Combinação de características texturais para a classificação automática de vagas de estacionamento

Abstract

Resumo: A crescente frota de veículos nas cidades aliada à falta de planejamento urbano têm tornado cada vez mais difícil a tarefa de se encontrar vagas de estacionamento, forçando os motoristas a procurarem alternativas como os pátios de estacionamentos públicos ou privados, que são dedicados exclusivamente a acomodar um grande número de veículos. Uma metodologia viável para a gerência das vagas individuais desses estabelecimentos, ou das vagas laterais presentes em vias públicas, apesar de ser um grande desafio, pode prover informações importantes para a engenharia de tráfego, como o índice de ocupação das vagas, as áreas mais utilizadas e a detecção de superlotações, além de poder servir como base para sistemas que executem tarefas como a detecção de veículos estacionados irregularmente ou que guiem o motorista até a vaga livre mais próxima. Neste trabalho é proposta uma metodologia para classificação de vagas de estacionamento baseada em imagens coletadas de câmeras fixas, capaz de lidar com as complexidades impostas a sistemas que capturam imagens em ambientes abertos, como as variações de luminosidade, a presença de sombras e os ruídos causados pelas variações climáticas. Para cumprir essa tarefa são utilizados descritores de textura baseados nos Padrões Locais Binários e na Quantização de Fase Local, que têm mostrado excelentes resultados em diversos trabalhos. Para possibilitar os testes deste e de outros trabalhos relacionados à detecção de veículos em áreas de estacionamentos, foi criada uma base de imagens que atualmente contém cerca de 1.300.000 amostras de vagas individuais coletadas de dois estacionamentos distintos, de diferentes ângulos e em diversas condições climáticas, a qual está disponível para trabalhos de pesquisa. Os resultados dos experimentos mostram que os classificadores treinados com os descritores de textura são capazes de atingir excelentes taxas de acertos, próximas aos 100%. Testes com amostras coletadas de estacionamentos ou de ângulos que não participaram dos treinamentos dos classificadores também foram executados, e mostraram que os classificadores ainda são capazes de atingir boas taxas de acertos, geralmente próximas aos 85%. Métodos de combinação de classificadores também foram utilizados e se mostraram capazes de melhorar os desempenhos dos classificadores, principalmente nos testes com amostras coletadas de estacionamentos ou ângulos diferentes dos utilizados nos treinamentos dos classificadores.