4 Reisetidsmålinger
4.4 Detaljerte resultater
Foi proposto por Chien (2013) um sistema de assistência ao motorista e segurança de pe- destres. Seu objetivo foi ajudar a reduzir o número de acidentes fatais causados por distração e pela falta de foco de pedestres.
O sistema utiliza uma câmera para analisar o condutor e duas câmeras para detecção de obstruções e pedestres na estrada. Ainda detecta faixas da pista, bem como veículos e pedestres à frente, além disso utiliza a linha de visão do condutor, esta linha é definida pela posição de sua face e olhos com base nas imagens da câmera posicionada a sua frente, para verificar se há perigo na direção, como o veículo não estar no centro da faixa.
Figura 5.9: Diagrama de blocos do ADAS de Chien (2013) (Adaptado de Chien (2013)). A Figura 5.9 ilustra o diagrama de blocos do sistema proposto porCHIEN. Como pode ser
visto, os dados brutos, como velocidade e imagens das câmeras (virada para face do condutor e as duas para a pista) são enviados para a fase de extração dos dados. Pedaços de informações são extraídas a partir desses dados brutos. Essas informações incluem as localizações e os tipos de limite de faixa, desvio do veículo em relação ao centro da pista e o alinhamento entre a linha de visão do condutor e o centro da faixa onde o veículo está.
5.4 Considerações Finais 116 desvio da linha de visão do condutor até o objeto e a distância entre eles. Cada informação é passada (FCW/FCA e Anti-desvio na faixa) ou não para as regras Fuzzy (análise de segurança com obstáculos e sem obstáculos). Após isso, determina qual o alerta mais grave e imite um alerta, porém não foi informado como é o alerta.
Separadamente, a detecção de linha de visão usa uma imagem do motorista para determinar o seu ângulo de visão. Essa detecção é feita a partir da detecção de face com o uso do filtro de partículas (RISTIC; ARULAMPALAM; GORDON, 2004), localizando olhos e nariz e, finalmente, a
determinação da orientação facial.
A detecção da pista utiliza os dados das câmeras voltadas para frente. Primeiro é feita uma inversão de perspectiva na imagem de entrada, depois é aplicado um linha-detector, uma transformada de Hough e, após, a imagem é convertida para escala de cinza. Assim se detecta o centro da pista com base nas faixas detectadas. Esse método falha em algumas situações, como quando há marcas de pneus e quando as faixas estão um pouco apagadas.
Para detectar veículos é utilizado um classificador AdaBoost para encontrar o veículo. Por fim, a detecção de pedestres é feita a partir de um ROI da imagem oriunda das câmeras voltadas para frente utilizando AdaBoost com informações de um HOG, contendo informações geomé- tricas para pedestres. Os resultados mostram que o uso de regras Fuzzy pode tornar a detecção superior ao classificador AdaBoost e mostrou que o sistema desenvolvido teve um desempenho esperado.
5.4 Considerações Finais
Na literatura, diversas soluções para o monitoramento de condutores são desenvolvidas, entre elas destacamos os métodos para detecção de saída de faixa, detecção de sonolência e ADAS. Esses sistemas têm como abordagem mais comum a visão computacional, onde são aplicados algoritmos e métodos a imagens de câmeras, sendo normalmente aplicados a regiões de interesse da imagem capturada. No Capítulo seguinte são apresentadas as comparações entre nossas propostas e os trabalhos relacionados.
Capítulo 6
COMPARAÇÃO COM OS
TRABALHOS
RELACIONADOS
Como ficou evidenciado, existem, na literatura, diversas soluções cuja meta seja monitorar o condutor, como método para detecção de saída de faixa, de detecção de sonolência, criação de ADAS etc. Essas soluções fazem uso de diferentes métodos, abordagens, componentes, en- tre outras características. Sendo assim, diante dessa diversidade de soluções, neste capítulo, são apresentados comparativos entre as soluções propostas pela dissertação e os trabalhos re- lacionados apresentados no capítulo anterior, levando em consideração as características das soluções.
6.1 Detecção de Faixa e Saída de Faixa
Para uma comparação com mais métodos de detecção de faixa e saída de faixa, como os apresentados na Seção 5.1, o método proposto pelo iCar, mostrado na Seção 5.3, também será utilizado para as comparações com nossos métodos de detecção: com acelerômetro, com ace- lerômetro e giroscópio, a detecção do ADAS KITT e com o protótipo Vol-LDWS.
