Comparação de Histogramas em Processamento de Imagens, Resumos de Algoritmos

Baixe Comparação de Histogramas em Processamento de Imagens e outras Resumos em PDF para Algoritmos, somente na Docsity!

WILSON MITSUO UAQUIDA

Detecção de pessoas não utilizando capacetes de

segurança através de sistema de visão artificial

São Paulo – Brasil

2016

WILSON MITSUO UAQUIDA

Detecção de pessoas não utilizando capacetes de

segurança através de sistema de visão artificial

Dissertação apresentada ao programa de Pós- Graduação em Automação e Controle de Processos do Instituto Federal de Educação, Ciência e tecnologia de São Paulo, como requisito para a obtenção do título de mestre.

Orientador: Prof. Dr. Ricardo Pires

São Paulo – Brasil

2016

Agradecimentos

Gostaria de expressar meus agradecimentos a Deus pela abertura desta porta e de tantas outras que tem me proporcionado, pela Sua Presença em minha vida e pela Sua Proteção.

Agradeço muitíssimo a minha esposa Celina e ao meu filho William pelo amor, paciência e principalmente pelo apoio que deram para seguir sempre em frente.

Agradeço imensamente ao Instituto Federal de São Paulo pela oportunidade concedida.

Ao meu orientador Ricardo Pires, minha eterna gratidão pelo acompanhamento diligente deste trabalho e pelas palavras de incentivo, que contribuíram muito para a minha formação.

A Igreja Metodista Livre de Santana e a empresa Ale Art’s pela disponibilidade e cessão de filmagens em seus domínios.

Aos amigos, colegas e a todos aqueles que por meio de discussões, sugestões e comentários colaboraram para a realização deste trabalho.

Muito obrigado,

Wilson

Resumo

No Brasil, acidentes de trabalho envolvendo a cabeça e o crânio são comuns em muitas das atividades econômicas aqui desenvolvidas. De acordo com o Anuário Estatístico da Previdência Social, houve 24.561 acidentes desse tipo em 2014, representando cerca de 3,4% do total de acidentes de trabalho no país. O Anuário não revela detalhes, o que se leva a conjecturar que, pelo menos em parte, ocorreu devido a não observância quanto ao uso de equipamentos de proteção. A proposta deste trabalho é detectar automaticamente pessoas que não estão utilizando capacetes de segurança em local onde são obrigatórios. Para este fim, foi utilizado um sistema de visão artificial, cujo algoritmo é composto de uma série de etapas. A primeira etapa consiste na aquisição da imagem com filmagens. A segunda etapa, denominada segmentação, identifica imagens em movimento e delimita uma subimagem da cabeça das pessoas. A terceira e a quarta etapa referem-se a aplicação de filtros e mudança do sistema de cores. Na quinta etapa, denominada descrição, a subimagem é convertida em dados através de histograma de cores. Na última etapa, da classificação por comparação de histogramas, as pessoas sem capacetes são assinaladas por um retângulo. Os resultados de detecção atingiram valores maiores que 99,0%.

PALAVRAS-CHAVE: visão artificial; segmentação por movimento; descrição por histogramas; comparação de histogramas.

Abstract

In Brazil, industrial accidents involving the head and skull are common in many of the economic activities developed here. According to the Statistical Yearbook of Social Security, there were 24,561 such accidents in 2014, representing about 3.4% of all work accidents in the country. The Yearbook does not reveal details, which leads to conjecture that, at least in part, was due to non-compliance regarding the use of protective equipment. The purpose of this work is to automatically detect people who are not using safety helmets in where they are required. To this end, we used an artificial vision system whose algorithm is composed of a series of steps. The first step is the acquisition of the image with shooting. The second stage, called segmentation, identifies moving images and delimits a sub-image of people's heads. The third and the fourth step refers to applying filters and change the color system. In the fifth step, called description, the subpicture is converted into data through color histogram. In the last step, the rating histograms comparison, people without helmets are marked by a rectangle. The detection results reached values greater than 99.0%.

KEYWORDS: artificial vision; segmentation by movement; description by histograms; histogram comparison.

