Romuere Silva, Kelson Aires, Rodrigo Veras, Alcilene Sousa Universidade Federal do Piauí Piauí, Brasil

Transcrição

1 ANÁLISE DE MODELOS DE CORES PARA DETECÇÃO DE MOTOCICLISTAS SEM CAPACETE EM IMAGENS Romuere Silva, Kelson Aires, Rodrigo Veras, Alcilene Sousa Universidade Federal do Piauí Piauí, Brasil Abstract Motorcycles are widely used, they are one of the main means of transportation in many countries. The helmet is the main safety equipment of motorcyclists, and its use is mandatory in Brazil, but many motorcyclists do not use it or use it incorrectly. This paper analizes four color models (RGB, HSI, HSV, YCbCr) to be used in feature extraction and image classification. The Local Binary Pattern (LBP)algorithm was used in feature extraction and the algorithm Support Vector Machine (SVM) was used in image classification. The best results were obtained by V band from the HSV color space with an accuracy rate of and Kappa index of Keywords Motorcycle, Helmet, Color model. Resumo Motocicletas são amplamente utilizadas em vários países, sendo este um dos principais meios de transporte. O principal equipamento de segurança do motociclista é o capacete. Apesar de seu uso ser obrigatório muitos motociclistas não o utilizam ou o utilizam de forma errada. Este trabalho tem por objeto fazer uma análise de modelos de cor para ser utilizado na extração de características e posterior classificação de imagens de motociclistas. Foram utilizadas imagens estáticas capturadas em vias públicas. O algoritmo Padrão Binário Local (Local Binary Pattern - LBP) foi utilizado na extração de atributos das imagens. O algoritmo Máquina de Vetor de Suporte (Support Vector Machine - SVM) foi utilizado na classificação das imagens. O melhor resultado foi obtido utilizando a componente V (brilho) do modelo de cores HSV, a acurácia foi de 0,8941 e o índice Kappa foi de 0,7778. Keywords Motociclista, Capacete, Modelos de cor. 1 Introdução As motocicletas são um dos meios de transporte mais utilizados no mundo. As principais vantagens em relação a outros veículos são: o preço baixo e o custo de operação menor. Na última década, verificou-se um aumento no número de acidentes envolvendo motocicletas. Em 2011, de acordo com o Departamento Nacional de Infraestrutura de Transportes (DNIT), o Brasil teve um total de motos envolvidas em acidentes (DNIT, 2011). De acordo com um estudo sobre violência no trânsito (Waiselfisz, 2013) o número de mortes no mesmo ano foi de O principal equipamento de segurança dos motociclistas é o capacete. Embora o uso do capacete seja obrigatório, muitos motociclistas não o utilizam ou fazem uso de forma incorreta. Segundo o Departamento de Transportes dos EUA, em 2011, apenas 66% dos motociclistas utilizaram capacete de acordo com a lei (NHTSA, 2011). Estatísticas dos Centros de Controle e Prevenção de Doenças dos EUA comprovam que o não uso do capacete resulta em maiores taxas de mortalidade no trânsito. Este trabalho tem por objetivo analisar os principais modelos de cores na detecção de motociclistas sem capacete. Para isso, foram utilizadas imagens estáticas de trânsito. Além disso, o algoritmo Padrão Binário Local (Local Binary Pattern - LBP) foi utilizado para extração de atributos nas imagens e o classificador Máquina de Vetor de Suporte (Support Vector Machine - SVM). 1.1 Trabalhos Relacionados Nos últimos anos, diversos trabalhos foram realizados em análise de tráfego em vias públicas, incluindo detecção, classificação e contagem de veículos, e detecção de capacete. A seguir são mostrados alguns trabalhos relacionados à detecção de capacete. Chiu et al. (2007) propuseram um sistema de visão computacional com o objetivo de detectar e rastrear motocicletas parcialmente obstruídas por outro veículo. Nesse trabalho foi considerado que a presença do capacete identifica a presença de uma motocicleta. O sistema parte do pré-suposto que a região do capacete possui forma similar a um círculo. A