Experimentos foram realizados com as propostas apresentadas no Capítulo 4 e parametrização encontrada na Seção 5.1. Seis vídeos3 com outros motoristas, ambientes, câmeras e iluminações foram utili- zados. Todos os vídeos possuem taxa de 15 quadros por segundo. A resolução utilizada é de 400 × 300 pixels em todos. O formato de codi- Ącação é o RAWBGR24. Duas câmeras foram utilizadas na aquisição, sendo, C270 Logitech HD Webcam a Câmera 1, e a Câmera 2 Webcam Integrada fabricada pela Quanta Computer Inc. As informações espe- cíĄcas sobre os vídeos encontram-se na Tabela 12. Exemplo de quadro para os vídeos são mostrados na Figura 51. Nas subseções seguintes encontram-se a descrição dos testes realizados.
Tabela 12 Ű Informações sobre os vídeos (outros motoristas).
# Câmera Ambiente Iluminação Duração Quadros
V6 1 Veículo (parado) Sol 118 s 1.775 V7 1 Veículo (parado) Sol 117 s 1.757 V8 2 Outro Fluorescente 98 s 1.480 V9 2 Outro Incandescente 117 s 1.768 V10 2 Outro Incandescente 112 s 1.680 V11 2 Outro Fluorescente 118 s 1.772
Fonte: produção do próprio autor.
5.2.1
Proposta de Reconhecimento de Padrões
Os Vídeos 6 a 11 foram testados utilizando-se períodos, classi- Ącador MLP/Gaussiana 2n e 𝑐𝑜𝑟𝑡𝑒 de 60% (ver Seção 5.1.1). O número de períodos por vídeo são mostrados na Tabela 13. A acurácia alcan- çada em cada vídeo para Şcom celularŤ, Şsem celularŤ e para todos os quadros são mostradas no gráĄco da Figura 52.
A acurácia média nos vídeos, exceto o Vídeo 7, atingiu patamar próximo a 90%. A mais baixa acurácia do vídeo Vídeo 7 se dá por erros
3
5.2. Aplicação das Propostas em Outros Motoristas 117
Figura 51 Ű Exemplo de quadro para os Vídeos 6, 7, 8, 9, 10 e 11.
(a) V6 (b) V7 (c) V8
(d) V9 (e) V10 (f) V11
Fonte: produção do próprio autor.
Tabela 13 Ű Número de períodos por vídeo.
Vídeos V6 V7 V8 V9 V10 V11
Períodos 40 40 33 40 38 40
Fonte: produção do próprio autor.
obtidos na classiĄcação Şcom celularŤ que atingiu acurácia de apenas 38, 10%. Esse problema é causado por diĄculdades na segmentação da pele. A amostra de pele do motorista, retirada da região central da face, possui tom avermelhado e diferente do tom encontrado nas mãos que são mais esbranquiçados. Como resultado, poucos pixels de pele são detectados nas regiões de interesse para o 𝑃 𝑀 em um formato da segmentação diferente do normalmente obtido no 𝑀𝐼 (ver Seção 4.1.3). Um exemplo de recorte do motorista com diferença de cor face/mãos é mostrado na Figura 53(a) e sua respectiva segmentação encontra-se na Figura 53(b).
Figura 52 Ű Acurácia do sistema de reconhecimento de padrões para os Vídeos 6, 7, 8, 9, 10 e 11. 30 40 50 60 70 80 90 100 C om C el ula r S em C elula r Todos % Vídeo 6 Vídeo 7 Vídeo 8 Vídeo 9 Vídeo 10 Vídeo 11
Fonte: produção do próprio autor.
No Vídeo 10, foi detectado um problema que prejudica a seg- mentação de pele, ocasionado pela roupa e ombros do motorista. Em situações em que o recorte do motorista deixa visível os ombros e, sendo a roupa utilizada próxima da cor obtida na amostra de pele, pixels de pele são detectados erroneamente, tendendo a classiĄcar estes quadros como Şcom celularŤ. Este problema pode vir a ser ocasionado, também, quando o motorista não utilizar a camisa (sendo a sua própria pele detectada pelo algoritmo). Nas Figuras 53(c) e 53(d), encontram-se um exemplo de recorte do motorista e sua segmentação de um quadro apresentando o problema dos ombros à mostra.
5.2.2
Proposta de Detecção de Movimento
Utilizou-se a proposta de DM com buffer de 10 quadros para identiĄcar a movimentação presente nos Vídeos de 6 a 11 (ver Se- ção 5.1.2). Na Figura 54, são apresentados os resultados obtidos. Por se tratar de uma imagem com fundo fundamentalmente estático, o moto- rista é o único ator que ocasiona movimentação na imagem. Por essa ra- zão ocorre um número menor de identiĄcações inválidas. Na Figura 55, mostra-se a acurácia total dos movimentos e individualmente por vídeo.
