AVALIAÇÃO DE DESEMPENHO DE TÉCNICAS PARA APRIMORAMENTO DE MODELOS DE DETECÇÃO DE OBJETOS

Abstract

O sistema de videomonitoramento inteligente do projeto UFC Smart Campus visa utilizar câmeras instaladas nos campi da UFC e algoritmos de aprendizado de máquina para detecção e identificação de veículos e placas em tempo real, com o intuito de melhorar a segurança. Nesse sentido, urge a necessidade de se implementar algoritmos e técnicas a fim de realizar as detecções de forma eficiente. Para isso, foram usadas a linguagem Python, variações do algoritmo de detecção YOLO (You Only Look Once), técnicas como Regiões de Interesse (ROI) e controle de taxa de quadros. A ROI foi utilizada com intuito de aprimorar a precisão e especificar regiões pré-determinadas para detecção. Um exemplo de uso seria não detectar veículos e placas distantes ou desfocadas da câmera e assim garantir resultados com maiores níveis de confiança. Cada câmera possui coordenadas ajustáveis de um retângulo que referenciam a área a ser extraída da imagem de entrada, e portanto apenas a região extraída é submetida ao modelo de detecção. Outrossim, uma estratégia utilizada nesse contexto consiste no controle da taxa de quadros da entrada; quanto menor a taxa, menos detecções serão processadas. Por exemplo, um mesmo carro na rua pode aparecer diversas vezes durante as detecções, porém necessita-se da menor quantidade possível de frames contendo-o. Ao reduzir a taxa de frames, espera-se atingir tal objetivo, além de um melhor desempenho do processamento. Estão sendo realizadas análises de desempenho das técnicas citadas para avaliar a precisão do sistema que está sendo modelado e executado em uma CPU com Linux - Ubuntu 18.04. Futuramente, os testes serão realizados na GPU Nvidia RTX 2070 que se encontra na mesma máquina. Dessa forma, espera-se obter resultados mais precisos e uma maior economia de processamento, e consequentemente, um desempenho melhor em termos de taxa de quadros por segundo.