fim de detectar a presença do capacete, as bordas da imagem são calculadas sobre a possível região do mesmo, ou seja a região onde a motocicleta está. Após isso, é feita uma contagem da quantidade de pontos de borda que são semelhantes a um círculo. Caso essa quantidade seja igual ou maior a um valor pré-definido na calibração do sistema, essa região irá corresponder a um capacete. Caso o sistema detecte um capacete significa que no mesmo local existe uma motocicleta. Na sua fase de calibração, o sistema necessita de alguns parâmetros a serem informados pelo operador do sistema, tais como: raio do capacete, ângulo e altura da câmera. 2540

2 Chiverton (2012) descreveu e testou um sistema de rastreamento e classificação automática de motociclistas com e sem capacete. O sistema utiliza o classificador SVM, que é treinado com os vetores de atributos do descritor Histograma de Orientação dos Gradientes (Histogram of Oriented Gradients - HOG) (Dalal e Triggs, 2005). O descritor HOG é executado com o operador de Sobel (Sobel, 1970) para o cálculo das bordas com uma vizinhança de 3 3 pixels. Para o cálculo do plano de fundo o algoritmo proposto em (Zivkovic, 2004) é utilizado. Na extração dos histogramas são utilizadas fotografias estáticas e quadros de imagem individuais a partir dos dados de vídeo. O método obteve uma uma taxa de acerto total de 83% para classificação de motocicletas e 85% para detecção do capacete. Observa-se no trabalho que a quantidade de imagens na fase de testes é pouca. O trabalho mais recente sobre detecção do uso de capacete foi proposto por Waranusast et al. (2013). Nesse trabalho é feita uma classificação utilizando informações geométricas da região da cabeça e informações de cor. Esses atributos são utilizados pelo classificador KNN para classificar as imagens de pessoas com capacete e sem capacete. Além disso, o sistema faz a contagem de passageiros na motocicleta. Segundo os autores, a fase de contagem de passageiros teve um total de 83,82% de acerto. Na fase de detecção do capacete, a taxa de acerto foi de 89%. Vale destacar que para essa fase as imagens da região da cabeça foram recortadas manualmente. Observou-se que as imagens utilizadas foram capturadas perpendiculares à câmera, ou seja as imagens são das laterais das motocicletas. Isso torna o sistema falho, visto que é impossível capturar a placa do veículo nessa posição. Ao utilizar as imagens dessa forma, a identificação de mais de uma pessoa na motocicleta é facilitada. O motivo disso é que caso as imagens tivessem sido capturadas em outro ângulo provavelmente uma das pessoas na motocicleta iria sobrepor a outra, gerando uma oclusão. 2 Materiais e Métodos Nesta seção é descrita a base de imagens utilizada. Além disso, são descritos os algoritmos utilizados para extração de características das imagens e classificação das imagens. 2.1 Base de Imagens A base de imagens é composta por imagens estáticas. As imagens foram capturadas em uma localidade onde a quantidade de motociclistas sem capacete era equilibrada em relação a quantidade de motociclistas com capacete. Uma câmara de vídeo CCD foi utilizada. A base de imagens está assim distribuída: 151 imagens de motociclistas com-capacete; e 104 imagens de motociclistas sem-capacete. A Figura 1 mostra exemplos de imagens. Figura 1: Exemplo de imagens que compõe a base. 2.2 Sistemas de Cores O objetivo dos modelos de cores é permitir a especificação de cores em um formato padronizado. Um modelo de cores é uma representação n-dimensional, onde cada pixel da imagem é representado por um ponto que, geralmente, possui três coordenadas. RGB: O modelo RGB é baseado em um sistema de coordenadas cartesianas. Esse modelo de cor é formado por três componentes. A primeira componente é a vermelha (Red - R), a segunda é a verde (Green - G) e a terceira é a azul(blue - B). A Figura 2 mostra uma imagem da base de imagens e suas componentes no modelo de cores RGB. (d) Figura 2: Componentes do modelo de cor RGB. Imagem original. Componente vermelha. Componente verde. (d) Componente azul. HSV: O modelo de cor HSV é definido por três componentes: matiz (Hue - H), saturação (Saturation - S) e brilho (Value - V). O matiz determina a cor ou tonalidade. O brilho determina a intensidade percebida (cor mais clara ou mais escura). A saturação determina a pureza da cor. A Figura 3 mostra uma imagem da base de imagens e suas componentes no modelo de cores HSV. 2541