5.2. Aplicação das Propostas em Outros Motoristas 119
Figura 53 Ű Exemplos de quadros com problema de segmentação. As regiões demarcadas pelos retângulos são onde os proble- mas ocorrem. Nas Ąguras (a), (c) são mostradas a face do motorista, sendo suas respectivas segmentações encontra- das nas Ąguras (b) e (d), respectivamente.
(a) Cor da mão (b) Segmentação (c) Ombros (d) Segmentação
Fonte: produção do próprio autor.
Figura 54 Ű GráĄco dos resultados obtidos com a DM.
0 20 40 60 80 100 C or retos Er
rados Total Invá
lidos N ão i dent if icados Q ua dr os Vídeo 6 Vídeo 7 Vídeo 8 Vídeo 9 Vídeo 10 Vídeo 11 Todos os vídeos
Fonte: produção do próprio autor.
5.2.3
Proposta Híbrida
Os Vídeos 6 a 11 foram processados utilizando o sistema Hí- brido (HB). Os parâmetros utilizados para risco alto foram o classiĄca- dor MLP/Gaussiana 7n e 𝑐𝑜𝑟𝑡𝑒 de 60%, sendo, em risco baixo, utilizado o classiĄcador MLP/Gaussiana 2n e 𝑐𝑜𝑟𝑡𝑒 de 85% (ver Seção 5.1.3).
Figura 55 Ű GráĄco da acurácia com a DM na detecção de cada movi- mento. 40 50 60 70 80 90 100
Celular ao Ouvido Retirando Celular
% Vídeo 6 Vídeo 7 Vídeo 8 Vídeo 9 Vídeo 10 Vídeo 11 Todos os vídeos
Fonte: produção do próprio autor.
A acurácia alcançada nos vídeos para classiĄcar Şcom celularŤ, Şsem celularŤ e a média de todos os quadros são mostrados no gráĄco da Figura 56.
Figura 56 Ű Acurácia do sistema híbrido para os Vídeos 6, 7, 8, 9, 10 e 11. 60 65 70 75 80 85 90 95 100 C om C el ula r S em C elula r Todos % Vídeo 6 Vídeo 7 Vídeo 8 Vídeo 9 Vídeo 10 Vídeo 11
Fonte: produção do próprio autor.
Os Vídeos 7, 8 e 11 obtiveram ganhos comparando-se o sistema RP e o HB, a acurácia média atingiu 92, 50% (aumento de 27, 50%), 93, 94% (aumento de 3, 03%) e 94, 74% (aumento de 4, 74%) no HB. A acurácia média nos Vídeos 6 e 9 permaneceram inalteradas em 95% e
5.3. Considerações 121
100%, respectivamente. Somente no Vídeo 10 houve piora na acurácia com a adoção do sistema HB alcançando 86, 84% (queda de 2, 63%).
5.3 Considerações
A solução mais eĄcaz apresentada foi o sistema híbrido, atin- gindo a acurácia média de 91, 68% nos vídeos em ambiente real. Sendo melhorado, neste sistema, o poder de predição do RP (acurácia média de 87, 25%) com a incorporação da DM para a escolha de parâmetros mais eĄcazes em cada período. Comparando-se a solução híbrida ao RP, apenas no Vídeos 4 a acurácia média foi a mesma em ambas as propostas, sendo RP superior somente no Vídeo 10 e nos demais vídeos a solução híbrida demonstrou-se mais vantajosa.
A solução de DM atingiu 52, 86% de acurácia média em ambi- ente real e, por essa razão, não se demonstrou eĄcaz como única solução de detecção do uso do celular.
123
6
CONSIDERAÇÕES FINAIS
Neste capítulo, são apresentadas as conclusões, contribuições e propostas para trabalhos futuros.
6.1 Conclusões
Apresentam-se neste trabalho algoritmos de reconhecimento de padrões (RP) e detecção de movimento (DM) que permitem detectar o uso de telefones celulares pelo motorista por meio da extração de carac- terísticas e movimento da cena interna do veículo. Foi observada pouca literatura sobre este assunto (geralmente o foco é a detecção de sono- lência, análise de objetos, ou detecção de pedestres). Comparam-se na Tabela 14 os trabalhos relacionados, sendo as restrições de diĄculdade de operação no mundo real por conta do posicionamento da câmera de captura (presente em Veeraraghavan et al. (2007)) e a necessidade de utilização de um software em funcionamento no celular a ser detectado (presente em Yang et al. (2011) e Watkins et al. (2011)) foram evitadas pelos sistemas propostos.
