Classificação e Identificação de Veículos
Transcrição
Classificação e Identificação de Veículos
Classificação e Identificação de Veículos ISEL.ADEETC.M2A – Pedro Mendes Jorge Motivação 15/06/15 2 Indíce 1. Classificação de Veículos 1.1 Via canalizada, Multi-Lane Free Flow 1.2 Laser, perfil, magnetómetro, LIDAR+visão 2. Identificação de Veículos 2.1 Matrícula 2.2 Marca/Modelo 5. Resultados 6. Trabalho Futuro 15/06/15 3 Classificação de Veículos Enquadramento Definição de classes de veículos para efeitos de aplicação das tarifas de portagem; São definidas 4 classes com base na altura do veículo medida à vertical do primeiro eixo e número total de eixos do veículo; Pagamento automático com identificador eletrónico do veículo • Enforcement • Ex-SCUT’s Classificação Automática • Via canalizada • Multi-Lane Free Flow (MLFF) 15/06/15 4 Via Canalizada 1,10 m Pedana Contagem de eixos 15/06/15 5 Multi-Lane Free Flow (MLFF) 15/06/15 6 Sistema com laser (SCAV) 18 1.6 1.4 1.2 1 Height (m) 0.8 0.6 0.4 0.2 0 -0.2 0 20 40 60 80 100 120 140 160 180 Samples 15/06/15 7 SCAV em MLFF Sensor Detecção Eixos #1 #2 #3 #4 #5 #6 Sensor ULS 15/06/15 8 Classificação com base no perfil 18 85 1.6 30 2.5 3.5 1.4 3 1.2 2 Height (m) Height (m) 0.8 0.6 0.4 0.2 Height (m) 1 1.5 1 2.5 2 1.5 1 0.5 0.5 0 -0.2 0 0 20 40 60 80 100 120 Samples Classe 1 15/06/15 140 160 180 0 50 100 Samples Classe 2 150 0 0 50 100 150 200 Samples Classe 4 9 250 Eigen Profiles 4.5 2.5 1.8 1.6 4 2 1.4 3.5 1.2 3 1.5 1 2.5 0.8 0.6 1 2 0.4 1.5 0.2 0.5 1 0 0.5 0 10 20 30 40 50 60 70 80 90 100 0 -0.2 0 10 20 Big Truck 30 40 50 60 70 80 90 100 0 10 20 30 Big Van 3 40 50 60 70 80 90 100 70 80 90 100 MPV 1.8 1.8 1.6 1.6 2.5 1.4 1.4 2 1.2 1.2 1 1.5 1 0.8 0.8 1 0.6 0.6 0.4 0.5 0.4 0.2 0 0.2 -0.5 0 10 20 30 40 50 60 70 80 90 100 0 0 -0.2 0 10 Small Truck with Box Eigen Profiles – PCA method 15/06/15 20 30 40 50 60 70 Small Van 80 90 100 0 10 20 30 40 50 60 Jeep 8 classes, 2373 images Hit Rate = 93.3% 10 Magnetómetro 25 15 5 -5 0 50 100 150 200 250 300 350 -15 -25 -35 -45 15/06/15 Sensor 1 Sensor 2 11 Identificação 9 classes Conjunto de treino: 54 perfis Conjunto de teste: 53 perfis Probabilidade de erro: 1,9% 15/06/15 12 Identificação com integração LIDAR + Visão Laser (LIDAR) Video Camera Y’ 90º / 45º X’ ө Z’ r αα+ Y Z X 0º / -45º LIDAR @ 75 scans/s VIDEO @ 25 frames/s 15/06/15 13 Identificação LIDAR + Visão 15/06/15 14 Classificação/Identificação de Veículos Que classe é? Classe 1, 2, 3, 4! Que veículo é? Matrícula, marca, modelo! (Identificação) 15/06/15 15 Reconhecimento de Matrículas 1. Deteção da matrícula 2. Reconhecimento dos caracteres 47 12 XT Algumas soluções no mercado: ARH, Quercus, DTK, Makewise Photo-tolling Método atualmente utilizado nas ex-SCUT’s quando o veícul o não tem identificador. 15/06/15 16 Advanced Licence Plate Recognition system (ALPR) Rear module Front module IR camera Visible camera Synchronous IR flash IR camera Synchronous IR flash Lane 15/06/15 17 ALPR Image generated by the ALPR system LPR JPEG file with extra header 15/06/15 LPR 47 12 XT 47 12 XT <other data> 18 Identificação de Marca/Modelo Query ROI NN Result BMW Z4 E89 Extração de características • 2D-LDA VW Golf Mark VII • SURF’s Classificação • KNN • K-D search tree 15/06/15 Toyota Corolla gen. 9 19 Resultados Descrição da Base de Dados • 19300 imagens com 27 marcas e 423 modelos (mínimo 10 imagens por modelo); • Conjunto de treino com 80% de imagens e teste com 20%; Resultados da Identificação • Marca: 94.8% acerto; • Marca/modelo: 92.6% acerto; 100 Correctly classified (%) 99 98 97 96 95 94 93 92 91 90 2 3 4 5 6 7 8 9 10 15 20 40 60 80 100 150 200 250 300 350 400 423 Number of vehicle models 15/06/15 20 Trabalho Futuro Integração de vários métodos para aumentar a fiabilidade; Introdução de novos sensores; Produção; 15/06/15 21