3 Anais do XX Congresso Brasileiro de Automática O descritor LBP original (Ojala et al., 1996) rotula os pixels de uma imagem em nı veis de cinza por limiarizac a o. O valor do limiar e o pixel central da janela de vizinhanc a 3 3. Cada pixel e comparado com o pixel central e o resultado final e considerado um nu mero bina rio. Esse procedimento e feito para todas as janelas escolhidas da imagem. Apo s todas as janelas serem computadas, o vetor de caracterı sticas e montado com a junc a o dos valores obtidos. A Figura 6 ilustra o processo. (d) Figura 3: Componentes do modelo de cor HSV. Imagem original. Componente de matiz. Componente de saturac a o. (d) Componente de brilho. HSI: O modelo HSI permite separar as componentes de matiz (Hue - H), saturac a o (Saturation - S) e intensidade (Intensity - I)da informac a o de cor em uma imagem. A Figura 4 mostra uma imagem da base de imagens e suas componentes no modelo de cores HSI. Figura 6: Exemplo de ca lculo do descritor LBP. Exemplo de janela. Limiarizac a o baseada no pixel central. Padra o calculado a partir do resultado da limiarizac a o. (d) Apo s a limiarizac a o, um histograma da ce lula e calculado, ou seja, as quantidades de 0 e 1 sa o calculadas. As caracterı sticas mais relevantes do descritor LBP sa o a sua tolera ncia a mudanc as de iluminac a o e sua simplicidade computacional. Figura 4: Componentes do modelo de cor HSI. Imagem original. Componente de matiz. Componente de saturac a o. (d) Componente de intensidade. 2.4 Os estudos sobre SVM foram introduzidos por Vapnik (Cortes e Vapnik, 1995). De um modo geral, a SVM faz um mapeamento do espac o de entrada para um espac o de dimensionalidade maior. Em seguida, e calculado um hiperplano de separac a o o timo. O hiperplano de separac a o o timo e escolhido de modo a maximizar a dista ncia de separac a o entre as classes (Haykin, 2001). Diz-se que duas classes sa o linearmente separa veis se existe um hiperplano que separe as mesmas. A Figura 7 mostra duas classes linearmente separa veis e seu hiperplano de separac a o o timo. YCbCr: Os componentes do modelo de cor YCbCr sa o: lumina ncia (Y), cromina ncia da diferenc a azul (diferenc a entre a componente azul e um valor de refere ncia) (Cb) e cromina ncia da diferenc a vermelha (Diferenc a entre a componente vermelha e um valor de refere ncia) (Cr). A Figura 5 mostra uma imagem da base de imagens e suas componentes no modelo de cores YCbCr. Hiperplano de separação ótimo (d) Vetores de Suporte Figura 5: Componentes do modelo de cor YCbCr. Imagem original. Componente de lumina ncia. Cromina ncia da diferenc a azul. (d) Cromina ncia da diferenc a vermelha. 2.3 Ma quina de Vetor de Suporte - SVM Figura 7: Hiperplano de separac a o o timo para classes linearmente separa veis. Padra o Bina rio Local - LBP O descritor Padra o Bina rio Local (Local Binary Pattern - LBP) tem um bom desempenho em diversas aplicac o es, incluindo a classificac a o e segmentac a o de textura, recuperac a o de imagens, e inspec a o de superfı cie (Guo et al., 2010; Suruliandi et al., 2012; Zhao et al., 2012). A SVM e uma te cnica de aprendizagem supervisionada, que possui as fases de treinamento e teste. Na fase de treinamento, atributos e saı das desejadas sa o dadas a fim de projetar os vetores de suporte. Os vetores de suporte sa o utilizados 2542

