Publication
Algoritmo otimizado para deteção de passagem de sinal vermelho para implementações em sistemas embebidos
| authorProfile.email | biblioteca@isel.pt | |
| dc.contributor.advisor | Dias, Tiago Miguel Braga da Silva | |
| dc.contributor.advisor | Jorge, Pedro Miguel Torres Mendes | |
| dc.contributor.author | Silva, Tiago Agostinho da | |
| dc.date.accessioned | 2025-02-28T09:09:14Z | |
| dc.date.available | 2025-02-28T09:09:14Z | |
| dc.date.issued | 2024-12 | |
| dc.description | Dissertação para obtenção do Grau de Mestre em Engenharia Informática e Multimédia | |
| dc.description.abstract | O problema da passagem de semáforo vermelho (Red Light Running, RLR) constitui uma das principais causas de acidentes rodoviários, com consequências humanas e económicas significativas. Apesar das várias medidas implementadas ao longo dos anos, a sua frequência permanece elevada, impactando negativamente a segurança nas estradas. Este trabalho explora técnicas atuais de Inteligência Artificial para o desenvolvimento e implementação de um algoritmo otimizado para deteção de RLR, orientado a implementações em sistemas embebidos de gama média. A solução proposta é baseada em análise de vídeo e utiliza regiões de interesse para delimitar áreas de possível violação RLR e a posição do semáforo, permitindo a classificação da sua cor. O algoritmo disponibiliza dois métodos de classificação da cor dos semáforos, sendo um baseado numa rede neuronal convolucional e o outro na análise de características específicas das imagens. Além disso, faz uso do modelo de deteção de objetos YOLOv8, em conjunto com o modelo de seguimento de objetos ByteTrack, para analisar a trajetória dos veículos. Estes modelos são eficientes e eficazes para um possível processamento local e em tempo real. O sistema foi avaliado utilizando vídeos reais e implementado num sistema embebido, nomeadamente na plataforma NVIDIA Jetson Orin Nano, simulando um cenário real de operação local em tempo real. Os resultados demonstram a eficácia do algoritmo, tanto na precisão da deteção de RLR quanto no rápido processamento. Ao utilizar a plataforma NVIDIA Jetson Orin Nano, obteve-se um processamento em tempo real de até 23 imagens por segundo, tirando partido do processador gráfico (GPU) e modelos otimizados de TensorRT. Este sistema oferece uma ferramenta promissora para a deteção e prevenção de RLR, com grande potencial de evolução e implementação em cenários reais, contribuindo significativamente para a segurança rodoviária. | por |
| dc.description.abstract | Abstract The issue of Red Light Running (RLR) is one of the main causes of road traffic accidents, resulting in significant human and economic consequences. Despite various measures implemented over the years, the frequency of this violation remains high, negatively affecting road safety. This dissertation explores current Artificial Intelligence techniques for developing and implementing an optimized RLR detection algorithm, aimed at deployment in mid-range embedded systems. The proposed solution is based on video analysis, employing regions of interest to delineate areas of potential RLR violations and traffic light positioning, allowing its color classification. The algorithm provides two methods for traffic light color classification, one based on a Convolutional Neural Network and the other on specific visual image feature analysis. In addition, it uses the YOLOv8 object detection model, combined with the ByteTrack object tracking model, to analyze vehicle trajectories. These models are both efficient and effective, enabling potential real-time local processing. The system was evaluated using real-world videos and implemented on an embedded system, namely the NVIDIA Jetson Orin Nano platform, simulating a real-world scenario with local real-time operation. The results demonstrate the algorithm’s effectiveness, both in the accuracy of RLR violation detection and fast processing times. On the NVIDIA Jetson Orin Nano platform, real-time processing at up to 23 fps was achieved, by exploiting the Graphics Processing Unit (GPU) and TensorRT optimized models. This system offers a promising tool for detecting and preventing RLR, with significant potential for further development and real-world implementation, contributing greatly to road safety. | eng |
| dc.identifier.citation | SILVA, Tiago Agostinho da – Algoritmo otimizado para deteção de passagem de sinal vermelho para implementações em sistemas embebidos. Lisboa: Instituto Superior de Engenharia de Lisboa. 2024. Dissertação de Mestrado. | |
| dc.identifier.tid | 203797221 | |
| dc.identifier.uri | http://hdl.handle.net/10400.21/21614 | |
| dc.language.iso | por | |
| dc.peerreviewed | yes | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
| dc.subject | Passagem de sinal vermelho | |
| dc.subject | Visão computacional | |
| dc.subject | YOLO | |
| dc.subject | Classificador de semáforo | |
| dc.subject | Sistemas embebidos | |
| dc.subject | NVIDIA Jetson Orin Nano | |
| dc.subject | Red light running | |
| dc.subject | Computer vision | |
| dc.subject | Traffic light classifier | |
| dc.title | Algoritmo otimizado para deteção de passagem de sinal vermelho para implementações em sistemas embebidos | por |
| dc.type | master thesis | |
| dspace.entity.type | Publication | |
| oaire.citation.endPage | 120 | |
| oaire.citation.startPage | 1 | |
| oaire.version | http://purl.org/coar/version/c_be7fb7dd8ff6fe43 |