%0 Conference Proceedings
%4 sid.inpe.br/sibgrapi/2016/08.09.17.19
%2 sid.inpe.br/sibgrapi/2016/08.09.17.19.42
%T Detecção de automóveis em condições de iluminação variadas com uma câmera de videovigilância
%D 2016
%A Riveros, Elian Laura,
%A Gutiérrez, Juan Carlos,
%@affiliation Universidad Nacional de San Agustín - Arequipa
%@affiliation Universidad Nacional de San Agustín - Arequipa
%E Aliaga, Daniel G.,
%E Davis, Larry S.,
%E Farias, Ricardo C.,
%E Fernandes, Leandro A. F.,
%E Gibson, Stuart J.,
%E Giraldi, Gilson A.,
%E Gois, João Paulo,
%E Maciel, Anderson,
%E Menotti, David,
%E Miranda, Paulo A. V.,
%E Musse, Soraia,
%E Namikawa, Laercio,
%E Pamplona, Mauricio,
%E Papa, João Paulo,
%E Santos, Jefersson dos,
%E Schwartz, William Robson,
%E Thomaz, Carlos E.,
%B Conference on Graphics, Patterns and Images, 29 (SIBGRAPI)
%C São José dos Campos, SP, Brazil
%8 4-7 Oct. 2016
%I Sociedade Brasileira de Computação
%J Porto Alegre
%S Proceedings
%K Processamento de imagens, redes convolucionais, detecção de automóveis em imagens.
%X Neste trabalho diferentes modelos de redes neurais convolucionais (CNN) para detecção de automóveis são testados, 27 modelos são obtidos a partir da combinação de três hiperparâmetros: A técnica inicialização de pesos, a função de sub-amostragem e a função de activação. A percentagem de precisão é o factor de medição para encontrar o modelo com melhor desempenho. Foi realizado uma comparação do melhor modelo de CNN com um classificador cascade e uma máquina de vetores de suporte. Os conjuntos de amostras são obtidas a partir de uma câmera de videovigilância em condições de iluminação variadas, luz do meio-dia; luz da tarde; e noite. Porém às amostras de noite são obtidas no modo infravermelho. Os resultados demonstram que uma CNN obtive o melhor resultado para detecção de automóveis com uma câmera de videovigilância, o que é importante em aplicações práticas.
%@language pt
%3 Deteccao-de-automoveis (8).pdf