4 para obter um classificador. Na fase de teste, o classificador é utilizado para encontrar uma saída a partir de um vetor de entrada. Ao utilizar SVM para reconhecimento de padrões, se faz necessário tornar uma função não-linearmente separável em uma função linearmente separável. Para isso, é necessário que seja aumentada a dimensionalidade do problema (Cover, 1965). As funções que aumentam a dimensionalidade do espaço de entrada são chamadas Funções de Kernel. Algumas das principais Funções de Kernel são mostradas na Equação 1. Polinomial: (x T x i + 1) p RBF: exp( 1 2σ 2 x x i 2 ) Perceptron: tanh(β 0 x T x i β1) (1) As funções de Kernel são aplicadas nos vetores de entrada. Ao aplicar uma Função de Kernel em um vetor de entrada de dimensão N, é obtido um novo vetor de dimensão X, onde X é maior que N. Após isso, o cálculo dos vetores de suporte é feito. Com os vetores calculados é possível definir o hiperplano de separação ótimo. Ele estará a uma igual distância (ρ 0 ) dos vetores de suporte de cada classe, como mostrado na Figura 7. Um novo objeto é classificado utilizando o hiperplano ótimo, cada lado do hiperplano representa uma classe diferente. 3 Proposta A Figura 8 mostra o fluxograma do método proposto. A partir de uma imagem é calculada uma região de interesse. O próximo passo é uma série de pré-processamentos. Uma subjanela da região de interesse é calculada. O passo seguinte é onde esse trabalho se concentra, a determinação do canal de cor a ser utilizado para realizar a extração de atributos e posteriormente a classificação. 3.1 Determinação da Região de Interesse - RoI A determinação da Região de Interesse (Region of Interest - RoI) é um importante passo do sistema proposto. Com o uso dessa região, é possível reduzir a área onde a busca será feita. Isso implica em menos processamento e uma maior precisão nos resultados em relação à imagem completa. Como o interesse do sistema proposto é a detecção de motociclistas sem capacete, é necessário que a região da cabeça do motociclista esteja totalmente dentro da RoI. Para a definição da RoI foi utilizada a parte superior da imagem (1/5 da imagem), como mostrado na Figura 9. Tal valor foi escolhido empiricamente, através de testes. h Figura 9: Exemplo de cálculo da RoI. A região delimitada pelo retângulo corresponde à RoI. O parâmetro h é a altura da imagem O tamanho da RoI foi testado em toda a base de imagens. Em todas as imagens de motociclistas a região da cabeça está dentro da RoI selecionada. A Figura 10 mostra algumas RoIs. Figura 10: Exemplos de RoIs computadas a partir de imagens de motociclistas capturados na fase de segmentação de objetos. 3.2 Pré-Processamento e Cálculo da Sub-Janela Antes de calcular o descritor é feito um pré-processamento, que tem como finalidade encontrar uma sub-janela que corresponda à região da cabeça do motociclista. Primeiramente, foi calculada a imagem em níveis de cinza (N) da RoI. Foi utilizado o nível de cinza mais comum na literatura. O mesmo é computado pela Equação 2, N = R G B, (2) onde, R, G e B são as componentes do modelo de cor RGB. Um filtro da média, com vizinhança 5 5, foi aplicado na imagem em tons de cinza para reduzir os ruídos da imagem. Em seguida, o limiar de Otsu (Otsu, 1979) é calculado. Esse limiar é aplicado na imagem em níveis de cinza para obter uma imagem binária (preta e branca). A Figura 11 mostra o resultado desse processamento. É aplicado na imagem binária o algoritmo de Sobel (Sobel, 1970). Esse algoritmo tem como resultado as bordas da imagem. O resultado da aplicação do operador de Sobel pode ser visto na Figura 11(d). Após o pré-processamento, foi utilizada a transformada circular de Hough (circular Hough h/5 2543

