@MASTERSTHESIS{ 2016:1656324788,
 	title = {METODOLOGIA DE DETECÇÃO E RECONHECIMENTO DE SEMÁFOROS UTILIZANDO REDES NEURAIS ARTIFICIAIS},
 	year = {2016},
 	url = "http://tedebc.ufma.br:8080/jspui/handle/tede/1315",
 	abstract = "As vias urbanas estão cada vez mais complexas e o acréscimo no fluxo de veículos nas
 cidades de médio e grande porte vem contribuindo para a elevação do número de acidentes.
 Pesquisas apontam que os sinais de trânsito são eficientes na redução do número de acidentes.
 A implantação de sinais de trânsito apresentam vantagens relevantes, mas por outro lado
 revelam alguns problemas, como a dificuldade na detecção de sinais de trânsito pelos
 condutores em vias urbanas. Este fato está relacionado à quantidade de informações visuais
 nas vias, ao estresse dos motoristas e/ou à fadiga visual destes, que fazem os motoristas
 desviarem sua atenção da sinalização. Estas razões motivaram muitas pesquisas nos últimos
 anos, sobre o tema veículos inteligentes. Assim, o presente trabalho propõe uma metodologia
 para detectar e reconhecer semáforos de trânsito para ser aplicada em veículos inteligentes,
 podendo contribuir para os Advanced Driver Support Systems - ADAS (Sistema Avançado de
 Auxílio ao Motorista), e que auxilie os motoristas, em especial aqueles com deficiência
 parcial da visão. Além disso, o sistema desenvolvido é capaz de identificar o estado do
 semáforo e indicar ao condutor se ele deve parar ou prosseguir, contribuindo assim para a
 redução de acidentes de transito.
 Para o desenvolvimento do algoritmo de detecção, utilizaram-se técnicas de processamento de
 imagens, através de histograma retroprojetado e limiarização global para detectar pontos de
 luzes. A limiarização local é aplicada para o cálculo de simetria entre o raio e o centro dos
 pontos de luzes, com a finalidade de segmentar o corpo do semáforo, onde se obteve uma taxa
 média de detecção de 99%. As características dos semáforos foram extraídas utilizando os
 atributos de Haralick, com a inclusão de informações de cor e forma. Os dados gerados pela
 extração de características foram pré-processados utilizando a técnica de SMOTE para
 balancear a base de dados. O reconhecimento e a identificação do estado do semáforo foram
 realizados por uma rede neural artificial do tipo Multilayer Perceptron (MLP). No
 treinamento da rede se utilizou o algoritmo de aprendizagem backpropagation e a separação
 de dados para treinamento e validação. Os resultados da validação mostraram uma taxa média
 de reconhecimento de 98%.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}