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