5 Região de Interesse Pré- Processamento Determinação da Sub-Janela Canal de Cor Extração de Atributos Classificação Figura 8: Fluxograma do método proposto. transform - (CHT)) para calcular os possíveis círculos na imagem. A CHT foi utilizada pois a região do capacete e da cabeça (motociclista sem capacete) tem forma similar a um círculo. O resultado desse processamento são os possíveis círculos da imagem. Na RoI, formas circulares irão corresponder à região da cabeça ou do capacete do motociclista. A partir dos círculos encontrados, uma busca pelo melhor deles é feita (círculo com mais pontos). A Figura 11(e) mostra o melhor círculo encontrado em uma RoI. O passo seguinte é o cálculo da sub-janela que irá corresponder ao quadrado circunscrito à circunferência encontrada (Figura 11(f)). Essa sub-janela será utilizada na extração de atributos. A Figura 11 mostra os passos para o cálculo da sub-janela. 4 Canal de Cor Após o cálculo das sub-janelas foram testados vários modelos de cores para serem utilizados no cálculo do vetor de atributos da imagem. Essa etapa se mostrou de suma importância, visto que, dependendo do canal de cor e do modelo de cor os resultado mudaram significativamente. Foram testados, neste trabalho, os modelos RGB, HSI, HSV e YCbCr. Cada componente de cada modelo de cor citado, foi utilizado nos testes desse trabalho. 4.1 Extração de Atributos e Classificação Nesta fase foi utilizado o classificador SVM. A tarefa de classificação das imagens consiste em diferenciar as imagens em duas classes: com-capacete e sem-capacete. Para cada sub-janela gerada foi obtido um vetor de atributos utilizando o descritor LBP. 5 Metodologia de Avaliação dos Resultados Para avaliar a classificação foram utilizadas algumas métricas conhecidas na literatura. Nessa seção são mostradas as métricas de avaliação dos resultados utilizadas nesse trabalho. Matriz de Confusão A matriz de confusão é uma tabela que mostra o resultado da classificação, comparando-o com o resultado real. A matriz, nesse trabalho, é composta por 4 valores: Verdadeiro Positivo (VP), Falso Positivo (FP), Falso Negativo (FN) e Verdadeiro Negativo (VN). Tais valores são obtidos a partir do resultado da classificação. Supondo a existência de duas classes hipotéticas: classe X e classe Y, são computados os seguintes valores: VP: número de objetos da classe X classificados como da classe X; FP: número de objetos da classe Y classificados como X; FN: número de objetos da classe X classificados como Y; VN: número de objetos da classe Y classificados como sendo da classe Y. A partir dessas quantidades os valores de Especificidade (E) (Equação 3), Valor Preditivo Negativo (VPN) (Equação 4), Precisão (P) (Equação 5), Recall (R) (Equação 6), Acurácia (A) (Equação 7), F-Measure (FM) (Equação 8) e Índice Kappa (K) (Equação 3) são calculados (Powers, 2007). A = E = V P N = P = R = V N V N + F P V N V N + F N V P V P + F P V P V P + F N V P + V N V P + F P + F N + V N F M = 2 R P R + P (3) (4) (5) (6) (7) (8) 2544

6 e θ 2 = α + β γ 2. (11) onde α = (V P + F N) (V P + F P ), β = (V N + F N) (V N +F P ) e γ = (V P +V N +F P +F N) A avaliação dos classificadores foi realizada através do índice Kappa obtido para cada um deles. O nível de exatidão do índice Kappa foi classificado conforme a Tabela 1, de acordo com o estabelecido por Landis e Kock (J. e G., 1977). (d) Tabela 1: Nível de exatidão de uma classificação, conforme o valor de índice Kappa. Índice Kappa (K) Qualidade K 0.2 Ruim 0.2 K 0.4 Razoável 0.4 K 0.6 Bom 0.6 K 0.8 Muito Boa K 0.8 Excelente (e) (f) Figura 11: Passos para detecção de motociclistas sem capacete. RoI. Nível de cinza. Imagem binária. (d) Bordas calculadas. (e) Melhor círculo encontrado pela CHT, desenhado na RoI. (f) Sub-janela. 