio padrão de 1,27 para classificação utilizando MLP e um conjunto formado pelos 9 momentos invariantes à escala e à translação extraídos. _______________________________________________________________________________ ABSTRACT

This study proposes using moments to categorize vehicles through image processing. Principal moment features and moment features that are invariant to scale and translation were extracted from a total of 528 images uniformly divided into the following classes: cars, vans, buses and trucks. These features are ordered according to their significance to classifying vehicles in the four classes mentioned above. Using the 5 sets of features that gave the best hit rates, classifiers such as k-NN, TM, MLP, AVA-SVM, OVA-SVM and PT-SVM are used to determine which combination between the sets of features and the classifiers has the best performance. The metrics analyzed in this study are based on hit rates, standard deviation, the cost of computing and the relative frequency of correct predictions (FROTA). The latter provides an instrument based on hit rates and allows for a visual analysis of the classifiersŁ accuracy and resistance. The methodology proposed in this study yielded a hit rate of 97% with a 1,27 standard deviation for classifications using MLP and 9 invariant moments.