Please use this identifier to cite or link to this item: http://www.repositorio.ufc.br/handle/riufc/58953
Title in Portuguese: Desenvolvimento de um solução de Análise de Vídeo na Borda para Sistemas Inteligentes de vídeovigilância em tempo real
Author: Silva, Alessandro Souza
Advisor(s): Bonfim, Michel Sales
Keywords: Vídeos-Análise
Docker (Software)
Aprendizagem profunda
Issue Date: 2020
Citation: SILVA, Alessandro Souza. Desenvolvimento de um solução de Análise de Vídeo na Borda para Sistemas Inteligentes de Videovigilância em tempo real. 2020. 75 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação)-Universidade Federal do Ceará, Campus de Quixadá, Quixadá, 2020.
Abstract in Portuguese: A Análise de Vídeo tem desempenhado um papel importante nos mais variados setores de segurança pública, em especial, quando aplicada em Sistemas Inteligentes de Videomonitoramento. Para minimizar problemas envolvendo sobrecarga de transmissão na rede ou alta latência de resposta, a Análise de Vídeo na Borda busca migrar parte da carga de trabalho do processo de Análise de Vídeo para dispositivos próximos à fonte de dados, chamados dispositivos de borda. Assim, este trabalho teve como objetivo desenvolver uma arquitetura de Análise de Vídeo na Borda para sistemas de videomonitoramento em tempo real, com foco na tarefa de detecção e reconhecimento de placas de identificação de carros. Para isso, este trabalho propõe uma divisão do processo de análise em módulos funcionais e independentes, implantados por meio da tecnologia Docker. Além do mais, uma etapa intermediária entre as etapas de detecção e reconhecimento também é proposta, a fim de descartar placas com texto de identificação distorcido e assim evitar que essas placas passem para processos mais robustos, como no caso da etapa de reconhecimento de placas, ou armazenamento na Nuvem. Para esse fim, foram aplicadas técnicas de Aprendizado Profundo em um problema de classificação de placas de acordo com a qualidade de leitura de seus textos de identificação. Experimentos foram conduzidos a fim de selecionar o melhor algoritmo para o modelo de classificação de qualidade, com melhor algoritmo obtendo acurácia de 99,04% no conjunto de validação e 100% em um conjunto pequeno de teste. Além disso, uma aplicação web foi desenvolvida para validar a arquitetura proposta, comprovando que a arquitetura cumpre com seus objetivos ao reduzir em média 25,64% do tráfego de rede no seu fluxo de frames, devido a um controle de qualidade de resolução, e 56,65% no seu fluxo de placas, devido a etapa de filtragem de placas proposta.
Abstract: Video Analytics has played an important role in the most varied public security sectors, mainly when applied to Intelligent Video Surveillance Systems. Edge Video Analytics seeks to migrate part of the workload of the Video Analysis process to devices close to the data source, called edge devices, to minimize problems involving transmission overhead on the network or high response latency. Therefore, this work aimed to develop an Edge Video Analytics architecture for real-time video monitoring systems, focusing on detecting and recognizing license plate characters. It proposes a division of the analysis process into functional and independent modules, implemented through Docker technology. Besides, an intermediate step between the detection and recognition steps is also proposed to discard plates with distorted identification text and prevent these plates from moving to more robust processes, as in the case of the plate recognition step or Cloud storage. For this purpose, Deep Learning Techniques were applied in a license plate classification problem according to your identification texts’ reading quality. Experiments were conducted in order to select the best algorithm for the classification model, with a better algorithm, obtaining an accuracy of 99.04% in the validation set and 100% in a small test set. In addition, a web application was developed to validate the proposed architecture, proving that the architecture meets its objectives by reducing on average 25.64% of the network traffic in its frames flow, due to a resolution quality control, and 56.65% in its license plate flow, due to the filtering step proposed.
URI: http://www.repositorio.ufc.br/handle/riufc/58953
metadata.dc.type: TCC
Appears in Collections:CIÊNCIA DA COMPUTAÇÃO-QUIXADÁ - Monografias

Files in This Item:
File Description SizeFormat 
2020_tcc_assilva.pdf5,45 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.