5.1 Índice Kappa - K O índice Kappa é utilizado como uma medida apropriada da exatidão por representar inteiramente a matriz de confusão. Ele toma todos os elementos da matriz em consideração, ao invés de apenas aqueles que retratam a quantidade de classificações verdadeiros, o que ocorre quando se calcula a exatidão global da classificação (Rosenfield e Fitzpatrick-lins, 1986). O índice Kappa é um coeficiente de concordância para escalas nominais que mede o relacionamento entre a concordância, além da casualidade, e a discordância esperada (Rosenfield e Fitzpatrick-lins, 1986). O índice Kappa pode ser encontrado com base na Equação 9: onde, θ 1 = K = θ 1 θ 2 1 θ 2, (9) V P + V N V P + V N + F P + F N, (10) 6 Resultados e Discussão O método estatístico k-fold cross-validation (k = 10) foi utilizado para gerar os resultados na fase de classificação. No 10-fold cross-validation, o conjunto de dados originais é aleatoriamente particionado em 10 subconjuntos de dados com o mesmo tamanho. A partir dos 10 subconjuntos, um único subconjunto é escolhido como conjunto de validação para testar o modelo, e os 9 subconjuntos restantes são utilizados como dados de treinamento. O processo de cross-validation é, então, repetido 10 vezes. Cada um dos 10 subconjuntos é utilizado somente uma vez para validação dos dados. É obtida a média dos 10 resultados gerados para produzir uma estimação única. A vantagem desse método é que todos os subconjuntos são utilizados tanto para teste como para treino, e cada subconjunto é utilizado para teste somente uma vez. A seguir são mostrados os resultados obtidos. O SVM foi executado utilizando uma função de kernel linear. O resultado utilizando esse kernel foi melhor quando foram comparados com os kernels polinomial, de base radial e tangente sigmóide. Para o descritor LBP a imagem foi dividida em 9 janelas. Cada janela correspondeu a um histograma dos valores computados, ou seja, ao final obteve-se 9 histogramas. A vizinhança para a computação dos padrões foi de 3 3. A Tabela 2 mostra o resultado da classificação utilizando o método proposto com o canal de cor RGB. Pode-se observar que no canal vermelho os resultados foram melhores. O índice Kappa classificou o resultado como Muito bom (0, 7613) e a acurácia chegou a 0, O canal de cor azul se mostrou inferior em relação aos demais. 2545

7 Tabela 2: Resultados da detecção de capacete com o descritor LBP e o sistema de cores RGB. Componente VP FP VN FN E VPN P R FM K A R ,8173 0,8947 0,8813 0,9338 0,9068 0,7613 0,8863 G ,8077 0,8660 0,8734 0,9139 0,8932 0,7292 0,8706 B ,8173 0,8333 0,8758 0,8874 0,8816 0,7068 0,8588 A Tabela 3 mostra o resultado da classificação utilizando o método proposto com o modelo de cor HSV. Observa-se que o resultado para a componente V (brilho) obteve o melhor resultado entre todos os canais de cor. O índice Kappa foi de 0, 7778 e a acurácia foi de 0, A matriz (H) não se mostrou um bom canal de cor para realizar a extração. Na Tabela 4 tem-se os resultados para o sistema proposto utilizando o modelo de cor HSI. Os resultados desta tabela, em relação à acurácia, se mostram similares ao da Tabela 3. Contudo, pode-se observar que o índice Kappa da componente de intensidade, no modelo HSI, não é similar ao da componente de brilho, no modelo HSV. A componente H (matiz) obteve o pior resultado, em relação ao índice Kappa, dentre todas as componentes testadas (K = 0, 5651). Os resultados utilizando o modelo YCbCr são mostrados na Tabela 5. O melhor resultado para este modelo foi de 0, 7572 (Kappa) e 0, 8824 (acurácia). 7 Conclusões e Trabalhos Futuros Este trabalho mostra os passos para detecção de capacetes a partir de imagens estáticas. Foram utilizados diferentes modelos de cor para obter a imagem que será utilizada pelo descritor LBP e o classificador SVM. O melhor resultado foi obtido utilizando o modelo de cor HSV com a componente V (brilho). O trabalho proposto se mostra válido quando se analisa os resultados obtidos. Observou-se uma grande variação nos resultados, o que mostra que a escolha do canal de cor a ser utilizado é de suma importância neste trabalho. A variação entre os resultados pode ser observada tomando por base a acurácia e o índice Kappa. O pior resultado para o Kappa foi de 0, 5651 e o melhor 0, 7778, isso mostra uma variação de 0, Em relação a acurácia a variação entre o melhor e o pior resultado foi de 0, Dentre os trabalhos futuros está o teste de outros modelos de cor como: YIQ, CMY, CMYK e L*u*v. Além disso, outros descritores de imagens como: SURF, SIFT, HOG e Haar. Os classificadores Perceptron de Múltiplas Camadas, Rede Neural de Base Radial, K-Vizinhos mais Próximos e Floresta Aleatória também serão testados. Referências Chiu, C.