Figura 11: Representação em 3D do filtro de Gauss e sua respectiva máscara (Burger e Burge (2008) p. 97).................................................................................................................... 39

Figura 12: (a) Imagem original; (b) Resultado da aplicação com filtro bilateral; (c) e (d) Detalhes de (a). (Tomasi e Manduchi, 1998)............................................................................. 42

Figura 13: Efeitos da variação dos parâmetros σd e σr. (Tomasi e Manduchi, 1998).... 43

Figura 14: fluxo das etapas do algoritmo de visão de máquina. (Fonte: autor)............... 48 Figura 15: resumo ilustrativo do algoritmo de visão de máquina. (Fonte: autor)............ 59 Figura 16: segmentação por movimento MOG. (Fonte: autor)...................................... 60 Figura 17: segmentação por movimento MOG2. (Fonte: autor).................................... 61 Figura 18: Geração de imagem de interesse a partir de sub imagem do segmentador MOG2. (Fonte: autor)................................................................................................................ 61

Figura 19: exemplo de uma das máscaras utilizadas na pesquisa. (Fonte: autor)............ 62 Figura 20: contingência no algoritmo MOG2 – detecção de movimento do tronco separado da cabeça. (Fonte: autor)............................................................................................. 62

Figura 21: imagem segmentada do topo de uma cabeça humana. (Fonte: autor)............ 63 Figura 22: imagem segmentada do topo de uma cabeça humana utilizando capacete amarelo. (Fonte: autor).............................................................................................................. 63

Figura 23: gráficos representando os histogramas de 45 intervalos de classe com a utilização de filtro bilateral, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha)............................................................................................... 64

Figura 24: gráficos representando os histogramas de 180 intervalos de classe com a utilização de filtro bilateral, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha)............................................................................................... 64

Figura 25: gráficos representando os histogramas de 45 intervalos de classe com a utilização de filtro gaussiano, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha). (Fonte: autor)................................................................ 66

Figura 26: gráficos representando os histogramas de 180 intervalos de classe com a utilização de filtro gaussiano, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha). (Fonte: autor)................................................................ 66

Figura 27: gráficos representando os histogramas de 45 intervalos de classe com a utilização de filtro de média, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha). (Fonte: autor)........................................................................ 68

Figura 28: gráficos representando os histogramas de 180 intervalos de classe com a utilização de filtro de média, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha). (Fonte: autor)........................................................................ 68

Figura 29: gráficos representando os histogramas de 45 intervalos de classe com a utilização de filtro de mediana, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha). (Fonte: autor)................................................................ 70

Figura 30: gráficos representando os histogramas de 180 intervalos de classe com a utilização de filtro de mediana, referente ao topo da cabeça humana sem capacete (cor azul) e com capacete amarelo (cor vermelha). (Fonte: autor)................................................................ 70

Foram utilizadas todas combinações possíveis entre intervalos de classe, filtros e classificadores-comparadores................................................................................................... 74

Tabela 10: resultado da detecção de pessoas que não estão utilizando capacetes e os respectivos falsos positivos, comparando-se os modelos de cabeças com os capacetes brancos. Foram utilizadas todas combinações possíveis entre intervalos de classe, filtros e classificadores-comparadores................................................................................................... 75

Lista de abreviaturas e siglas

3D - Modelo tridimensional

BGR - Do inglês: “ blue ” (azul), “ green ” (verde) e “ red ” (vermelho).

CCD - Do inglês: “ charge-coupled device ” (dispositivo de carga acoplada).

CIM - Centro Integrado de Monitoramento

DETECTA - Designação dada ao sistema de monitoramento criminal adquirido pelo Governo do Estado

EPI’s - Equipamentos de Proteção Individual.

HSV - Do inglês: “ hue” (matiz) , “saturation” (saturação) e “value” (luminância).

H - Do inglês: “ hue” (matiz).

MOG - Do inglês: “Mixture of Gaussians” (Mistura de Gaussianas).

MOG2 Do inglês: “Mixture of Gaussians 2” (Mistura de Gaussianas versão 2).