Como primeira análise podemos ver o tipo de abordagem, por ser uma característica in- teressante, todos os trabalhos relacionados utilizam visão computacional, pois geralmente, na literatura, se resolve o problema da detecção de faixa e, a partir dessa, são detectadas as saídas de faixa. Porém, nossos sistemas tentam inferir a saída de faixa utilizando gráfico de controle EWMA (consistindo em um novo uso para SPC) sem a detecção da faixa, portanto sendo os únicos utilizando outra abordagem, a baseada no veículo.
A sensibilidade a luz é um fator importante, pois os métodos costumam utilizar visão com- putacional e, por isso, sofrerem interferência de iluminação. Todos relacionados são sensíveis
6.1 Detecção de Faixa e Saída de Faixa 118
Tabela 6.1: Quadro comparativo dos métodos/sistemas de detecção de faixa e saída de faixa apre- sentados. *Baixo custo foi considerado o que os autores informaram, ou seja, se consideraram a própria solução como de baixo custo.
Método Tipo de Abordagem Sensível à Luz
Gaikwad e Lokhande (2015) Visão computacional Sim, pouco
Son (2015) Visão computacional Sim, muito pouco
Aung e Zaw (2014) Visão computacional Sim, muito Jung, Min e Kim (2013) Visão computacional Sim
iCar Kumar (2014) Visão computacional Sim Proposta com
Acelerômetro Baseada no veículo Não
Proposta com Acelerômetro e Giroscópio
Baseada no veículo Não ADAS KITT
Detecção de Faixa Visão computacional Sim Protótipo Vol-LDWS Baseada no veículo Não
Método Baixo Custo* Baixo Consumo de
recursos computacionais Alerta Sonoro
Gaikwad e Lokhande (2015) - - Não
Son (2015) - - Não
Aung e Zaw (2014) - Sim Não
Jung, Min e Kim (2013) Sim Sim -
iCar Kumar (2014) - Não Sim
Proposta com
Acelerômetro Sim Sim Não
Proposta com Acelerômetro e Giroscópio
Sim Sim Não
ADAS KITT
Detecção de Faixa Sim Não Não
6.2 Detecção de Sonolência 119 a luz, com destaque positivo para o trabalho deSON que teve como objetivo criar um sistema
com pouca influência da luz, sendo muito pouco afetado por ela. Enquanto isso, nossos siste- mas não sofrem qualquer mudança pela iluminação, porém tem algumas desvantagens, como a dependência da velocidade do veículo devido à calibração.
O custo financeiro e de recursos computacionais também é relevante, nesse sentido pou- cos trabalhos informaram tais características, apesar de serem um pouco subjetivas. Além de nossos métodos e o protótipo, apenas um método tem baixo custo e consome poucos recursos, o trabalho deJUNG; MIN; KIM. Enquanto o projeto iCar assume que consome muitos recursos, sendo ineficiente ao usar dois módulos que usam visão computacional ao mesmo tempo.
6.2 Detecção de Sonolência
Além dos métodos para detecção de sonolência apresentados na Seção 5.2, o método pro- posto pelo iCar, mostrado na Seção 5.3, também será utilizado para as comparações com nosso método de detecção de sonolência, do ADAS KITT.
Tabela 6.2: Quadro comparativo dos métodos/sistemas de detecção de sonolência apresentados.
Método Mobile Abordagem
iCar Não Comportamental (visão computacional)
WakeApp Sim Comportamental (visão computacional)
Patel (2015) Não Comportamental (visão computacional) Ma’touq (2014) Sim Comportamental (visão computacional) Jung, Shin e Chung (2014) Não Sinais fisiológicos
McDonald (2014) Não Baseada no veículo
KITT Não Comportamental (visão computacional)
Método Sensível à luz Intrusivo Alertas
iCar Sim Não Sonoro
WakeApp Sim Não Sonoro
Patel (2015) Sim Não Sonoro
Ma’touq (2014) Não Não -
Jung, Shin e Chung (2014) Não Não -
McDonald (2014) Não Não -
KITT Sim Não Sonoro
A Tabela 6.2 apresenta algumas informações sobre cada um dos sistemas/métodos para a realização de comparações. A primeira observação é sobre a abordagem utilizada, apenas dois métodos (Jung, Shin e Chung (2014) e Ma’touq (2014)) não usaram abordagem comportamen- tal. Isso se deve ao fato de que o uso de visão computacional para este problema tem sido visto
6.3 ADAS 120