-C., Ku, M.-Y. e Chen, H.-T. (2007). Motorcycle detection and tracking system with occlusion segmentation, WIAMIS 07, USA. Chiverton, J. (2012). Helmet presence classification with motorcycle detection and tracking, IET 6(3): Cortes, C. e Vapnik, V. (1995). Support-vector networks, Machine Learning 20: Cover, T. M. (1965). Geometrical and statistical properties of systems of linear inequalities with applications in pattern recognition, IEEE Transactions on Electronic Computers EC-14(3): Dalal, N. e Triggs, B. (2005). Histograms of oriented gradients for human detection, CVPR, pp DNIT (2011). Número de veículos envolvidos por finalidade do veículo, Technical report, Departamento Nacional de Infraestrutura de Transportes, Ministério dos Transportes. Guo, Z., Zhang, L. e Zhang, D. (2010). A completed modeling of local binary pattern operator for texture classification, IEEE Transactions on Image Processing 19(6): Haykin, S. (2001). Neural Networks: A Comprehensive Foundation, 2 edn, Prentice Hall. J., L. e G., K. (1977). The measurement of observer agreement for categorical data., Biometrics 33(1): NHTSA (2011). National highway traffic safety administration. traffic safety facts: Research note motorcycle helmet use in overall results, (April 2012). Ojala, T., Pietikinen, M. e Harwood, D. (1996). A comparative study of texture measures with classification based on featured distributions, Pattern Recognition 26(1): Otsu, N. (1979). A threshold selection method from gray-level histograms, IEEE Transactions on Systems, Man and Cybernetics 9(1):

8 Tabela 3: Resultados da detecção de capacete com o descritor LBP e o sistema de cores HSV. Componente VP FP VN FN E VPN P R FM K A H ,7212 0,7576 0,8141 0,8411 0,8274 0,5665 0,7922 S ,8462 0,8381 0,8933 0,8874 0,8904 0,7325 0,8706 V ,8269 0,9054 0,8875 0,9404 0,9132 0,7778 0,8941 Tabela 4: Resultados da detecção de capacete com o descritor LBP e o sistema de cores HSI. Componente VP FP VN FN E VPN P R FM K A H ,7115 0,7629 0,8101 0,8477 0,8285 0,5651 0,7922 S ,8365 0,8365 0,8874 0,8874 0,8874 0,7240 0,8667 I ,8077 0,8750 0,8742 0,9205 0,8968 0,7370 0,8745 Tabela 5: Resultados da detecção de capacete com o descritor LBP e o sistema de cores YCbCr. Componente VP FP VN FN E VPN P R FM K A Y ,8077 0,8571 0,8726 0,9073 0,8896 0,7215 0,8667 Cb ,7596 0,7745 0,8366 0,8477 0,8421 0,6091 0,8118 Cr ,8654 0,8491 0,9060 0,8940 0,9000 0,7572 0,8824 Powers, D. M. W. (2007). Evaluation: From Precision, Recall and F-Factor to ROC, Informedness, Markedness & Correlation, Technical Report SIE , School of Informatics and Engineering, Flinders University, Adelaide, Australia. Rosenfield, G. H. e Fitzpatrick-lins, K. A. (1986). A coefficient of agreement as a measure of thematic classification accuracy, Photogrammetric Engineering and Remote Sensing 52: Sobel, I. E. (1970). Camara Models and Machine Perception, Ph.d dissertation, Stanford University, Palo Alto, Calif. Suruliandi, A., Meena, K. e Reena Rose, R. (2012). Local binary pattern and its derivatives for face recognition, ICV 6(5): Waiselfisz, J. J. (2013). Mapa da violência 2013: Acidentes de trânsito e motocicleta, Technical report, Centro Brasileiro de Estudos Latino-Americanos. Waranusast, R., Bundon, N., Timtong, V., Tangnoi, C. e Pattanathaburt, P. (2013). Machine vision techniques for motorcycle safety helmet detection, Image and Vision Computing New Zealand (IVCNZ), th International Conference of, pp Zhao, G., Ahonen, T., Matas, J. e Pietikainen, M. (2012). Rotation-invariant image and video description with local binary pattern features, IP 21(4): Zivkovic, Z. (2004). Improved adaptive gaussian mixture model for background subtraction, ICPR 2004, Vol. 2, pp Vol