Na solução de RP, SVM e MLP foram testados como candida- tos a resolver o problema. O kernel polinomial (SVM) e a função de ativação sigmoide com dois neurônios na camada intermediária (MLP) são os sistemas classiĄcadores mais vantajosos com precisão média de 91, 57% para o conjunto de imagens de treinamento analisadas. Porém, todos os classiĄcadores testados têm precisão média estatisticamente iguais, ou seja, o AG encontrou parâmetros estatisticamente similares para cada classiĄcador. Em processamento de vídeos em ambiente real e utilizando períodos de três segundos, o melhor classiĄcador é o MLP com função de ativação gaussiana e dois neurônios na camada inter- mediária, com acurácia média de 87, 25%. O algoritmo de segmentação tende a falhar quando a luz solar incide no rosto do condutor ou nas partes internas do veículo (Vídeos 4 e 5), modiĄcando os valores de pi- xels de componentes para a pele do condutor. Assim, os pixels de pele para o rosto e mãos tornam-se diferentes. Outro problema encontrado no sistema ocorre quando a cor da pele da face é realmente diferente da cor da pele da mão do motorista. Nessas situações poucos pontos de pele da mão são encontrados, o que prejudica a acurácia do sistema. Pela mesma razão, a adoção de luvas com cor distinta da pele do moto- rista prejudica a utilização do sistema. Sendo a cor da roupa próxima à pele do motorista pode ser, também, um fator prejudicial ao sistema, já que em alguns momentos os ombros do motorista podem estar visíveis
Tabela 14 Ű Tabela de comparação entre os trabalhos relacionados e os sistemas propostos no Capítulo 4.
V eeraragha van et al. (2007 ) Y ang et al. (2011 ) W atkins et al. (2011 ) Martin et al. (2012 ) Doshi e T riv edi (200 9) R ec. de P adrõ es (Seçã o 4.1 ) Detec. Mo vim en to (Seção 4.2 ) Híbrido (Seção 4.3 ) Detecção Celular ao ouvido S S N N N S S S Viva voz N S N N N N N N Mensagem de texto N N S N N N N N Movimento S N N S S N S S Ab ordagem
Segmentação de pele não
adaptativa S N N N N N N N Segmentação de pele adap-
tativa N N N N N S N S
Sons de alta frequência N S N N N N N N Relatório de operação do celular N N S N N ** ** ** Fluxo ótico N N N S S N S S R estriçõ es DiĄculdade de operação no mundo real S N N N N N N N Um software precisa operar
no celular N S S N N N N N Quantidade de câmeras 1 0 0 1 2 1 1 1 Posicionamento da(s) câ-
mera(s) L F F, L F F F
Execução em tempo real * S N S N S S S Legenda: S - Sim, N - Não, * - Próximo, ** - Possível, F - Frontal, L - Lateral. Fonte: produção do próprio autor.
na imagem recortada do motorista, por consequência, alguns pixels da roupa são identiĄcandos como pele.
6.2. Contribuições 125
por conta da grande quantidade de movimentos detectados que na ver- dade não provem do uso do celular, como por exemplo, deslocamento vertical repentino da incidência do sol nas partes internas do veículo. Apesar disso, a acurácia na detecção dos movimentos de levar o celular ao ouvido e retirá-lo alcançou um nível mais apropriado de 76, 92% e 66, 67%, respectivamente. A aplicação desta solução, como única solu- ção para a detectar o uso do celular, não se demostrou muito eĄcaz. Caso um alerta sonoro, facilmente agregado ao sistema, inicie sempre que houver detecção do movimento de levar o celular ao ouvido, e Ąna- lize após a detectação do movimento de retirada, a baixa acurácia dos resultados poderia tornar a direção do veículo bastante desconfortável. A solução híbrida foi a mais eĄcaz desenvolvida, atingindo a acurácia média de 91, 68% nos vídeos em ambiente real. Comparando a solução híbrida ao RP, é notado que apenas no Vídeos 4 a acurácia média foi idêntica em ambas as propostas, sendo apenas no Vídeo 10 a acurácia para o sistema RP superior. Em todos os demais vídeos a solução híbrida demonstrou-se melhor. O que mostra ser uma solução mais robusta para detecção de celular.
A utilização dos sistemas em ambientes com pouca ou nenhuma luz solar é possível por meio de iluminação auxiliar. A iluminação pode ser direcionada à região da face do motorista (Vídeos 9 e 10), ou mesmo, a todo o ambiente (Vídeo 8 e 11). Neste trabalho, foi empregado ilu- minação auxiliar visível aos olhos humanos e, sendo direcionada à face do motorista, pode ocasionar desconforto.
6.2 Contribuições
Testes feitos em vídeos demonstraram que é possível a utiliza- ção do banco de imagens em treinamento de classiĄcadores e detecção de movimento para aplicação em situações reais.
O uso do AG, na obtenção de bons parâmetros para os classi- Ącadores SVM e MLP, é uma contribuição deste trabalho.
A solução de Reconhecimento de Padrões (RP) foi apresentada, em forma de artigo cientíĄco, em Berri et al. (2014).
Uma contribuição importante é a utilização de uma aquitetura de sistema híbrida, utilizando um sistema como parametrizador (DM) e outro como executor da predição (RP).
A segmentação adaptativa presente na solução de reconheci- mento de padrões e híbrida pode ser aplicada a outros sistemas com- putacionais que tenham que detectar a pele de pessoas.