OpenCV Do inglês: “ Open Computer Vision”.

RGB - Do inglês: “red” (vermelho), “green” (verde) e “blue” (azul).

S - Do inglês: “saturation” (saturação).

Sumário

19

1. Introdução

1.1 Formulação do problema:

Os sistemas de monitoramento por câmeras têm sido amplamente utilizados e difundidos nos últimos anos, principalmente nas áreas de segurança pública e segurança patrimonial. A evolução da tecnologia e a consequente redução de custos operacionais têm contribuído para estes fatos. Porém o fator preponderante é a eficácia do sistema. Conforme Números (2016), desde que o Centro Integrado de Monitoramento (CIM) foi inaugurado, em 2014, na cidade de São Bernardo do Campo, o sistema tem inibido a ocorrência de crimes. O CIM conta com 400 câmeras e já se tornou ferramenta essencial para a política de segurança pública da cidade. Exemplo da eficiência do sistema são os números apresentados antes e depois do monitoramento por câmeras da Avenida Senador Fláquer, na Vila Euclides. De abril de 2013 a março de 2014, antes do CIM começar a funcionar, foram registrados 28 casos de furtos de veículos na via. Esse número foi reduzido para oito casos de abril de 2014 a março de 2015, ou seja, queda de 71,43%. Já no período de abril 2015 a março de 2016, outra redução, dessa vez para cinco ocorrências, ou de 35,5%. O monitoramento é realizado por operadores de câmeras treinados, que conseguem identificar situações suspeitas de delito. O governo do Estado de São Paulo também investiu, no ano de 2014, em um sistema de monitoramento inteligente por câmera, denominado DETECTA. Conforme SP (2016), o primeiro sistema DETECTA foi desenvolvido pela empresa Microsoft em parceria com a polícia da cidade de Nova Iorque. A ferramenta foi idealizada para ações de contraterrorismo na cidade americana e passou também a ser utilizada no trabalho contra outros tipos de crimes. Com o DETECTA, são emitidos alarmes automáticos de acordo com os 10 mil padrões de crimes, que foram desenvolvidos durante a experiência em Nova Iorque. Esses alertas foram alterados para a realidade brasileira. Exemplificando: o sistema alerta automaticamente um padrão de suspeita quando um pedestre transita entre veículos parados no congestionamento. Isso permite que as informações de inteligência sejam recebidas sem a necessidade de operar o sistema a todo momento. Conforme argumentos expostos, as ações de monitoramento são eficazes quando há a necessidade de proteção de algo ou alguém. O problema levantado nesta dissertação é também

20

concernente a proteção de pessoas, porém no âmbito da segurança do trabalho, especificamente envolvendo a cabeça e o crânio dos trabalhadores. No Brasil, de acordo com o Anuário (2016, p. 590), houve 24.561 acidentes relacionados com cabeça e crânio em 2014 (dados revisados em maio de 2016), representando cerca de 3,4% do total de acidentes de trabalho no país. O Anuário (2016, p. 590) não revela detalhes e em que circunstâncias aconteceram estes casos, o que se leva a conjecturar que, pelo menos uma parte, ocorreu devido a não observância quanto ao uso de EPI’s (Equipamentos de Proteção Individual). Um monitoramento por câmera, aliado a um sistema que consiga detectar automaticamente trabalhadores que não estão utilizando capacetes de segurança, poderá ser utilizado como uma ferramenta informativa, a exemplo do CIM e DETECTA, dando subsídios para que a engenharia de segurança do trabalho possa atuar de forma a mitigar o número de óbitos relacionados.

1.2 Objetivo geral:

Desenvolver um sistema de visão artificial no intuito de detectar a presença de pessoas que não estão utilizando capacetes de segurança em locais onde são obrigatórios.

1.3 Objetivos específicos :

• Identificar o algoritmo de detecção de movimento mais adequado.
• Descobrir quais parâmetros da combinação filtro-descritor-classificador apresentam maior precisão.

1.4 Organização do trabalho:

O sistema de visão artificial para detecção de pessoas não utilizando capacetes de segurança é tratado neste documento ao longo das seguintes seções: