ads:
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ
Programa de Pós-Graduação em Engenharia Elétrica e Informática
Industrial
DISSERTAÇÃO
apresentada à UTFPR
para obtenção do título de
MESTRE EM CIÊNCIAS
por
SYLVIO ABRÃO CALIXTO
CLASSIFICAÇÃO DE VEÍCULOS ATRAVÉS DE SISTEMAS
FUZZY
Banca Examinadora:
Presidente e Orientador:
PROF. DR FLÁVIO NEVES JÚNIOR UTFPR
Examinadores:
PROF. DR WERNER KRAUS JUNIOR UFSC
PROF. DRA. LÚCIA VALÉRIA R. DE ARRUDA UTFPR
Curitiba, Março de 2006.
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
SYLVIO ABRÃO CALIXTO
CLASSIFICAÇÃO DE VEÍCULOS ATRAVÉS DE SISTEMAS FUZZY
Dissertação apresentada ao Programa de Pós-
Graduação em Engenharia Elétrica e Informática
Industrial da Universidade Tecnológica Federal do
Paraná, como requisito parcial para a obtenção do
título de “Mestre em Ciências” – Área de
Concentração: Informática Industrial.
Orientador: Prof. Dr Flávio Neves Júnior
Curitiba
2006
ads:
ii
AGRADECIMENTOS
A Deus por iluminar os meus caminhos e permitir a finalização desse trabalho. A
minha amada Adrielle pelo amor e carinho em todos os momentos. Aos meus pais Sidney e
Silviane, pela dedicação e apoio espiritual fornecido. Aos amigos que muito contribuíram
nesse trabalho, direta e indiretamente. Especialmente aos amigos Leonardo Simoni, Marcus
Andreotti, Régis Nishimoto, Daniel Pipa, Ronaldo Tristante, Dênis Mancheske, Giovana
Labegalini, Antônio Ramos, Roberto Miguel, Ricardo Anselmo e Guilherme Destefani,
contribuindo com idéias e participando diretamente da execução desse trabalho. A diretoria da
empresa Perkons S/A pelo financiamento e apoio irrestrito ao andamento desse projeto. Ao
amigo e dedicado orientador Flávio Neves Júnior. A todos que apoiaram e acreditaram na
finalização desse trabalho.
iii
SUMÁRIO
SUMÁRIO..................................................................................................................................I
LISTA DE FIGURAS ............................................................................................................VI
LISTA DE TABELAS.........................................................................................................VIII
RESUMO ................................................................................................................................. X
ABSTRACT .............................................................................................................................XI
CAPÍTULO 1............................................................................................................................ 1
1.1 MOTIVAÇÕES ............................................................................................................ 1
1.2 OBJETIVOS ................................................................................................................. 3
1.3 ESTRUTURA DO TRABALHO.................................................................................. 4
CAPÍTULO 2............................................................................................................................ 5
2.1 SISTEMAS APLICADOS AO GERENCIAMENTO DE TRÁFEGO............................. 5
2.1.1 Sistemas de Identificação de Veículos........................................................................ 5
2.1.2 Sistemas de Classificação de Veículos ....................................................................... 8
2.2 REVISÃO DA LITERATURA......................................................................................... 9
2.2.1 Sistemas de Classificação de Veículos Baseados em Sensores Indutivos .................. 9
2.2.2 Sistemas de Classificação de Veículos Baseados em Processamento de Imagem ... 14
2.2.3 Sistemas de Classificação de Veículos Baseados em Análise Sonora...................... 16
2.3 SISTEMA PROPOSTO .................................................................................................. 17
CAPÍTULO 3.......................................................................................................................... 19
3.1 INTRODUÇÃO .............................................................................................................. 19
3.2 SISTEMA DE AQUISIÇÃO........................................................................................... 24
3.2.1 Infra-Estrutura.......................................................................................................... 24
3.2.2 Placa de Aquisição e Sistemas de Coleta................................................................. 25
3.2.3 Características Físicas ............................................................................................. 26
3.2.4 Sistema de Coleta do Perfil Magnético .................................................................... 28
3.2.5 Banco de Dados de Perfis Magnéticos..................................................................... 28
iv
3.2.6 As Categorias ........................................................................................................... 30
3.2.7 Locais de Coleta ....................................................................................................... 33
CAPÍTULO 4.......................................................................................................................... 34
4.1 ESTRATÉGIA ................................................................................................................ 34
4.2 SISTEMA LÓGICO FUZZY .......................................................................................... 36
4.2.1 Definição .................................................................................................................. 36
4.2.2 Sistemas Lógicos Fuzzy (SLF).................................................................................. 37
4.2.3 Fuzzificação.............................................................................................................. 38
4.2.4 Base de Regras ......................................................................................................... 38
4.2.5 Máquina de Inferência.............................................................................................. 38
4.2.6 Defuzzificador........................................................................................................... 38
4.3 SISTEMA PARA CLASSIFICAÇÃO DE VEÍCULOS EM 4 CATEGORIAS.............. 39
4.3.1 Coeficientes utilizados na classificação em quatro categorias................................ 40
4.3.1.1 Comprimento Magnético.................................................................................... 40
4.3.1.2 Valor Médio ....................................................................................................... 42
4.3.1.3 Número de Inversões para 4 Categorias............................................................. 43
4.3.2 Conjuntos Fuzzy ....................................................................................................... 44
4.3.2.1 Atributos Fuzzy para o Comprimento Magnético.............................................. 44
4.3.2.2 Atributos Fuzzy para o Valor Médio ................................................................ 45
4.3.2.3 Atributos Fuzzy para o Número de Picos ......................................................... 45
4.3.3 Base de Regras ......................................................................................................... 45
4.3.3 Resultados ............................................................................................................ 46
4.3.3.1 Interpretação....................................................................................................... 47
4.3.3.2 Campo de Provas da Perkons............................................................................. 48
4.3.3.3 Rodovia SP – 310 km 199.................................................................................. 49
4.3.3.4 Rodovia BR 476 km 134.................................................................................... 50
4.3.3.5 Resultado Total .................................................................................................. 51
4.4 SISTEMA PARA CLASSIFICAÇÃO DE VEÍCULOS EM 6 CATEGORIAS.............. 52
4.4.1 Coeficientes Utilizados na Classificação em 6 Categorias...................................... 52
4.4.1.1 Comprimento Magnético para 6 Categorias....................................................... 52
4.4.1.2 Valor Médio para 6 Categorias .......................................................................... 53
4.4.1.3 Número de Inversões para 6 Categorias............................................................. 54
4.4.1.4 Valor Médio das Inversões ............................................................................... 54
v
4.4.1.5 Variância Normalizada....................................................................................... 55
4.4.2 Conjuntos Fuzzy ....................................................................................................... 57
4.4.2.1 Comprimento Magnético Fuzzy......................................................................... 57
4.4.2.2 Valor Médio Fuzzy ........................................................................................... 57
4.4.2.3 Número de Inversões Fuzzy.............................................................................. 57
4.4.3 Base de Regras ......................................................................................................... 59
4.4.4 Resultados ............................................................................................................ 60
4.4.4.1 Campo de Provas da Perkons............................................................................. 60
4.4.4.2 SP – 310 KM 199............................................................................................... 61
4.4.4.3 Av. Anita Garibaldi............................................................................................ 62
4.4.4.4 Av. Erasto Gaertner............................................................................................ 63
4.4.4.5 Rodovia BR 116 km 125.................................................................................... 64
4.4.4.6 Discussão dos Resultados................................................................................... 64
CAPÍTULO 5.......................................................................................................................... 67
REFERÊNCIAS BIBLIOGRÁFICAS ................................................................................. 69
vi
LISTA DE FIGURAS
Figura 1 - Sistema de leitura de placas automotivas .................................................................. 6
Figura 2 – Sistema de identificação por selo eletrônico - TAG................................................. 7
Figura 3 – Perfil magnético de um veículo de passeio............................................................. 10
Figura 4 – Perfil magnético de um ônibus bi-articulado.......................................................... 10
Figura 5 – Fixação da câmera para coleta da perspectiva superior do veículo ........................ 15
Figura 6 – Modelo de imagem coletada para análise............................................................... 15
Figura 7 – Medição de velocidade utilizando sensores indutivos............................................ 19
Figura 8 – Padrão de resposta elétrica gerada por um veículo nos sensores indutivos............ 20
Figura 9 – Padrão gerado por um caminhão baú e por uma carreta......................................... 21
Figura 10 – Perfis magnéticos normalizados em amplitude e velocidade ............................... 22
Figura 11 – Processo de cálculo de velocidade........................................................................ 23
Figura 12 - Blocos do Sistema “Lombada Eletrônica” ............................................................ 24
Figura 13 - Sensores indutivos com largura de 10cm e 4m ..................................................... 27
Figura 14 - Dimensões dos sensores indutivos utilizados........................................................ 28
Figura 15 – Foto e perfil magnético de: a) veículo de passeio; b) utilitário; c) caminhão; d)
carreta; e) ônibus; f) motocicleta....................................................................................... 29
Figura 16 – Etapas de desenvolvimento do sistema classificador ........................................... 35
Figura 17 – Sistema lógico Fuzzy com Fuzzificador e Defuzzificador ................................... 37
Figura 18 - Variáveis envolvidas para cálculo do comprimento magnético............................ 40
Figura 19 - Comprimento magnético de uma carreta e de um veículo de passeio................... 40
Figura 20 - Distribuição do comprimento magnético dos veículos entre as 4 categorias........ 41
Figura 21 – Valor médio de um veículo de passeio 1050 e de uma carreta 550...................... 42
Figura 22 - Valor médio distribuído entre as 4 categorias ....................................................... 43
Figura 23 - Localização das inversões para um veículo de passeio 1 e um micro-ônibus 5.... 43
Figura 24 - Distribuição das inversões entre as quatro categorias ........................................... 44
Figura 25 - Conjuntos fuzzy de comprimento magnético........................................................ 44
Figura 26 - Conjuntos fuzzy de valor médio............................................................................ 45
Figura 27 – Conjuntos fuzzy de número de picos.................................................................... 45
Figura 28 – Distribuição do comprimento magnético dos veículos para as seis categorias .... 45
Figura 29 – Valor médio distribuido entre as categorias ......................................................... 45
Figura 30 – Distribuição do número de inversões nas seis categorias..................................... 54
Figura 31 – Valor médio de picos para um veículo de passeio e um caminhão ...................... 55
vii
Figura 32 - Distribuição do valor médio de picos entre as seis categorias .............................. 55
Figura 33 – Valores de variância para uma carreta, um caminhão e um carro ........................ 56
Figura 34 – Distribuição estatística da variância normalizada para as seis categorias ............ 56
Figura 35 – Conjuntos Fuzzy de comprimento magnético ...................................................... 57
Figura 36 – Conjuntos Fuzzy de valor médio .......................................................................... 57
Figura 37 - Conjuntos Fuzzy de número de picos.................................................................... 58
Figura 38 - Conjunto Fuzzy de Valor Médio dos Picos........................................................... 58
Figura 39 - Conjunto Fuzzy de Variância Normalizada .......................................................... 58
viii
LISTA DE TABELAS
Tabela 1 – Categorias propostas por Pursula e Pikkarein, 1994 .............................................. 11
Tabela 2 - Categorias propostas por Gajda e Sroka, 2000 ....................................................... 11
Tabela 3 - Categorias propostas por Gajda e Stencel, 1997..................................................... 11
Tabela 4 - Categorias propostas por Andreotti......................................................................... 12
Tabela 5 – Resultado da classificação do sistema proposto por Pursula e Kosonen, 1989 ..... 12
Tabela 6 - Categorias propostas por Sun et al.......................................................................... 13
Tabela 7 - Categorias propostas por Mohottala, Kagesawa e Ikeuchi ..................................... 14
Tabela 8 – Aplicações propostas por Reijmers (2003) para larguras de sensores ................... 27
Tabela 9 – Classificação de veículos segundo o CTB ............................................................. 30
Tabela 10 – Subclassificação quanto à espécie do CTB .......................................................... 31
Tabela 11 – Classificação de veículos segundo FHWA .......................................................... 31
Tabela 12 – Quantidade de veículos no em Curitiba segundo o IBGE.................................... 32
Tabela 13 – Quantidade de veículos agregados nas principais categorias............................... 32
Tabela 14 – Locais de coleta dos dados ................................................................................... 33
Tabela 15 – Base de regras do sistema de quatro categorias ................................................... 46
Tabela 16 – Resultado absoluto da classificação no campo de provas em 4 categorias.......... 48
Tabela 17 - Resultado percentual da classificação no campo de provas em 4 categorias........ 49
Tabela 18 – Resultado da classificação no equipamento da SP-310 em 4 categorias.............. 49
Tabela 19– Percentuais de classificação no equipamento da SP-310 ...................................... 50
Tabela 20 - Resultado da classificação no equipamento da BR-476 km 134 em 4 categorias 50
Tabela 21 - Percentuais da classificação do equipamento da BR-476 km 134........................ 51
Tabela 22 - Resultado total absoluto da classificação em 4 categorias.................................... 51
Tabela 23 - Resultado total percentual da classificação em 4 categorias................................. 51
Tabela 24 – Base de regras do sistema de 6 categorias............................................................ 59
Tabela 25 - Resultado absoluto da classificação no campo de provas em 6 categorias........... 60
Tabela 26 - Resultado percentual da classificação no campo de provas em 6 categorias........ 61
Tabela 27 - Resultado da classificação no equipamento SP-310 em 6 categorias................... 61
Tabela 28 - Resultado percentual da classificação no equipamento da SP-310....................... 62
Tabela 29 - Resultado da classificação no equipamento Av. Anita Garibaldi em 6 categorias62
Tabela 30 – Percentuais da classificação do equipamento da Av. Anita Garibaldi................. 63
Tabela 31 – Resultado da classificação da Av. Erasto Gaertner em 6 categorias.................... 63
Tabela 32 - Percentuais da classificação no equipamento da Av. Erasto Gaertner ................. 63
ix
Tabela 33 – Resultado da classificação no equipamento BR 116 km 125 em 6 categorias..... 64
Tabela 34 – Percentuais da classificação no equipamento da BR-116 km 125 ....................... 64
Tabela 35 – Resultado absoluto total da classificação em 6 categorias................................... 65
Tabela 36 - Resultado percentual total da classificação em 6 categorias................................. 65
Tabela 37 - Resultado absoluto da classificação desse sistema para 4 categorias ................... 65
Tabela 38 - Resultado percentual da classificação desse sistema para 4 categorias................ 65
x
RESUMO
O planejamento e o gerenciamento de sistemas viários necessitam de parâmetros e
variáveis para o controle de tráfego e para outras diversas análises. A identificação da
categoria de um veículo que trafega numa via é um parâmetro importante para o
dimensionamento de sistemas, a caracterização do fluxo terrestre, o controle de acesso a
locais específicos entre outras aplicações. Várias técnicas são empregadas para essa
necessidade. Entre estas, destacam-se os sistemas de processamento de som, de imagem e de
sinais gerados por sensores específicos para tal aplicação. O objetivo desse trabalho é propor
ferramentas matemáticas e computacionais para classificação de veículos através da análise de
sinais coletados de sensores indutivos, os quais são largamente aplicados em análise de
condições de tráfego como velocidade e taxa de ocupação da via. Para tanto, foi desenvolvida
em uma plataforma específica, baseada em processadores digitais de sinais, que realiza a
aquisição dos sinais provenientes dos sensores, além de efetuar os cálculos referidos. O
sistema foi desenvolvido em duas etapas – pré-classificação de veículos em quatro categorias:
carros, motos, ônibus e caminhões; e em seis categorias: carros, utilitários, motos, ônibus,
caminhões e carretas. Para a validação do sistema, este foi aplicado a equipamentos de
fiscalização eletrônica, que utilizam sensoriamento indutivo para medições de velocidade e
comprimento de veículos. Os resultados obtidos com tal sistema serão discutidos através da
comparação da imagem capturada do veículo com a categoria definida pelo sistema.
xi
ABSTRACT
Road systems need specific planning and management based on parameters and
variables for traffic control and other analysis. An important parameter to be considered into a
road control systems is the identification of the vehicle category. This parameter is applied in
the analysis of different conditions such as traffic volume, access control to specific areas,
among others. A number of techniques may be applied to this need, such as sound pattern
recognition, image pattern and signal identification provide by appropriate sensors. This
dissertation aims at presenting mathematical and computing tools to classify vehicles by
means of digital analysis gathered from inductive loops, which are widely applied to speed
and volume indicators report. This system have been developed an unique restricted board
based an digital signals processors that capture the signals from the loops, besides making the
above mentioned calculations. The system has been developed in two steps: first, classifying
vehicles into four categories – cars, motorcycles, buses and trucks; second, those vehicles
classified into six categories – the one from step ones, plus vans and truck with trailers. In
order to validate the system, it has been applied to speed control equipments that makes use of
inductive loops to measure speed and vehicle length. Results are discussed through the
comparison of vehicle received image and the category defined by the system.
1
CAPÍTULO 1
INTRODUÇÃO
1.1 MOTIVAÇÕES
Várias são as ramificações da ciência aplicadas ao estudo do deslocamento de pessoas
- o trânsito em questão. Algumas delas estão voltadas às soluções inovadoras que buscam
tecnologias e alternativas, estudadas pelos sistemas inteligentes de transporte (ou tráfego) –
ITS (Intelligent Transportation / Traffic Systems).
Os ITS contribuem com várias ferramentas para a gestão do trânsito (PROPER,
MACCUBBIN, GOODWIN, 2001) em diversas aplicações: comunicação, sinalização,
organização, gerenciamento, controle e proteção das variáveis (pedestres, veículos, estradas,
etc.) envolvidas – sobretudo os agentes humanos. O aperfeiçoamento destes sistemas visa
uma otimização dos itens relacionados ao tema, com objetivo de assegurar tranqüilidade,
conforto e segurança para as atividades relacionadas ao fluxo de pessoas e veículos.
A busca do conhecimento e entendimento das variáveis envolvidas num sistema ITS
ajuda na melhoria dos processos relacionados ao tráfego, independente de ser um fator
passível de alteração ou não. Nestes processos, relacionam-se variáveis controladas e não
controladas. Por exemplo, considera-se o fator condição climática como variável não
controlada e a velocidade máxima regulamentada numa via como controlada.
No planejamento de uma via de deslocamento, o conhecimento dessas variáveis
fornece subsídios para a modelagem de um sistema funcional e otimizado para determinada
necessidade. Uma variável importante para o projeto de uma nova via é a quantização do
fluxo de veículos (pelo menos uma boa estimativa) que irão transitar por ela. Assim como a
ampliação de uma via pode ser evidenciada pela análise desta informação.
Porém, a simples informação de fluxo não é suficiente para evidenciar todas as
necessidades de projeto. Uma via por onde circula em seu total de fluxo, 95% de veículos de
passeio, por exemplo, será menos desgastada e exigida do que uma outra que possua 50% de
tráfego de veículos de carga (considerando que ambos foram feitas com as mesmas
características de pavimento).
2
Para classificação da frota que trafega em vias, os ITS utilizam os sistemas de
classificação de veículos. Tais sistemas realizam a contagem do número de veículos e os
classificam em categorias pré-estabelecidas. Estas categorias são definidas de acordo com
aplicação. As seguintes tarefas em um ITS pode ser subsidiadas por um sistema de
classificação de veículos (FHWA-PL-01-021, 2001):
• planejar o sistema viário, conhecer o tráfego local e estabelecer uma
classificação do sistema rodoviário;
• avaliar o programa de ocupação e uso do solo de acordo com o volume de
veículos;
• estimar a emissão de poluentes nas vias;
• identificar necessidades e prioridades de melhorias na malha viária;
• verificar mudanças de perfil do tráfego em épocas distintas (sazonalidade);
• obter a série histórica de volume de trânsito de vias urbanas e rodovias para
estabelecer projeções de tráfego futuro;
• estimativas do tempo de deteriorização do pavimento;
• estudos de localização de postos de policiamento, de pesagem, socorro médico
emergencial, etc;
• localizar e projetar pontos de instalações para as operações de monitoramento e
fiscalização;
• estimar arrecadação em rodovias tarifadas, que possuem taxas variáveis para as
diversas categorias de frotas;
• fiscalizar vias que permitam o tráfego de categorias exclusivas;
• fiscalizar categorias de veículos distintas em faixas de velocidades distintas.
O trabalho proposto nessa dissertação surgiu da necessidade de qualificar a
informação do tráfego para os padrões verificados no Brasil. O objetivo é caracterizar e
qualificar o fluxo dos veículos que transitam em vias urbanas, de maneira eficiente e precisa,
através de ferramentas operacionais e confiáveis. Para a coleta de dados foram utilizados
sensores indutivos, os quais são difundidos e aplicados nos sistemas tecnológicos para
tráfego.
Estes sensores normalmente são responsáveis pela verificação de presença e pelo
cálculo da velocidade dos veículos que trafegam na via, para fins de fiscalização de
velocidade ou levantamento de estatísticas de tráfego. Porém, outras informações podem ser
3
obtidas. Cita-se nesse contexto, a análise da distribuição metálica de um veículo que transita
sobre esses sensores através da sucessiva leitura da resposta magnética gerada na passagem
que é objeto principal deste trabalho. Tal resposta tende a ser semelhante para veículos de
características semelhantes, variando de acordo com as categorias existentes, a velocidade de
deslocamento, e outros fatores que serão abordados.
Através de um sistema eletrônico micro controlado, baseado em uma plataforma de
processamento de sinais – DSP (cujo desenvolvimento não é escopo desse trabalho) são
coletados e aplicados algoritmos baseados nos princípios Fuzzy de identificação e
reconhecimento de padrões. Tal sistema possibilita a captação da informação de duas faixas
de rodagem (quatro sensores), cujas funções principais são:
• cálculo da velocidade de deslocamento dos veículos (com precisão superior
aos critérios exigidos pelos órgãos governamentais);
• cálculo do comprimento dos veículos;
• categorização do veículo em classes pré-especificadas, de acordo com técnicas
aqui demonstradas e aplicadas.
1.2 OBJETIVOS
O objetivo principal desta dissertação é propor ferramentas para caracterização e
identificação de categorias de veículos que transitam em vias urbanas. Tais ferramentas estão
baseadas nos princípios Fuzzy, largamente aplicados em problemas de inteligência artificial.
Essa informação será registrada de maneira instantânea pela passagem do veículo no local,
através do processamento dos sinais provenientes dos sensores indutivos. A aplicabilidade
deste sistema não se reduz apenas a fins estatísticos, mas estende-se para fins de fiscalização.
Uma aplicação imediata é na diferenciação dos veículos que possuem velocidades máximas
regulamentadas, visto que o código de trânsito brasileiro regulamenta diferentes velocidades
em vias expressas para caminhões (80 km/h), ônibus (90 km/h) e veículos de passeio ou
motos (110 km/h) (Código de Trânsito Brasileiro, 1997). Outra aplicação é no controle do
acesso a determinadas vias, que é restrito apenas a algumas categorias. Casos mais comuns de
restrição de acesso são as vias exclusivas para ônibus urbanos onde nenhum outro veículo
pode ter acesso, e as zonas centrais de tráfego, onde não é permitida a circulação de
caminhões pesados.
4
1.3 ESTRUTURA DO TRABALHO
O trabalho apresentado a seguir propõe um sistema para classificação automática de
veículos em categorias. Para tanto, utilizou-se o parque de equipamentos de fiscalização
eletrônica da empresa Perkons S.A. Nesse capítulo o sistema foi contextualizado e os
benefícios potenciais dos ITS foram abordados. Ainda, iniciou-se o âmbito proposto do
trabalho.
No capítulo 2 discorre-se sobre algumas tecnologias possíveis de utilização para a
classificação de veículos. Além do contexto aqui empregado (através da análise da resposta
magnética gerada pelos veículos), outros podem ser aplicados, como reconhecimento do
padrão da placa (LPR) ou através do emprego de um selo eletrônico (TAG) que identifica
individualmente os veículos, relacionando-os com um cadastro onde constam os dados de
todos os veículos. Ainda nesse capítulo são apresentados os principais estudos que utilizam o
sensoriamento magnético para classificação de veículos. Outras técnicas que não necessitam
de um conhecimento do cadastro do veículo também são abordadas: técnicas baseadas em
reconhecimento do padrão de imagem do veículo e no padrão sonoro gerado pelo veículo.
Percebe-se que são estudos específicos, porém pertinentes para viabilidade dos propósitos
mencionados. Alguns são restritos a duas ou três categorias e outros propõem classificação
em até 10 categorias.
No capítulo 3 discute-se os conceitos físicos envolvidos nos métodos empregados para
detecção de veículos através de sensores indutivos. É discutido o sistema de aquisição
propriamente dito e o cenário utilizado para desenvolvimento do sistema classificador.
A construção do sistema, os conceitos fuzzy aplicados e a extração de parâmetros de
perfil magnético são apresentados no capítulo 4. O modelamento do sistema fuzzy
propriamente ditos são explicitados, assim como as etapas de desenvolvimento do sistema.
Este é testado em diversas condições e nesse mesmo capítulo os resultados gerados são
discutidos.
Finalmente, no capítulo 5, apresentam-se as conclusões. Sugerem-se melhorias e
novas linhas de pesquisas para otimização do sistema.
5
CAPÍTULO 2
FUNDAMENTAÇÃO TEÓRICA
2.1 SISTEMAS APLICADOS AO GERENCIAMENTO DE TRÁFEGO
Existem diversas formas de identificar veículos em vias (PROPER, MACCUBBIN,
GOODWIN - 2001). Muitos sistemas propõem-se a classificar o tráfego de maneira
individual, caracterizando unitariamente cada veículo. Outros classificam em categorias
definidas previamente usando detectores de tráfego.
Na seqüência apresenta-se a aplicabilidade dos principais sistemas destinados a essas
funções. Uma breve explanação das vantagens de cada tecnologia é descrita para situação do
sistema proposto neste trabalho.
2.1.1 Sistemas de Identificação de Veículos
As principais tecnologias (GOEDDEL, 2000) para construção de sistemas de
identificação de veículos (conhecidos por AVI – Automatic Vehicle Identification) são:
• Leitura do padrão de placas automotivas (conhecidos como LPR – License Plated
Recognize);
• Coleta dos dados de um selo eletrônico instalado nos veículos (conhecido como
TAG);
• Sistemas de Posicionamento Global (GPS – Global Positioning System)
Os sistemas leitores de placas automotivas utilizam algoritmos de processamento de
imagens para análise do padrão (coletado por câmeras de monitoramento) e sistemas de
reconhecimento de padrões para identificação dos caracteres. A figura 1 mostra os principais
itens utilizados em um sistema de reconhecimento de placas automotivas.
6
Figura 1 - Sistema de leitura de placas automotivas
A imagem do veículo que trafega na via é capturada e processada pelo sistema de
reconhecimento e identificação da placa. Em seguida, algoritmos de processamento de sinais
são aplicados para localização da posição espacial da placa na imagem. Posteriormente os
caracteres são separados para tratamento individual. Cada um deles é colocado em um
procedimento de reconhecimento de padrões, através de técnicas de inteligência artificial
(CHANG et al, 2004).
Finalizando o processo de reconhecimento, o sistema busca os dados do veículo em
um cadastro. Este cadastro (local ou remoto) contém os dados individuais daquele veículo,
como espécie, cor, situação e outros. Após esta verificação, pode-se verificar ainda as
pendências do veículo ou gerar estatísticas diversas de tráfego.
Esse sistema possui alguns inconvenientes, sendo o principal deles o baixo
aproveitamento na leitura dos padrões, causado em geral por:
• Erros de reconhecimento do sistema ou da captura do veículo;
• Placa em mau estado para legibilidade;
• Condições climáticas diversas, tais como incidência elevada de sol ou nevoeiro
acentuado;
• Placas de veículos que não constam no banco de dados (no caso brasileiro existem
cadastros estaduais e nenhum unificado nacionalmente).
O sistema de coleta de dados através de um selo eletrônico (TAG) é um sistema
tecnicamente eficiente. A figura 2 ilustra o funcionamento deste sistema.
7
Figura 2 – Sistema de identificação por selo eletrônico - TAG
A operação desse sistema exige a utilização de um selo eletrônico que possui os dados
e registros do veículo. Quando determinado veículo adentra a área de abrangência da antena
coletora de informações, os dados são enviados para uma central de controle, onde podem ser
feitas análises gerais de trânsito, tal qual o sistema leitor de placas.
Os inconvenientes principais desse sistema são baseados na viabilidade financeira.
Todos os veículos devem possuir o TAG para serem identificados, implicando em custos para
o usuário. Outra dificuldade é que o veículo deverá estar presente dentro da região de
abrangência para ser identificado.
O sistema de posicionamento global (GPS – Global Position Systems) é basicamente
um conjunto de satélites que pode determinar, em 3 dimensões (longitude, latitude e altitude)
a posição do veículo na via. Entretanto, como o GPS depende de comunicação com satélites,
sistemas adicionais de informação são necessários para que o sistema continue funcionando
quando o veículo transita sob pontes, sob densas folhagens de árvores ou próximo de grandes
elevações (prédios, montanhas). Este sistema possui alto custo em relação às outras
tecnologias, e é normalmente aplicado para monitoramento de veículos de cargas.
Dentre os aspectos abordados para utilização de sistemas de identificação de veículos
questiona-se a invasão de privacidade, que é quebrada com o gerenciamento unitário dos
veículos. Várias são as discussões questionando essa filosofia de monitoramento.
8
2.1.2 Sistemas de Classificação de Veículos
Diversas tecnologias de detectores de tráfego podem servir de base para os sistemas de
classificação de veículos (conhecidos por AVC – Automatic Vehicle Classification) (PATEN,
2003; KLEIN e KELLEY, 1996 ; MIMBELA e KLEIN, 2000). Os sensores utilizados para
construção destes detectores são:
• sensores infravermelhos (passivos ou ativos);
• sensores de microondas (efeito Doppler);
• sensores piezoelétricos;
• sensores capacitivos;
• sensores laser;
• sensores magnéticos;
• sensores indutivos;
• sensores de imagem;
• sensores ultra sônicos;
• sensores sonoros.
Muito desses sistemas são utilizados para obtenção de diversas condições de tráfego,
como velocidade, peso e classificação de veículos. Radares estáticos, aqueles que
normalmente são montados em tripés na lateral das vias, e radares portáteis utilizados para o
registro de velocidade instantânea, utilizam tecnologia Doppler ou Laser, na maioria dos
produtos comerciais. Sistemas de pesagem utilizam sensores piezoelétricos e capacitivos.
Para classificação de veículos, são agregadas funcionalidades aos detectores, dotando
os sistemas da capacidade de processamento de sinais e inteligência artificial. O estado da arte
de três dos principais sensores aplicados ao reconhecimento de categorias de veículos serão
apresentados: através de processamento de sinais coletados dos sensores indutivos, de
processamento de imagem dos padrões de veículos e processamento dos padrões sonoros
gerados pelos veículos.
O trabalho em questão é baseado na classificação de veículos através da coleta dos
sinais provenientes dos sensores indutivos. Estes são amplamente difundidos como elemento
sensor nos sistemas de controle de tráfego. Além da classificação, permite-se registro de
velocidade e tamanho dos veículos através desta tecnologia.
9
2.2 REVISÃO DA LITERATURA
2.2.1 Sistemas de Classificação de Veículos Baseados em Sensores Indutivos
Os sistemas de sensores indutivos se caracterizam por apresentarem longa vida útil e
boa resistência a alterações climáticas. POTTER (2004) descreve a evolução e disseminação
desse sistema ao longo das décadas. Nessa evolução, eles passaram de simples detectores de
presença para importante ferramenta dos sistemas de tráfego inteligente. A aplicação de
detecção digital, ou seja, se existe ou não veículo sobre o sensor, é substituída pela detecção
analógica de uma forma de onda completa. Desta forma é possível extrair outras informações,
que implicam nas mais variadas aplicações.
Uma destas aplicações é a classificação de veículos em categorias pré-definidas. Tal
classificação é realizada a partir da análise analógica do sinal proveniente dos laços sensores,
denominado de perfil magnético. Através da análise do perfil magnético, alguns estudos
foram e continuam sendo feito por instituições de pesquisas e empresas da área de controle de
tráfego (SUN et al., 2000). As figuras 3 e 4, respectivamente, mostram o perfil magnético
gerado pela passagem de um veículo de passeio (figura 3) e um ônibus bi-articulado (figura 4)
sobre os sensores indutivos. A cor vermelha do gráfico representa o perfil magnético gerado
pelo primeiro sensor, e a cor azul representa o perfil magnético gerado pelo segundo sensor. O
eixo das ordenadas representa a variação da indutância do conjunto sensor-veículo e o eixo
das abscissas representa o tempo em milésimos de segundos.
10
Figura 3 – Perfil magnético de um veículo de passeio
Figura 4 – Perfil magnético de um ônibus bi-articulado
O uso do perfil magnético dos veículos foi inicialmente discutido por BÖHNKE e
PFANNERSTILL (1986) na re-identificação de seqüências de veículos. PURSULA e
PIKKARAINEN (1994) aplicam um sistema de identificação de sete classes de veículos
usando duplos sensores indutivos (de dimensões 3x2 metros) e uma rede neural do tipo mapa
de Kohonen. As categorias propostas pelos autores são apresentadas na tabela 1.
O mapa de Kohonen é uma técnica de agrupamento de dados em classes vizinhas, com
treinamento não supervisionado resultante da competição entre neurônios. A organização dos
neurônios em clusters reflete a similaridade dos vetores de entrada do treinamento. Pela
11
interpretação desses agrupamentos são retiradas as classes distintas de veículos, quando
devidamente treinados com dados relativos aos perfis magnéticos.
Tabela 1 – Categorias propostas por PURSULA e PIKKAREIN (1994)
CATEGORIA DESCRIÇÃO
1 Carro ou Utilitário
2 Caminhão
3 Ônibus
4 Caminhão com semi-trailer
5 Caminhão com trailer
6 Carro com trailer
7 Carro com casa móvel
Neste trabalho foi utilizado um mapa auto-organizável com dimensões 12x12. As
entradas eram alimentadas pelos perfis magnéticos dos veículos e as saídas correspondiam às
categorias. O percentual reportado de acerto médio foi de 80%, verificado nos veículos de
treinamento da rede (737 ao todo).
Através de análises das características do perfil magnético dos veículos baseados na
variação ao longo do tempo, GAJDA e SROKA (2000) obtêm resultados de 77% a 95% para
quatro categorias pré-definidas. As categorias são apresentadas na tabela 2. Em outro
trabalho, utilizando um algoritmo baseado no método dos mínimos quadrados e um banco de
dados padrão de cinco categorias pré-selecionadas, GAJDA e STENCEL (1997) obtiveram
resultados variando entre 71% e 95% classificações corretas. Nesse sistema os autores
utilizaram informações relativas à amplitude de variação do sinal normalizada, que são
comparadas com o banco de dados padrões das categorias pré-selecionadas.
Tabela 2 - Categorias propostas por GAJDA e SROKA (2000)
CATEGORIA DESCRIÇÃO
1 Carro
2 Trailer
3 Ônibus urbano
4 Ônibus articulado
Tabela 3 - Categorias propostas por GAJDA e STENCEL (1997)
CATEGORIA
DESCRIÇÃO
1 Carro
2 Trailer
3 Caminhão
4 Ônibus urbano
5 Ônibus articulado
12
ANDREOTTI (2001) utiliza um total de 248 perfis magnéticos de veículos para testar
um sistema de classificação utilizando técnicas de clusterização. Estes foram divididos em
166 veículos para treinamento e 82 veículos de validação, e distribuídos em um total de sete
categorias, conforme tabela 4. Nos dados de treinamento foram aplicadas medidas de
variância, assimetria, desvio padrão, média e número de máximos nos perfis. Através das
medidas estatísticas são geradas regiões de valores, dentre as diversas variáveis citadas,
criando-se agrupamentos de categorias. Em seguida, o veículo é classificado através do
cruzamento dos valores do perfil a ser julgado com os padrões gerados, enquadrando na
categoria com maior similaridade. O sistema chegou a uma precisão de 97,5%.
Tabela 4 - Categorias propostas por ANDREOTTI (2001)
CATEGORIA DESCRIÇÃO
1 Carro de Passeio
2 Carreta
3 Caminhão furgão
4 Camionete
5 Furgão
6 Ônibus
7 Moto
PURSULA e KOSONEN (1989) apresentam um sistema, baseado na plataforma PC,
capaz de identificar até 10 categorias (tabela 5), analisando incidências estatísticas do perfil
magnético. A configuração dos duplos sensores utilizada foi de 2x2 metros (unitariamente) e
espaçamento de 5 metros entre eles. Os resultados da análise de 733 veículos apresentam
índices que chegam a 31% de erro.
Tabela 5 – Resultado do sistema proposto por PURSULA e KOSONEN (1989)
CATEGORIA DESCRIÇÃO
1 Motocicleta
2 Carro
3 Van
4 Land Cruiser
5 Categorias 2, 3 e 4 com trailer
6 Ônibus
7 Ônibus Articulado
8 Caminhão
9 Caminhão com semi-trailer
10 Caminhão com trailer
13
SUN et al. (2000) apresentam dois métodos de classificação de veículos usando sete
classes, conforme tabela 6. O sinal era provido de sensores indutivos com dimensões
quadráticas de 1,86 metros. Os dados foram coletados em fluxo moderado (aproximadamente
1000 veículos por hora) e eram compostos de aproximadamente 2000 veículos, na grande
maioria veículos de passeio. Para equalização do número de veículos nas categorias, apenas
300 veículos e respectivos perfis magnéticos foram utilizados. Desses foram tiradas
características peculiares a cada categoria, tais quais: transformada do perfil, comprimento
magnético do veículo, amplitude do sinal, área da curva gerada pelo perfil magnético, a
variância do perfil em relação a sua forma e outros. Para extração de alguns desses
parâmetros, os perfis magnéticos foram normalizados em amplitude e ao longo do tempo.
Posteriormente, após extração das características, os dois métodos de classificação foram
aplicados, um baseado em decisão heurística, e outro em uma rede neural não supervisionada
do tipo mapa de Kohonen.
Tabela 6 - Categorias propostas por SUN et al. (2000)
CATEGORIA DESCRIÇÃO
1 Carro de Passeio
2 Utilitário
3 Camionete
4 Limusine
5 Ônibus
6 Caminhão 2 eixos
7 Caminhão mais de 2 eixos
O método heurístico foi avaliado em três configurações. Cada configuração tinha sua
árvore de decisão baseada nos parâmetros extraídos. A primeira configuração distinguia as
classes através do comprimento magnético do veículo, a amplitude do perfil magnético e o
achatamento do perfil. A segunda configuração foi montada com os mesmos parâmetros
anteriores, mas com uma árvore de distribuição arranjada de outra forma. O terceiro algoritmo
utilizava além desses parâmetros, a curtose (medida de dispersão que caracteriza o
“achatamento” da curva). Os resultados coletados no mesmo ponto da aquisição dos dados
obtiveram resultados médios de 84% de acerto para o primeiro, 91% para o segundo e 88%
para o terceiro. Na mesma rodovia, dois quilômetros depois, esses algoritmos foram aplicados
na re-categorização. As taxas de acerto médio foram de 81%, 82% e 85% para os algoritmos
na seqüência mencionada.
O mapa de Kohonen proposto por SUN et al. (2000) foi testado em duas
configurações. A primeira configuração apresentou índices de acerto de 81% para as classes
14
da tabela seis. Na segunda configuração avaliaram-se os resultados nas sete classes e também
em nove, seccionando as categorias de utilitários em utilitários esportivos e vans e separando
camionetes pequenas de camionetes grandes. A taxa de classificação foi de 71% para a
configuração de nove classes e 87% para a configuração de sete classes. Esta segunda foi
testada com um novo conjunto de dados (veículos) e obteve taxa de acerto médio de 82%.
GAJDA et al. (2001) apresentam um estudo da influência das dimensões físicas do
sensor indutivo na resposta da variação da passagem do veículo refletido em seu perfil
magnético. Os autores chegam à conclusão que quanto menor a dimensão do laço indutivo,
maior o detalhamento do perfil magnético. Os autores sugerem a possibilidade da contagem
do número de eixos dos veículos, utilizando sensores mais estreitos.
2.2.2 Sistemas de Classificação de Veículos Baseados em Processamento de Imagem
Os sistemas de processamento de imagem vêm se difundindo no meio científico e
tecnológico como uma importante ferramenta para automatização de processos
[MOHOTTALA, KAGESAWA, IKEUCHI – 2003; GUPTE, PAPANIKOLOPOULOS –
2000; MACCARLEY - 1999]. Esta tecnologia viabiliza sistemas de reconhecimento de
padrões faciais, padrões de assinaturas e outras aplicações. No próprio controle de tráfego, são
aplicados os sistemas de reconhecimento de caracteres já citado em 2.1.1.
Alguns sistemas para classificação de veículos propõem-se a distinguir categorias
pelos padrões coletados por câmeras de vídeo. São efetuadas análises das características das
imagens coletadas. MOHOTTALA, KAGESAWA e IKEUCHI (2003) propoem a
classificação de categorias de veículos através da análise de imagens geradas por um sistema
tridimensional. O sistema faz distinção de quatro classes de veículos, conforme a tabela 7. A
câmera é fixada de maneira a registrar a imagem superior dos veículos, conforme figura 5.
Modelos das imagens coletadas são mostrados na figura 6.
Tabela 7 - Categorias propostas por MOHOTTALA, KAGESAWA e IKEUCHI (2003)
CATEGORIA DESCRIÇÃO
1 Sedan
2 Wagon
3 Mini-Van
4 Hatchback
15
Figura 5 – Fixação da câmera para coleta da perspectiva superior do veículo
Figura 6 – Modelo de imagem coletada para análise
O algoritmo de reconhecimento de imagens é baseado no método eigen-window. As
imagens obtidas são comparadas com imagens de um banco de dados gerado para o
treinamento. A categoria é escolhida analisando as características dos padrões e de matrizes
geradas a partir de operações de covariâncias. Em seqüência as imagens são colocadas em um
processo de votação. O padrão com maior similaridade é eleito. Inicialmente foram utilizadas
16 imagens treinadas, 4 de cada classe, para classificação de 49 veículos. O aproveitamento
nessa etapa foi de 51%. Com algumas modificações de algoritmo, o aproveitamento subiu
para 83%. A maior dificuldade relatada foi na classificação de mini-vans, que normalmente
eram confundidas com hatchback. Os pesquisadores sugerem um aumento no número de
imagens de treinamento para melhoria da classificação.
GUPTE e PAPANIKOLOPOULUS (2000) desenvolveram um algoritmo para
detecção e classificação de veículos através de seqüências de imagens de tráfego gravadas por
uma câmera estacionária. O sistema proposto classifica veículos em duas categorias,
caminhões e não caminhões. O sistema é composto de seis estágios, os quais: segmentação de
movimento, (para identificação de algumas regiões de movimento), agrupamento das regiões,
16
identificação de parâmetros (para coleta de características como altura e comprimento das
regiões), identificação do veículo em uma das regiões de movimentação, julgamento da região
para verificação se é um veículo ou um simples ruído (utilizando filtro de Kalman) e
classificação dos veículos identificados nas categorias. Os resultados relatados foram de 90%
na identificação da presença dos veículos na imagem e 70% de classificação correta para as
duas categorias.
ZHANG e SIYAL (2000) utilizam a técnica da análise do contorno dos veículos para
classificação em quatro categorias as quais jeep, carro de passeio, caminhões e mini-vans. No
experimento, 17 dos 20 veículos foram classificados corretamente.
2.2.3 Sistemas de Classificação de Veículos Baseados em Análise Sonora
Várias são as tecnologias que utilizam sistemas baseados em reconhecimento de
padrões sonoros. Atualmente existem telefones comandados pela voz humana ou cadeiras de
rodas especiais comandadas desta maneira. Em aplicações automotivas, alguns veículos
disponibilizam sistemas que respondem a comandos através do padrão de voz do proprietário.
Para a classificação de veículos, este é um método que possui algumas restrições, apesar de
existirem alguns estudos defendendo a aplicação de técnicas de reconhecimento de padrões
sonoros para esta finalidade [WU, SIEGEL, KHOSLA – 1998; KODOGIANNIS, 2001;
NOORALAHIYAN et al., 1997].
Obviamente, todos os veículos apresentam padrões de ruídos sonoros. Esses ruídos
acontecem devido a vibrações do motor, contato dos pneus com o solo, efeitos do veículo com
o meio ambiente e outros. Para classificação em categorias, espera-se que veículos de
categorias semelhantes gerem ruídos semelhantes, ou ao menos algum dos componentes do
sinal gerado pela perturbação sonora destes sejam semelhantes.
WU, SIEGEL e KHOSLA (1998) utilizam em seu estudo seqüências de
aproximadamente 0,2 segundos para a análise do espectro do sinal sonoro. Esses sinais são
processados e digitalizados em uma taxa de amostragem de 22,025 kHz, além de normalizado
em média e amplitude. Acontecendo a variação do padrão sonoro ao longo do tempo, gera-se
uma resposta correspondente ao perfil sonoro de determinado veículo. Algumas dessas
amostras são estatisticamente escolhidas para análise do padrão do veículo correspondente a
17
determinado padrão. Nesse trabalho, os autores simularam as diferenças entre padrões de
veículos de passeio e caminhões, e entre veículos de passeio e motocicletas.
Em KODOGIANNIS (2001) é apresentado um sistema de detecção de veículos
através da análise acústica das características. O ponto inicial e final de detecção de um
veículo foi desenvolvido de acordo com uma predição através de um sistema lógico Fuzzy.
Após a detecção do veículo diversas características foram extraídas do sinal sonoro gerado
por determinado veículo. O sistema foi testado em 5 classes de veículos: carros de passeio;
pickups, vans e mini-vans; caminhões de dois eixos; caminhões de três eixos; caminhões de
cinco eixos. Os resultados foram entre 60 e 90 % de acerto, em um universo de 2440 veículos
da classe 1, 1007 da classe 2, 587 da classe 3, 309 da classe 4 e 963 da classe 5. Em outra
simulação as classes 1 e 2 foram combinadas observando-se melhoras na classificação para
essas categorias. Os algoritmos testados para classificação utilizavam redes neurais e sistemas
lógicos fuzzy adaptativos.
NOORALAHIYAN et al. (1997) propuseram a classificação de 4 categorias: ônibus
ou caminhões; vários tipos de motocicletas; veículos de cargas leves ou vans ; e veículos de
passeio pequenos ou grandes. O sistema foi composto de três estágios, pré-processamento
(onde ocorria a captação do padrão sonoro), extração de características e estágio
neurocomputacional (para classificação dos veículos). Algumas técnicas de processamento
digital de sinais foram utilizadas para a extração do padrão sonoro, tais quais: coeficientes
LPC (Linear Predictive Coding) e transformadas de Fourier. As características extraídas pelo
estágio de pré-processamento foram usadas para treinar uma rede neural não supervisionada
de Kohonen e uma rede neural supervisionada do tipo TDNN (Time Delay Neural Network)
para classificação de padrões individuais. Estas redes foram testadas em 3 etapas: uma em um
campo de testes com ambiente controlado, e duas em rodovias, com médios e grandes índices
de ruído sucessivamente. No pior caso, obteve-se 94% de acerto em testes efetuados em 1400
veículos que foram utilizados para a construção do sistema e coleta dos dados. Posteriormente
400 veículos aleatoriamente testados geraram resultados de 82,4% de acerto.
2.3 SISTEMA PROPOSTO
O objetivo deste trabalho é o desenvolvimento de um sistema de classificação de
veículos utilizando sensores indutivos, como nos trabalhos descritos no item 2.2.1. Nesse
sistema, utilizaremos um sistema baseado em regras fuzzy como técnica para distinção das
18
categorias. Serão propostos dois sistemas. O primeiro fará a classificação dos veículos em
quatro classes: carro, moto, ônibus e caminhão. O segundo incluirá estas quatro categorias
além de veículos utilitários e carretas.
Para execução desse trabalho foram utilizados dados de mais de vinte mil veículos,
coletados em diversos locais e condições de fluxo, o que não foi observado nos trabalhos da
literatura pesquisada. É um sistema que não almeja um grande número de classes, porém, por
possuir fins comerciais buscou-se um alto desempenho. Procurou-se também verificar a
necessidade mercadológica para elaboração do sistema, buscando os objetivos mencionados
no item 1.1 – Motivações.
O uso de sensores indutivos foi influenciado por ser a tecnologia mais utilizada
(POTTER, 2000) para sistemas autônomos de contagem de tráfego. A lógica fuzzy foi
utilizada por ser uma das tecnologias mais aplicadas (ZIMMERMANN, 1991 e SAMPAM,
1997) na distinção de padrões de sinais.
19
CAPÍTULO 3
AQUISIÇÃO DE DADOS DOS SENSORES INDUTIVOS
3.1 INTRODUÇÃO
O capítulo em questão tem o objetivo de apresentar os modelos matemáticos e
sistemas computacionais (baseados na análise e no processamento de sinais) desenvolvidos
para classificação de veículos em categorias previamente especificadas. Tais sistemas serão
destinados ao controle de tráfego.
O desenvolvimento desse projeto contou com a estrutura dos equipamentos eletrônicos
de fiscalização de velocidade da empresa Perkons S.A., financiadora desse projeto. Esses
equipamentos foram utilizados para levantamento de dados, testes e simulações.
Os equipamentos eletrônicos de medição de velocidade classificados como fixos pelo
Código de Trânsito Brasileiro (CTB, 1997) realizam, em sua grande maioria, a aquisição de
dados através de sensores indutivos. Tais sensores, quando excitados eletricamente
(Andreotti, 2001), são sensibilizados pela alteração do campo magnético do meio. Nos
sistemas de medição referidos, dois sensores são instalados sob o pavimento a uma distância
conhecida. A figura 7 mostra os parâmetros envolvidos nos cálculos. Como a distância é
conhecida, o cálculo da velocidade de um veículo é realizado através da medição do tempo
entre o acionamento (detecção de presença) do primeiro sensor (T1) e do segundo sensor
(T2).
Figura 7 – Medição de velocidade utilizando sensores indutivos
A verificação de presença ou ausência de um veículo é realizada a partir da coleta e
processamento do sinal elétrico gerado pelo sensor indutivo. Este sinal é função das
20
características metálicas do ambiente de abrangência do sensor. Quando um veículo adentra a
região de influência do sensor ocorre uma interação que resulta na alteração das
características do conjunto sensor-veículo.
Esta verificação de presença pode ocorrer de forma binária ou analógica. Para a
primeira, a detecção de um veículo ocorre quando a variação do campo eletromagnético
ultrapassa determinado limiar. A figura 8 mostra o padrão de resposta elétrica gerada por um
automóvel em um sensor indutivo. A linha de limiar representa a variação necessária do sinal
para a detecção de um veículo. Este princípio é utilizado nos sistemas binários. Quando a
variação ultrapassa o limiar, é informada a presença do veículo. Quando o sinal retorna abaixo
do limiar, é informada a saída do veículo.
Nos sistemas que verificam a presença de veículos de forma analógica, a variação do
sinal é quantificada e armazenada ao longo do tempo. Assim, sabe-se a intensidade do sinal
causada por diferentes veículos e diferentes partes de um mesmo veículo. As curvas da figura
8 representam a variação analógica gerada pelo veículo nos dois sensores indutivos, e são
chamadas de perfil magnético ou assinatura magnética.
Figura 8 – Padrão de resposta elétrica gerada por um veículo nos sensores indutivos
No presente trabalho foi utilizado um sistema baseado no tratamento analógico das
informações provenientes dos sensores (os perfis magnéticos), cedido pela empresa Perkons.
Este sistema é responsável pelo cálculo de velocidade e comprimento dos veículos, e análise
do sinal capturado.
21
Cada tipo de veículo (veículos de carga, ônibus, automóveis, motos, utilitários) possui
diferente forma, dimensão, estrutura e distribuição das partes metálicas que o compõe.
Quando um veículo transita sobre os sensores indutivos, será gerado um perfil magnético
dependente da sua velocidade de deslocamento, dimensões e distribuição de massa metálica
ao longo de seu comprimento. Tal padrão tende a ser semelhante para veículos de formas
semelhantes. A figura 9 apresenta dois perfis de veículos semelhantes, mas de classes
distintas, em velocidades distintas.
Figura 9 – Padrão gerado por um caminhão baú e por uma carreta
Nota-se que os padrões apresentados possuem peculiaridades relativas à sua forma. A
taxa de crescimento do início do perfil magnético é uma das características a serem
observadas. O caminhão baú, por exemplo, apresenta um crescimento mais abrupto
comparado a uma carreta. Esta, por sua vez, apresenta uma queda de amplitude na região
central não observado no primeiro.
Como a velocidade do veículo é um fator conhecido (obtida pelo sistema de duplos
sensores indutivos para medição de velocidade), pode-se eliminar a dependência deste
parâmetro através de uma normalização ao longo do tempo. Diferenças construtivas ocorridas
na instalação dos sensores também são minimizadas através da normalização da amplitude de
variação magnética dos sinais. A figura 10 mostra perfis de tipos variados de veículos
normalizados em velocidade e amplitude.
22
Figura 10 – Perfis magnéticos normalizados em amplitude e velocidade
Para a realização desse trabalho, o processo de coleta dos perfis magnéticos foi
automatizado e agregado ao sistema de medição de velocidade, possibilitando relacionar cada
um destes perfis à imagem capturada do veículo. Desta forma, pôde-se gerar um banco de
dados de perfis magnéticos com as respectivas fotografias dos veículos para análise.
A geração do banco de dados foi realizada através da implantação desse sistema de
aquisição em equipamentos de fiscalização eletrônica de velocidade. Esses locais foram
escolhidos visando uma abrangência das mais diferentes condições de tráfego, tais quais
velocidade máxima regulamentada da via, quantidade de veículos, características construtivas
dos sensores e outros.
Esse conjunto de informações também possibilita ao sistema de medição a
comprovação da velocidade medida no instante da captura da imagem. O algoritmo utilizado
para cálculo de velocidade consiste basicamente no “deslocamento” do perfil magnético do
primeiro sensor sobre o segundo até o “casamento” destes. A figura 11 mostra este
deslocamento, apresentando a aproximação das curvas até a máxima convergência (tempo que
um veículo levou para percorrer a distância entre os sensores). Para o processo de
deslocamento é utilizada a correlação como métrica da qualidade do casamento entre os
perfis. Várias correlações são efetuadas, e o ponto de correlação máxima representa a medida
mais precisa.
23
Figura 11 – Processo de cálculo de velocidade
Observando a variação dos tipos de perfis magnéticos dos diversos veículos foram
definidos alguns coeficientes para sintetizar a análise dos padrões. Nessa etapa, representou-se
o perfil magnético em poucos parâmetros, reduzindo a quantidade de dados e facilitando a
análise. A escolha dos coeficientes e a obtenção deles serão descritos adiante.
Cada um destes parâmetros foi analisado estatisticamente. Isso possibilitou o
agrupamento de veículos (e seus respectivos perfis) conforme a semelhança de valores.
Através dessa análise foram estabelecidas categorias, onde estatisticamente os parâmetros dos
perfis eram semelhantes.
A classificação dos veículos nas categorias estabelecidas é realizada através da análise
matemática dos parâmetros gerados. Está analise é realizada através de algoritmos de
24
agrupamento Fuzzy que são capazes de receber informações e características provenientes do
perfil magnético e definir qual a categoria equivalente.
3.2 SISTEMA DE AQUISIÇÃO
3.2.1 Infra-Estrutura
Foram utilizados os equipamentos REV (redutor eletrônico de velocidade) e DEV
(detector eletrônico de velocidade), cedidos pela Perkons S.A., conhecidos como lombadas
eletrônicas. O funcionamento do sistema de fiscalização consiste, basicamente, em detectar a
passagem do veículo, fazer o cálculo e a conferência da velocidade e, se verificada a infração,
capturá-lo através do sistema de vídeo. A figura 12 mostra os principais blocos do sistema.
Figura 12 - Blocos do Sistema “Lombada Eletrônica”
Os veículos que trafegam pelos sensores são detectados pelo sistema. Quando um
veículo sobrepõe-se a dois sensores da mesma pista de maneira seqüencial, o sistema detector
efetua o cálculo de velocidade e o sistema de processamento captura a imagem, através das
câmeras que são posicionadas para perfeita visualização da placa de identificação. Essas
informações são armazenadas para procedimentos posteriores.
25
3.2.2 Placa de Aquisição e Sistemas de Coleta
Existem diversos sistemas comerciais destinados à detecção de veículos. Muitos
desses sistemas informam a simples presença de um veículo sobre o sensor (RICHIE et al.,
2002). Outros, além da avaliação de presença, efetuam os cálculos necessários para obtenção
de velocidade e comprimento dos veículos. Um estudo (POTER, 2004) descreve a evolução
tecnológica desses sistemas, desde a década de 60 até sistemas atuais, que são agora baseados
em rotinas e técnicas executadas por software, não mais em evolução do seu hardware. Neste
estudo ainda mencionam-se as características técnicas de um moderno sistema desenvolvido
pela empresa Reno A&E.
Neste trabalho foi utilizado um sistema de propriedade da Perkons S.A., que possui
diversas funcionalidades agregadas, tais como cálculo de velocidade e comprimento através
da análise do perfil magnético. Este é um sistema proprietário, capaz de monitorar até duas
pistas (quatro sensores). Suas características destacadas são:
• processador digital de sinais de alta velocidade, oferecendo capacidade de cálculo
dinâmico para aplicações em tempo real. Sistema baseado nas arquiteturas de DSP
(Digital Signal Processor), utilizando a série 5000 da Texas Instruments;
• taxa de coleta das informações provenientes dos sensores de 1000 leituras por
segundo, garantindo riqueza da informação para os cálculos de velocidade e
comprimento e definição das formas do perfil magnético, para reconhecimento das
características sutis;
• filtros para rejeição de ruídos externos, garantindo a confiabilidade de medida e o
funcionamento confiável do sistema em diferentes condições ambientais e
eletromagnéticas;
• cálculo de velocidade e comprimento baseado no perfil magnético dos veículos, não
apenas em um limiar de detecção de variação de indutância, mas através de algoritmos
de correlação matemática, oferecendo precisão superior a 99%;
• ajuste automático do sistema com variações climáticas e ambientais, mantendo o
sistema estável em qualquer condição, com longa durabilidade, suportando variações
de temperatura e umidade;
• possibilidade de armazenamento da informação do perfil magnético, para posterior
análise e verificação de velocidade e comprimento;
26
A partir deste trabalho será incorporada a capacidade de identificação dos tipos de
veículos em categorias pré-estabelecidas.
3.2.3 Características Físicas
As características físicas dos sensores indutivos utilizados nesse trabalho foram
levantadas por ANDREOTTI (2001). O autor demonstra matematicamente o perfil magnético
gerado por um veículo que trafega sobre os laços indutivos a partir das análises do coeficiente
de indutância e vetores potenciais magnéticos em superfícies não-homogêneas. No mesmo
trabalho o autor utiliza o software FastHenry, comprovando através de simulações a validade
de seu modelo matemático.
Para que um campo magnético seja gerado, os indutores devem ser excitados por uma
corrente elétrica alternada. Segundo GOODRIDGE (2003) essa freqüência deve ser gerada
entre 10kHz e 200kHz, sendo que valores típicos estão entre 20kHz e 30kHz. REIJMERS
(2003) sugere valores entre 40kHz e 120kHz. Ambos os autores descrevem os efeitos de um
veículo entrando no campo magnético gerado: quando um objeto condutivo (plataforma do
veículo) entra na área no qual o sensor abrange o campo magnético gerado pela fonte
excitadora é induzida uma pequena corrente no objeto condutivo, chamada de corrente de
Eddy (CALVERT, 2004). Essa corrente induzida gera um campo magnético próprio que se
opõe ao campo magnético gerado pelo sensor, devido a efeitos descritos pela lei de Lenz
(ANDREOTTI, 2001). Como conseqüência dessa oposição, o sensor perde sua indutância. A
intensidade do campo oposto depende de alguns parâmetros:
• o tamanho, a forma e condutividade do objeto;
• a orientação tridimensional do objeto em relação ao sensor;
• a posição tridimensional do objeto sobre o sensor;
• o tamanho e a forma do sensor;
• a freqüência nominal de operação do circuito.
Além da ação da corrente de Eddy, outros dois efeitos podem influenciar fisicamente
na indutância dos sensores, conforme descrito por REIJMERS (2003): veículos que possuem
metais ferrosos em sua composição incrementam a densidade de fluxo do campo magnético
27
implicando em um aumento da indutância do sensor (porém as correntes de Eddy
normalmente excedem esse feito); a presença do veículo aumenta a capacitância dos sensores,
efeito normalmente negligenciado.
GAJDA et al (2001) investigam a influência das dimensões longitudinais dos sensores
indutivos. Foram testadas configurações variando a largura, desde 10 centímetros até quatro
metros, conforme figura 13. A análise dos padrões gerados demonstra que quanto mais
estreita a largura, maior será o detalhamento da forma de onda coletada (perfil magnético).
REIJMERS (2003) propõe aplicações especificas para cada dimensionamento de sensor,
sugerindo valores dimensionais conforme tabela 8.
Figura 13 - Sensores indutivos com largura de 10cm e 4m
Tabela 8 – Aplicações propostas por Reijmers (2003) para larguras de sensores
FUNÇÃO DIMENSÕES DO SENSOR
Detecção de Bicicleta Até 0,5 metros
Contagem de Eixo 0,5 - 0,8 metros
Detecção de Carro de Passeio 1,0 - 2,5 metros
Detecção de Caminhões 2,0 – 4,0 metros
Separação entre Caminhões e Trailers 1,2 – 1,3 metros
Detecção de fluxo de veículos < 5 metros
Nos estudos realizados nesse trabalho foram utilizados sensores de dimensões
uniformes de 1 metro de largura longitudinal, com comprimento variando entre dois e três
metros. Essa distância é padronizada nos equipamentos de fiscalização eletrônica da Perkons
S.A. e não foram alteradas para as simulações. Desta forma, o produto desenvolvido para
classificação de veículos pode ser agregado em qualquer equipamento já instalado da
empresa. A figura 14 mostra as configurações dos sensores utilizados.
28
Figura 14 - Dimensões dos sensores indutivos utilizados
3.2.4 Sistema de Coleta do Perfil Magnético
Para garantir uma grande quantidade de perfis magnéticos, a fim de agregar dados
suficientes, permitindo uma boa análise estatística, o processo de coleta foi automatizado em
conjunto com a imagem do veículo correspondente. Esta, captada pelas câmeras dos
equipamentos, foi regulada para garantir a visualização completa do veículo, permitindo a
compreensão correta da categoria equivalente.
A coleta de diversos conjuntos de perfis magnéticos e imagens dos veículos propiciou
a geração de um banco de dados. Este pôde ser usado para análise de características aqui
descritas e posterior criação de categorias conforme semelhança percebida nos diversos
padrões.
3.2.5 Banco de Dados de Perfis Magnéticos
O banco de dados gerado foi distribuído em subclasses, conforme o julgamento dos
operadores responsáveis pela análise. Está análise foi delegada a quatro operadores, que, com
o julgamento da imagem, a atribuíam a uma subclasse equivalente. Estas subclasses foram
distribuídas em veículos de passeio, utilitários e vans, caminhões, carretas, ônibus e
motocicletas. A figura 15 apresenta a foto e o respectivo exemplo de perfil magnético para
cada uma das categorias listadas:
29
a) Veículo de passeio;
b) Utilitário;
c) Caminhão;
d) Carreta;
e) Ônibus;
f) Motocicleta.
a) b)
c) d)
e) f)
Figura 15 – Foto e perfil magnético de: a) veículo de passeio; b) utilitário; c) caminhão;
d) carreta; e) ônibus; f) motocicleta.
30
3.2.6 As Categorias
A escolha das categorias para implementação desse estudo foi influenciada por
algumas observações e análises:
• considerou-se a classificação do código de trânsito brasileiro e do FHWA (Federal
Highway Admnistration) – órgão administrador de rodovias dos Estados Unidos
(FHWA, 2001);
• a quantidade de veículos presentes distribuídos em categoria em relação à frota
circulante (tomou-se como base a cidade de Curitiba) através de números coletados do
IBGE – Instituto Brasileiro de Geometria e Estatística (IBGE, 2003);
• a diferença das velocidades máximas regulamentadas para algumas espécies de
categorias descritas no código de trânsito brasileiro (CTB, 1997);
• a semelhança entre os padrões de perfis magnéticos, conforme já discutido.
O Código de Trânsito Brasileiro, no artigo 96, classifica os veículos de três formas
(conforme tabela 9). Quanto à tração, à espécie e à categoria. Dentro da classificação
“espécie” (tabela 10) existem as subclasses mais comuns: veículos de passageiros, cargas e
mistos. A FHWA classifica os veículos em 13 categorias (tabela 11): motocicletas, veículos
de passeio, utilitários, ônibus, três tipos de caminhões e seis de carretas (as duas últimas
diferenciadas de acordo com o número de eixos).
Tabela 9 – Classificação de veículos segundo o CTB
I - Classificação quanto à Tração II - Classificação quanto à Espécie III - Classificação quanto à Categoria
a) Automotor a) Passageiros a) Oficial
b) Elétrico b) Carga b) Representação Diplomática e afim
c) Propulsão Humana c) Misto c) Particular
d) Tração Animal d) Competição d) Aluguel
e) Reboque ou Semi-Reboque e) Tração e) Aprendizagem
f) Especial
g) Coleção
31
Tabela 10 – Subclassificação quanto à espécie do CTB
II - Passageiros (a) II - Carga (b) II - Misto (c) II - Tração (e)
1 – Bicicleta 1 – Motoneta 1 – Camioneta 1 – Caminhão Trator
2 – Ciclomotor 2 – Motocicleta 2 – Utilitário 2 – Trator de Rodas
3 – Motoneta 3 – Triciclo 3 – Outros 3 – Trator de Esteira
4 – Motocicleta 4 – Quadriciclo 4 – Trator Misto
5 – Triciclo 5 – Caminhonete
6 – Quadriciclo 6 – Caminhão
7 – Automóvel 7 – Reboque ou Semi –
Reboque
8 – Microônibus 8 – Carroça
9 – Ônibus
10 – Bonde
11 – Reboque ou Semi –
Reboque
12 – Charrete
9 – Carro-de-mão
Tabela 11 – Classificação de veículos segundo FHWA
1 – Motocicleta
2 – Carro de Passeio
3 – Outros Veículos de 2 eixos e 4 pneus
4 – Ônibus
5 – Caminhões de dois eixos e 6 pneus
6 – Caminhões de três eixos
7 – Caminhões de quatro ou mais eixos
8 – Carretas de até quatro eixos
9 – Carretas de cinco eixos
10 – Carretas de seis ou mais eixos
11 – Carretas de mais de um reboque com até cinco eixos
12 – Carretas de mais de um reboque com seis eixos
13 – Carretas de mais de um reboque com sete eixos ou mais
Neste trabalho foram consideradas sete categorias:
• 1 – Carro
• 2 – Moto
• 3 – Ônibus
• 4 - Caminhões
• 5 – Utilitários
• 6 – Carretas
• 7 – Outros veículos
A tabela 12 mostra dados coletados do IBGE, que relata a frota quantitativa e
percentual dos veículos da cidade de Curitiba – Paraná. Entre parênteses está mencionado o
32
número correspondente à categoria proposta para classificação nesse trabalho. A tabela 13
compila os dados nas categorias mencionadas.
Tabela 12 – Quantidade de veículos em Curitiba segundo o IBGE
TIPO DO VEÍCULO FROTA FROTA (%)
Automóveis (1) 604760 74,84
Bondes (7) 0 0
Caminhões (4) 26786 3,31
Caminhões Tratores (4 e 6) 5907 0,73
Caminhonetes (5) 22900 2,83
Camionetas (1) 53197 6,58
Chassis (7) 180 0,02
Ciclomotores (2) 841 0,1
Micro-Ônibus (3) 2560 0,32
Motocicletas (2) 53252 6,59
Motonetas (2) 10032 1,24
Ônibus (3) 4913 0,61
Qaudriciclos (2) 15 0,002
Reboques (6) 12782 1,58
Semi-reboques (6) 9065 1,12
Side-Cars (7) 17 0,002
Outros (7) 39 0,005
Trator de Esteira (7) 0 0
Trator de Rodas (7) 115 0,01
Triciclo (7) 20 0,002
Utilitários (5) 684 0,08
Total 808065 100
Tabela 13 – Quantidade de veículos agregados nas principais categorias
TIPO DO VEÍCULO FROTA FROTA (%)
1 657957 81,42
2 64160 7,94
3 7473 0,92
4 26786 3,31
5 23589 2,92
6 21847 2,7
7 351 0,04
Total 808065 100
O CTB, artigo 61, menciona as velocidades máximas regulamentadas para as vias. No
parágrafo II item a, existe as especificações diferenciadas para as categorias:
- 110 km/h para automóveis, camionetes e motocicletas;
- 90 km/h para ônibus e micro-ônibus
- 80 km/h para os demais veículos
33
Os sistemas metrológicos, empregados para o controle automático de velocidade em
vias, não possuem tecnologia para diferenciar as categorias para o cálculo variável, nas três
faixas citadas. Com a classificação proposta neste trabalho, possibilita-se a elaboração de um
sistema capaz de efetuar tal atividade.
3.2.7 Locais de Coleta
As aquisições dos perfis magnéticos e fotografias foram coletadas em diversos
equipamentos, em variadas condições de tráfego, velocidade máxima regulamentada e
instalação do sistema de captura. A tabela 14 contém a lista dos equipamentos utilizados
para geração do banco de dados das categorias. O número total de amostras superou 30.000
veículos. Além de Curitiba, foram coletadas amostras em outras regiões (SP, AL, CE e PE)
para agregar possíveis veículos ao banco de dados que não circulam na região desta cidade.
Tabela 14 – Locais de coleta dos dados
Endereço CIDADE MÁXIMA VELOCIDADE
PERMITIDA DA VIA
Campo de Provas da Perkons Curitiba/PR -
Avenida Anita Garibaldi, 1755 Curitiba/PR 40 km/h
Avenida Erasto Gaertner, 2078 Curitiba/PR 40 km/h
Avenida Presidente Keneddy, 3080
Curitiba/PR 40 km/h
BR 476 km 125 Curitiba/PR 60 km/h
BR 116 km 125 Fazenda Rio Grande / PR 60 km/h
BR 116 km 126,6 Fazenda Rio Grande / PR 40 km/h
BR 116 km 6,6 Quatro Barras / PR 60 km/h
BR 376 km 596,67 Curitiba / PR 60 km/h
BR 476 km 117,5 Colombo / PR 40 km/h
BR 476 km 117,3 Colombo / PR 40 km/h
BR 476 km 124,3 Curitiba / PR 60 km/h
Rodovia SP 310 km 178 Rio Claro / SP 110 km/h
Rodovia AL 220 Km 99 Maceió/ AL 40 km/h
BR 222 km 1 Fortaleza / CE 60 km/h
Av. Alfredo Lisboa Recife/PE 40 km/h
34
CAPÍTULO 4
CATEGORIZAÇÃO FUZZY DE VEÍCULOS ATRAVÉS DE COEFICIENTES
ESTATÍSTICOS E MATEMÁTICOS
4.1 ESTRATÉGIA
Com o banco de dados (perfis magnéticos e imagens dos veículos) criado observou-se
a variação dos tipos de perfis para caracterização de um determinado padrão. Foram utilizados
coeficientes extraídos através de parâmetros estatísticos, os quais refletem características
importantes para diferenciação. Dos diversos parâmetros testados selecionou-se aqueles
apropriados, tanto em viabilidade de cálculo em tempo real quanto na separação dentro das
categorias para essa aplicação. Os parâmetros são:
• comprimento magnético;
• valor médio;
• número de inversões;
• valor médio dos máximos;
• variância normalizada em amplitude.
Muitos outros foram verificados, porém descartados por motivos de relevância ou
inviabilidade de cálculo pelo sistema microcontrolado. Dentre eles, citam-se as derivadas
(primeira e segunda), a curtose e o skewness (essas duas são medidas do achatamento das
curvas). Esses parâmetros foram utilizados em alguns trabalhos, como em SUN (2000) e OH,
RITCHIE e OH (2002).
Cada um desses parâmetros, extraídos individualmente de cada perfil, resulta em um
coeficiente característico. Através de comparação, verificou-se a faixa de valores freqüentes e
possíveis para cada classe previamente estabelecida. Isso possibilitou a representação do
perfil magnético em poucos pontos, reduzindo a quantidade de dados e facilitando a análise.
A partir desse mapeamento, pode-se gerar um histograma da incidência de valores dos
coeficientes específicos para determinada categoria. Tal histograma, quando comparado entre
as categorias, traz evidências das características diferenciadas para as classes.
A análise dos histogramas gerados para cada coeficiente permitiu a análise da faixa de
abrangência de valores. Assim propiciou-se a definição da importância da faixa de valores
35
possíveis que eles assumem na formação das funções de pertinência, usadas para decisão das
categorias. Essas funções são aplicadas em um algoritmo Fuzzy para classificação.
A ferramenta utilizada para aplicação desse algoritmo foi o software Matlab 6.1 da
Mathworks. Foi utilizado o toolbox Fuzzy que propiciou simulações para verificação de
desempenho do sistema nas diversas aplicações de coeficientes, classes, além de
características do classificador (funções de pertinência de entrada, fuzzificador, base de regras
e funções de pertinência de saída).
Num passo posterior, o algoritmo foi portado ao sistema embarcado considerando as
melhores configurações resultante da análise do sistema Fuzzy criado. A implementação foi
realizada na linguagem própria do sistema, baseado em C. Desta forma o sistema de
classificação passa a ser executado no sistema interno da placa de aquisição (controlado por
um DSP) para execução em tempo real. Posteriormente, são analisados os desempenhos de
cada sistema aplicado.
A figura 16 apresenta as etapas de desenvolvimento para o sistema classificador de
veículos. Está representada a seqüência de atividades, já contando com a existência de um
banco de dados de classes pré-definidas.
Figura 16 – Etapas de desenvolvimento do sistema classificador
36
4.2 SISTEMA LÓGICO FUZZY
4.2.1 Definição
Um sistema fuzzy baseado em regras é caracterizado pela combinação de variáveis
lingüísticas em regras estabelecidas por operadores (SE, ENTÃO) usando os princípios da
lógica fuzzy (KOSKO - 1992, KAUFMANN - 1975, ZIMMERMANN – 1991, KAUFMANN
e GUPTA - 1991). A lógica Fuzzy foi introduzida por ZADEH em 1965 como uma maneira
matemática de representar a indecisão característica aos humanos (ZADEH 1965).
Normalmente, os conjuntos clássicos trabalham com limites fixos bem estabelecidos,
onde a transição dos valores membros para não-membros é abrupta. Em um conjunto Fuzzy,
essas transições são graduais, sendo associado um grau de pertinência ao elemento entre “0”
(totalmente não-membro) e “1” (totalmente membro). A cada variável é atribuída uma
pertinência que é usada nos cálculos para a tomada de decisão.
Os sistemas fuzzy baseados em regras mais comuns são constituídos em 4 etapas
(SANPAM, 1997):
• Fuzzificador;
• Máquina de inferência;
• Base de regras;
• Defuzzificador.
O Fuzzificador converte o dado real em número fuzzy. A máquina de inferência utiliza
uma base de regras estabelecida para mapear variáveis fuzzy em outras variáveis fuzzy. As
entradas da máquina de inferência são os valores de pertinência das variáveis de saída do
fuzzificador. As saídas da máquina de inferência são os conjuntos fuzzy determinados pela
execução das regras válidas para os valores de entrada. O defuzzificador converte esses
conjuntos em valores reais.
Métodos baseados em lógica fuzzy podem ser usados em vários estágios de sistemas
de reconhecimento de padrões. Existem várias aplicações desses trabalhos em reconhecimento
de padrões (KODOGIANNIS – 2001, SAMPAN - 1997).
37
4.2.2 Sistemas Lógicos Fuzzy (SLF)
Um sistema lógico fuzzy (SLF) é um sistema que utiliza a teoria de conjuntos fuzzy e
seus operadores para resolver determinado problema. Os SLF podem ser classificados em três
tipos: sistema lógico fuzzy puro, sistema fuzzy de Takagi e Sugeno e sistema lógico fuzzy
com fuzzificador e defuzzificador (WANG – 1994, DADONE - 2001). Este último é aplicado
neste trabalho. As etapas principais são mostradas na figura 17, as quais representam as
quatro etapas citadas anteriormente.
Figura 17 – Sistema lógico Fuzzy com Fuzzificador e Defuzzificador
A operação de um SLF baseia-se em uma coleção de regras do tipo SE-ENTÃO,
expressas da seguinte forma
(4.1)
Os primeiros “n” termos são chamados de antecedentes das regras enquanto o último
termo (conclusão do ENTÃO) é a conseqüência da regra. Os termos a
i
são variáveis
lingüísticas fuzzy e os termos A
i1
são predicados destas variáveis lingüísticas. As entradas do
SLF dependem dos antecedentes das regras (na base de regras). As entradas do SLF são
externas e em gerais variáveis de decisão. Já os conseqüentes das regras fuzzy são sempre
variáveis fuzzy, com pertinências relativas ao nível de associação. O papel do fuzzificador é
converter variáveis externas de decisão para o conjunto fuzzy, deixando este pronto para ser
processado pela máquina de inferência. Esta, por sua vez, utiliza as entradas fuzzificadas e as
regras armazenadas e contidas na base para processar os dados recebidos e produzir as saídas.
R
(1)
: Se a
1
é A
11
e a
2
é A
21
e ....... e a
n
é A
n1
ENTÃO b é B
1
38
Posteriormente as saídas necessitam serem convertidas de números fuzzy para valores crisp.
Essa é a função do defuzzificador.
4.2.3 Fuzzificação
A fuzzificação é o processo de mapeamento das entradas numéricas em representações
lingüísticas através dos conjuntos fuzzy. Nessa etapa é realizada a formatação dos dados de
entrada para que a máquina de inferência possa manipulá-los.
4.2.4 Base de Regras
A base de regras consiste em uma coleção de regras do tipo SE-ENTÃO, que são
implementadas através de comandos condicionais em lógicas fuzzy (NAGAY, 2002). As
coleções de regras fuzzy são expressas como comandos condicionais que formam a base de
regras de um conjunto fuzzy. Estas podem ser formadas basicamente a partir do conhecimento
do especialista do problema em forma de sentenças lingüísticas, ou através da análise de
dados históricos coletados.
4.2.5 Máquina de Inferência
A máquina de inferência deduz a resposta do sistema a partir das entradas
apresentadas. Nesse momento, será avaliado quando e como as regras e os dados serão
utilizados. Nessa etapa são efetuadas combinação dos antecedentes das regras, implicação e
modus ponens generalizado. Modus Ponens é o tipo de argumento em que as premissas
hipotéticas A são testadas e implicam no resultado B (DADONE, 2001 – SANPAM - 1997).
4.2.6 Defuzzificador
Nessa etapa, o valor da variável lingüística de saída inferida pelas regras fuzzy será
traduzido num valor “crisp”. O objetivo é obter um único valor numérico que melhor
represente os valores inferidos da variável lingüística de saída. A saída é calculada com base
39
na inferência obtida no motor de inferência. Sumariamente, a deffuzificação é uma
transformação inversa que traduz a saída do domínio fuzzy para o domínio “crisp”.
Existem vários métodos utilizados para defuzzificação. Os mais utilizados são
(DADONE, 2001):
• Defuzificador Máximo (utilizado nesse trabalho);
• Média dos Máximos;
• Centróide;
• Altura.
4.3 SISTEMA PARA CLASSIFICAÇÃO DE VEÍCULOS EM 4 CATEGORIAS
O primeiro sistema proposto classifica os veículos nas categorias: carro, moto, ônibus
e caminhão. Na categoria “Carro”, são considerados os veículos de passeio e utilitários. Para a
categoria “Moto”, são classificados além das motos outros veículos semelhantes, como
triciclos, motonetas e similares. Na categoria “Ônibus”, classificam-se também os micro-
ônibus. Caminhões e carretas serão enquadrados na categoria “Caminhão”.
Tal escolha foi influenciada pela análise da distribuição estatística dos coeficientes
calculados. Tal diferenciação é possível através da análise de poucos parâmetros. A
simplicidade para obtenção desses parâmetros é quesito importante, pois deverá ser
implementado em sistema embarcado em tempo real, limitado em memórias de dados e
programa. Também foi considerado que essas categorias representam a grande maioria dos
veículos presentes nos território nacional. A diferenciação feita pelo CTB também contribuiu
para essa escolha, pois sistemas de fiscalização de velocidade poderão utilizar essa
diferenciação para as diferentes velocidades máximas permitidas em vias de trânsito rápido –
80 km/h para a categoria “caminhão”, 90 km/h para a categoria “ônibus” e 110 km/h para as
categorias “carros” e “motos”.
Veículos de outras categorias, como tratores (ou qualquer outro) serão classificados na
categoria que apresente características semelhantes. Tais características foram obtidas de três
coeficientes que analiticamente diferenciavam entre as categorias. Eles são: comprimento
magnético, valor médio e número de inversões.
A partir da análise dos três coeficientes extraídos do perfil magnético, foram definidos
conjuntos fuzzy para representação lógica do sistema. Estes coeficientes servirão de entrada
para uma máquina de inferência fuzzy, onde será verificada a pertinência de cada um aos
40
conjuntos fuzzy relacionados. Então, esses valores fuzzy serão avaliados em uma base de
regras (que tem a responsabilidade de relacionar os valores possíveis às categorias
equivalentes). Assim será decidida a categoria mais provável a que o veículo pertence.
4.3.1 Coeficientes utilizados na classificação em quatro categorias
Os perfis magnéticos apresentam características similares referentes a cada categoria
de veículos. Para sintetizar a análise e possibilitar o processamento em tempo real do perfil
magnético, alguns coeficientes foram definidos, observando a variação estatística, segundo o
banco de dados das categorias pré-estabelecidas (nessa etapa: caminhão, carro, moto e
ônibus). Na seqüência são apresentados os coeficientes e o método para obtenção para cada
um deles.
4.3.1.1 Comprimento Magnético
O comprimento magnético é calculado através do tempo de ocupação do veículo sobre
os sensores e a velocidade que o veículo cruza sobre eles. A figura 18 apresenta as variáveis
envolvidas para cálculo do comprimento magnético.
O comprimento magnético é obtido de acordo com a equação 4.3
Figura 18 - Variáveis envolvidas para cálculo do comprimento magnético
(4.3)
dtvS
−
×
=
41
Onde S é o comprimento magnético do veículo,
v
a velocidade do veículo, d a
largura do sensor indutivo e
t
o tempo que o sensor fica ativo por influência do veículo. A
figura 19 apresenta o comprimento magnético para uma carreta e para um veículo de passeio.
O primeiro apresenta comprimento de 13 metros e o segundo de 4 metros.
Figura 19 – Comprimento magnético de uma carreta e de um veículo de passeio
A variação do comprimento magnético pode ser observada estatisticamente para as
categorias, conforme mostrado na figura 20. Esse gráfico é uma distribuição estatística do
banco de dados de veículos pré-classificado para esse específico coeficiente. Interpreta-se da
seguinte maneira: no ponto de tamanho 10 marcado no gráfico existe aproximadamente 250
ônibus. Nota-se uma distinção bastante aparente das categorias moto, carro e ônibus-
caminhão. Porém, através desse parâmetro, fica aparente a dificuldade de diferenciar as
categorias ônibus e caminhão.
Figura 20 - Distribuição do comprimento magnético dos veículos entre as quatro categorias
42
4.3.1.2 Valor Médio
O valor médio consiste no somatório dos pontos do perfil magnético dividido pelo seu
número de pontos. A quantidade de pontos do perfil magnético é função da velocidade do
veículo e do seu comprimento magnético. Conforme já citado no item 3.2.3 – Características
Físicas – o valor médio que é a amplitude do sinal elétrico do perfil magnético, varia
proporcionalmente às orientações dos veículos e da posição destes em relação aos sensores.
Desta forma, são observados diferentes valores médios para as categorias. A expressão do
cálculo para obtenção deste parâmetro é
(4.4)
onde
__
X
é o valor médio do perfil magnético, Xi valor do perfil magnético no ponto
“i” e
n
o número de pontos do perfil magnético. A figura 21 apresenta o valor médio para um
veículo de passeio e uma carreta. O primeiro apresenta 1050 pontos de variação e o segundo
550 pontos. Essa medida é realizada após processo de conversão analógica do sinal elétrico
para valor digital, podendo assim o sinal ser quantificado. A Figura 22 mostra a distribuição
do valor médio entre as quatro categorias. Nota-se uma separação das categorias ônibus e
caminhão. O gráfico é interpretado da mesma maneira que o relativo ao comprimento
magnético.
Figura 21 – Valor médio de um veículo de passeio - 1050 e de uma carreta - 550
n
Xi
X
n
i
∑
=
=
1
__
43
Figura 22 - Valor médio distribuído entre as 4 categorias
4.3.1.3 Número de Inversões para 4 Categorias
São todos os picos e vales do perfil magnético. Para obtenção do parâmetro, é
analisado o comportamento da derivada primeira através da contagem de inversões
apresentadas neste perfil. Considera-se uma inversão quando o perfil muda a sua taxa de
crescimento de positivo para negativo, ou vice-versa. A figura 23 apresenta as inversões de
um veículo de passeio e de um caminhão. A figura 24 mostra a distribuição do número de
inversões para as quatro categorias.
Figura 23 - Localização das inversões para um veículo de passeio (1) e um micro-ônibus (5).
44
Figura 24 - Distribuição das inversões entre as quatro categorias
4.3.2 Conjuntos Fuzzy
Baseado nas distribuições estatísticas dos três coeficientes, formou-se conjuntos fuzzy
que refletiam a faixa de valores esperados para cada categoria. Na seqüência são apresentados
estes conjuntos.
4.3.2.1 Atributos Fuzzy para o Comprimento Magnético
Para o comprimento magnético, foram definidos cinco conjuntos fuzzy, conforme
Figura 25. O conjunto zero compreende valores entre zero e dois metros, o conjunto um entre
um valor pouco superior a zero e seis metros, o conjunto dois entre quatro e dez metros, o
conjunto três entre oito e dezenove metros e o conjunto quatro compreende valores superiores
a dezessete metros. No gráfico está representado apenas até 30 metros, porém, valores
superiores a 30 estarão contidos no conjunto quatro.
Figura 25 - Conjuntos fuzzy de comprimento magnético
45
4.3.2.2 Atributos Fuzzy para o Valor Médio
Para o valor médio, foram definidos três conjuntos fuzzy, conforme Figura 26. A
interpretação dos conjuntos é semelhante ao descrito no item anterior.
Figura 26 - Conjuntos fuzzy de valor médio
4.3.2.3 Atributos Fuzzy para o Número de Inversões
Para o número de inversões, foram definidos apenas dois conjuntos fuzzy, conforme
Figura 27. A interpretação do conjunto é como no item 4.3.2.1.
Figura 27 – Conjuntos fuzzy de número de picos
4.3.3 Base de Regras
Os valores da pertinência dos coeficientes (comprimento magnético, valor médio e
número de inversões) do perfil magnético nos conjuntos fuzzy serão avaliados em uma base
de regras. A base de regras consiste de uma série de expressões do tipo SE ENTÃO que
verifica para qual categoria o veículo tem mais probabilidade de pertencer.
46
Ao todo foram utilizadas 15 regras, das quais seis têm como conseqüência a categoria
de caminhões, seis a categoria de carros de passeio, duas a categoria de ônibus e três a
categoria de motocicleta. Estas regras foram estabelecidas analisando a distribuição estatística
dos coeficientes nos conjuntos fuzzy criados. As regras são estabelecidas conforme segue:
“SE comprimento magnético é ZERO E o valor médio é ZERO, ENTÃO a categoria é
MOTO”. Nessa regra o valor do número de inversões é irrelevante para a classificação. Essa
regra é equivalente à regra da tabela 15 que apresenta todas as regras utilizadas para essa
etapa de classificação.
Tabela 15 – Base de regras do sistema de quatro categorias
REGRAS COMPRIMENTO MAGNÉTICO VALOR MÉDIO NÚMERO DE INVERSÕES CATEGORIA
1 0 0 X MOTO
2 0 1 X MOTO
3 1 0 0 MOTO
4 0 2 X CARRO
5 1 1 0 CARRO
6 1 2 X CARRO
7 2 1 0 CARRO
8 2 2 0 CARRO
9 2 2 1 ÔNIBUS
10 3 2 X ÔNIBUS
11 1 1 1 CAMINHÃO
12 2 0 X CAMINHÃO
13 3 0 X CAMINHÃO
14 3 1 X CAMINHÃO
15 4 X X CAMINHÃO
Nas regras, o operador lógico “E” representa o mínimo das pertinências dos conjuntos
em questão. Logo, na regra 1, o peso da categoria MOTO para um determinado perfil
magnético será o menor valor entre a pertinência de comprimento magnético do conjunto zero
e a pertinência de valor médio do conjunto zero.
Como existem três regras que tem como conseqüência a categoria MOTO, ao final da
avaliação destas regras, o peso desta categoria será o maior valor entre o peso (pertinência)
das regras que tem como conseqüência MOTO. A categoria definida pelo sistema fuzzy para
um determinado veículo, será aquela, entre as 15 regras que tiver o maior peso em
comparação com as outras após a avaliação.
4.3.3 Resultados
Para levantamento quantitativo de classificação foram escolhidos alguns
equipamentos. Nessa etapa de classificação, em quatro categorias, foram utilizados os
equipamentos localizados nos seguintes pontos:
47
• campo de provas da Perkons;
• Rodovia SP 310 Km 199;
• Rodovia BR 476 km 134.
Para análise da classificação, verificava-se a fotografia do veículo que era comparado
à classificação atribuída pelo sistema. Nas situações em que a fotografia era avaliada e os
veículos eram compatíveis com mais de uma categoria, a classificação era considerada correta
se o sistema indicasse que aquele veículo pertence a uma daquelas categorias. Citando alguns
casos: camionetes de grande porte podem, em alguns casos, ser consideradas como carros ou
caminhões, utilitários grandes de transporte de passageiros podem ser considerados como
carros ou ônibus.
4.3.3.1 Interpretação
Os resultados são organizados em duas tabelas: a tabela de totais de veículos e a tabela
de percentuais. A primeira apresenta os resultados totais e quantificados da classificação e a
segunda as taxas de acerto, taxas de alarme falso e taxas de não detecção do sistema
classificador.
A primeira tabela é interpretada da seguinte maneira: nas linhas está registrada a
quantidade de veículos referente à categoria (coluna) de acordo com a imagem observada.
Nas colunas está registrada a classificação que o sistema atribuiu. Por exemplo: Na tabela 16
1388 carros foram classificados como carros, nenhum carro foi classificado como moto, 3
carros foram classificados como ônibus e 1 carro foi classificado como caminhão. Por outro
lado, a tabela pode ser interpretada pela coluna. Lendo assim, a mesma tabela informa que
1388 carros foram classificados como carros, nenhuma moto foi classificada como carro, 7
ônibus foram classificados como carros e 2 caminhões foram classificados como carros.
Adicionalmente colocam-se as categorias veículo entre pista e indefinido para situações não
ideais de medida que o sistema pode não considerar correto. Veículos entre pistas
normalmente podem ser confundidos com moto, pois possuem uma variação bastante
semelhante.
Na tabela de percentuais avaliou-se o desempenho do sistema através de três índices:
taxa de acerto, taxa de alarme falso e taxa de não detecção. A taxa de acerto é a quantidade
48
total de veículos classificados corretamente em relação ao total de veículos daquela categoria.
Na tabela 17 a taxa de acerto da categoria carro foi de 1388 veículos divididos por 1392
veículos, que resulta em 99,713%. A taxa de alarme falso são aqueles veículos que não
deveriam ter sido classificados em determinada categoria mais o foram. Esse índice é medido
em relação ao total de veículos de todas as categorias. No exemplo da tabela 17 a taxa de
alarme falso para a categoria carro é de 9/1621, que resulta em 0,555%. A taxa de não
detecção é a quantidade de veículos que deveriam ter sido classificados em determinada
categoria e foram classificados em outra qualquer. Na mesma tabela 17 a taxa de não detecção
para a categoria carro é de 4/1392, que resulta em 0,287%.
Nos percentuais totais, a diferença entre a quantidade de não detecção e alarme falso é
sutil. Na tabela 19 nota-se uma pequena diferença percentual. Isso se deve a veículos
classificados como indefinidos. Eles são considerados para o cálculo de não detecção, pois
deixou de contar veículos nas categorias para serem computados com esse status. Porém para
o caso de alarme falso eles não são considerados, pois não agregam quantidade falsa a
nenhuma categoria.
4.3.3.2 Campo de Provas da Perkons
Nesse local não existe nenhuma caracterização do sistema de fiscalização eletrônica,
fazendo que veículos trafeguem com velocidades bastante diferenciadas. Historicamente
possui média de velocidade de 60 km/h para veículos de passeio e moto e 50 km/h para
ônibus e caminhões. A tabela apresenta o resultado da classificação no Campo de Provas da
Perkons.
Tabela 16 – Resultado absoluto da classificação no campo de provas em 4 categorias
Categoria / Real Carro
Moto
Ônibus
Caminhão
Total Real
Carro 1388
0 3 1 1392
Moto 0 94 0 0 94
Ônibus 7 0 32 1 40
Caminhão 2 0 0 93 95
Veículo Entre Pista
0 0 0 0 0
Indefinido 0 0 0 0 0
Total Classificação
1397
94 35 95 1621
49
Durante 6 horas do dia 09 de agosto de 2005, o sistema apresentou este desempenho.
Passaram, nesse período, 1621 veículos. O número total de veículos, distribuído nas
categorias está apresentado na tabela. Os percentuais de desempenho são apresentados na
tabela 17. Alguns erros percebidos:
• 7 ônibus classificados como carros: micro-ônibus possui característica muito
semelhante a utilitários;
• 3 carros classificados como ônibus: alguns carros com carretinhas apresentam
variações acentuadas e dimensões grandes, confundindo o sistema;
• 2 utilitários (camionetes) foram classificados como caminhões;
• 1 caminhão pequeno foi classificado como carro;
• 1 caminhão baú foi classificado como ônibus por possuir variação acentuada.
Tabela 17 - Resultado percentual da classificação no campo de provas em 4 categorias
Carro Moto Ônibus Caminhão Total
Taxa de Acerto
99,713%
100,000%
80,000%
97,895%
99,136%
Taxa de Alarme Falso
0,555%
0,000%
0,185%
0,123%
0,864%
Taxa de Não Detecção
0,287%
0,000%
20,000%
2,105%
0,864%
Os percentuais obtidos mostram que o pior desempenho da classificação ocorreu para
a categoria ônibus. O desempenho demonstra que 80% dos ônibus que passaram pelo sistema
durante os testes foram classificados corretamente.
4.3.3.3 Rodovia SP – 310 km 199
Esse local é monitorado por um equipamento de fiscalização eletrônica tipo DEV da
Perkons. A velocidade regulamentada na via é de 110 km/h para veículos de passeio,
utilitários e motocicletas, 90km/h para ônibus e 80 km/h para caminhões.
Tabela 18 – Resultado da classificação no equipamento da SP-310 em 4 categorias
Categoria / Real Carro Moto
Ônibus
Caminhão
Total Real
Carro 1412 0 1 1 1414
Moto 0 45 0 0 45
Ônibus 1 0 49 9 59
Caminhão 29 0 126 752 907
Veículo Entre Pista 0 26 0 0 26
Indefinido 1 0 4 1 6
Total Classificação 1442 71 176 762 2457
50
Durante 5 horas do dia 12 de agosto foi observado o desempenho apresentado na
tabela 18. Ao todo, 2457 veículos transitaram pelo equipamento. Nesse caso, percebe-se que
os desempenhos individuais são aceitáveis (todos acima de 80%), porém muitos caminhões
foram classificados como ônibus. Como o tráfego de ônibus nesse local é baixo (comparado
ao total de caminhões), um percentual baixo de caminhões classificado como ônibus
corresponde a um erro substancial, comparado ao número total de ônibus. Passaram 59 ônibus
durante os testes, porém o sistema informou que foi 176 o número total. Outra situação
percebida é a de classificação de alguns veículos trafegando entre pistas como motos. Isso se
reflete no número final de veículos classificados. A tabela 19 apresenta os percentuais
relativos à classificação. Fica evidente o baixo desempenho quando existe o
desbalanceamento da quantidade de veículos entre as categorias ônibus e caminhão.
Tabela 19– Percentuais de classificação no equipamento da SP-310
Carro Moto Ônibus Caminhão Total
Taxa de Acerto
99,859%
100,000%
83,051%
82,911%
91,901%
Taxa de Alarme Falso
1,262%
1,058%
5,332%
0,448%
7,874%
Taxa de Não Detecção
0,141%
0,000%
16,949%
3,197%
8,099%
4.3.3.4 Rodovia BR 476 km 134
Esse local é monitorado por um equipamento de fiscalização eletrônica tipo REV da
Perkons. A velocidade regulamentada na via é de 60 km/h para qualquer categoria de
veículos. A tabela 20 apresenta os resultados da classificação.
Tabela 20 - Resultado da classificação no equipamento da BR-476 km 134 em 4 categorias
Categoria / Real Carro Moto
Ônibus
Caminhão
Total Real
Carro 862 0 7 30 899
Moto 0 102 0 0 102
Ônibus 0 0 9 2 11
Caminhão 5 0 3 245 253
Veículo Entre Pista 0 0 0 0 0
Indefinido 0 0 0 0 0
Total Classificação 867 102 19 277 1265
51
Os resultados foram semelhantes para aqueles verificados no equipamento 299. A
classificação individual apresentou bons índices, porém os caminhões considerados como
ônibus influenciam significativamente nos índices finais.
Tabela 21 - Percentuais da classificação do equipamento da BR-476 km 134
Carro Moto Ônibus Caminhão Total
Taxa de Acerto
95,884%
100,000%
81,818%
96,838%
96,285%
Taxa de Alarme Falso
0,395%
0,000%
0,791%
2,530%
3,715%
Taxa de Não Detecção
4,116%
0,000%
18,182%
1,976%
3,715%
4.3.3.5 Resultado Total
A tabela 22 traz a soma dos resultados dos três locais testados. A tabela 23 o
percentual e as taxas relativas à tabela 22. Os resultados mostram aproveitamentos altos para
as categorias moto e carro, porém não tão eficiente para os ônibus e caminhões. Na categoria
de ônibus, a cada cinco veículos, um é classificado errado, em média.
Tabela 22 - Resultado total absoluto da classificação em 4 categorias
Categoria / Real Carro Moto
Ônibus
Caminhão
Total Real
Carro 3662 0 11 32 3705
Moto 0 241 0 0 241
Ônibus 8 0 90 12 110
Caminhão 36 0 129 1090 1255
Veículo Entre Pista 0 26 0 0 26
Indefinido 1 0 4 1 6
Total Classificação 3706 267 230 1134 5343
Tabela 23 - Resultado total percentual da classificação em 4 categorias
Carro Moto Ônibus Caminhão Total
Taxa de Acerto
98,839%
100,000%
81,818%
86,853%
95,134%
Taxa de Alarme Falso
0,842%
0,487%
2,695%
0,842%
4,759%
Taxa de Não Detecção
1,161%
0,000%
18,182%
2,869%
4,866%
O desempenho deficitário nessas categorias deve-se a dificuldade de caracterizar esses
veículos com apenas três coeficientes. Nota-se nas distribuições estatísticas levantadas para a
criação da base de regras que existem veículos que possui características combinadas de
comprimento magnético, valor médio e número de picos muito semelhantes, mesmo em
categorias diferentes.
52
Não sendo possível a diferenciação de veículos das categorias ônibus e caminhões
através do comprimento magnético e do número de inversões, o parâmetro decisivo é o valor
médio de variação. Porém, uma quantidade razoável de caminhões apresentou variações
semelhantes à categoria ônibus (sobretudo aqueles com carroceria tipo furgão) e alguns
ônibus, da mesma forma, possuem variações semelhantes àquelas esperadas para caminhões
neste sistema (ônibus urbano e micro-ônibus principalmente).
Para melhorar o desempenho do sistema, procuraram-se novos coeficientes, que
possibilitam aumentar a quantidade de informação. Esses novos coeficientes foram
pesquisados para fornecer dados suficientes na melhoria da diferenciação das categorias
propostas nesse item e para aumentar a quantidade destas. O item 4.4 – Sistema para
classificação de veículos em 6 categorias traz uma nova proposta de classificação utilizando
outros coeficientes além destes utilizados nessa primeira análise.
4.4 SISTEMA PARA CLASSIFICAÇÃO DE VEÍCULOS EM 6 CATEGORIAS
Este sistema classifica os veículos nas categorias: carro, moto, ônibus, caminhão,
utilitário e carreta. Tais características foram obtidas de cinco coeficientes. Os já utilizados
para o primeiro sistema: comprimento magnético, valor médio e número de inversões e dois
novos coeficientes: valor médio das inversões do perfil magnético e variância normalizada do
perfil magnético.
4.4.1 Coeficientes Utilizados na Classificação em 6 Categorias
4.4.1.1 Comprimento Magnético para 6 Categorias
A variação de comprimento pode ser observada estatisticamente para as 6 categorias,
conforme mostrado na figura 28. Esse gráfico é uma distribuição estatística do banco de dados
de veículos pré-classificado. Com as seis categorias propostas, percebe-se a possibilidade de
utilizar esse parâmetro para diferenciação das categorias caminhão e carreta. Porém, a
diferenciação de utilitários torna-se impossibilitada, tanto em relação a veículos de passeio
quanto a caminhões.
53
Figura 28 - Distribuição do comprimento magnético dos veículos para as seis categorias
4.4.1.2 Valor Médio para 6 Categorias
A figura 29 mostra a distribuição do valor médio entre as categorias. A diferenciação
da categoria moto é evidente com esse parâmetro. As variações acentuadas ocorrem para as
categorias carros e ônibus. Porém os utilitários apresentam tendência intermediária entre
caminhões/carretas e ônibus/carros. A diferenciação é confusa para essa categoria.
Figura 29 - Valor médio distribuído entre as seis categorias
54
4.4.1.3 Número de Inversões para 6 Categorias
A figura 30 apresenta a distribuição do número de inversões para as seis categorias.
Nota-se um número grande de inversões ocorrendo apenas nas categorias carretas e ônibus.
Figura 30 – Distribuição do número de inversões nas seis categorias
4.4.1.4 Valor Médio das Inversões
Essa medida é obtida através dos valores médios dos pontos de inversão. O cálculo
para obtenção desse parâmetro é dado por:
(4.5)
Onde
__
Xi é o valor médio das inversões do perfil magnético, Xj o valor do perfil
magnético na inversão
j
e
ni
é o número de inversões ocorridas no perfil magnético. A figura
31 apresenta o valor médio para um veículo de passeio e um micro-ônibus. O primeiro
apresenta 2800 pontos e o segundo 2764 pontos. A figura 32 mostra a distribuição do valor
médio das inversões entre as 6 categorias. Nota-se uma importante separação das categorias
ônibus e caminhão/carreta. Os utilitários possuem, da mesma forma, valores médios inferiores
aos carros. Para esses veículos, o parâmetro em questão torna-se o valor máximo do perfil,
pois a única inversão acontece nesse valor.
ni
Xj
Xi
ni
j
∑
=
=
1
__
55
Figura 31 – Valor médio de picos para um veículo de passeio e um caminhão
Figura 32 - Distribuição do valor médio de picos entre as seis categorias
4.4.1.5 Variância Normalizada
A variância é uma medida da variabilidade dos dados em torno da média. É definida
como o desvio quadrático médio em relação ao valor médio. É calculada de acordo com:
(4.6)
1
)(
2
1
_
−
−
=
∑
=
n
XXi
Var
n
i
56
A variânciaVar é obtida a partir de
__
Xi (valor do perfil magnético normalizado em
amplitude no ponto i),
__
X
(valor médio do perfil magnético normalizado em amplitude) e
n
(número de pontos do perfil magnético).
A figura 33 mostra o perfil magnético de uma carreta (cuja variância normalizada é
71), de um micro-ônibus (variância igual a 168) e um veículo de passeio (variância igual a
574). A figura 34 mostra a distribuição da variância normalizada entre as 6 categorias. Nota-
se a separação da categoria carro das demais categorias (com variação média de 800 pontos,
aproximadamente). Os utilitários e ônibus possuem um valor mais baixo (tendência principal
entre 300 e 400 pontos), e os demais veículos apresentam valores pequenos.
Figura 33 – Valores de variância para uma carreta, um caminhão e um carro
Figura 34 – Distribuição estatística da variância normalizada para as seis categorias
57
4.4.2 Conjuntos Fuzzy
4.4.2.1 Comprimento Magnético Fuzzy
Para o comprimento magnético, foram definidos seis conjuntos fuzzy, conforme
Figura 35. A interpretação dos conjuntos é semelhante ao item 4.3.2.1.
Figura 35 – Conjuntos fuzzy de comprimento magnético
4.4.2.2 Valor Médio Fuzzy
Para o valor médio, foram definidos quatro conjuntos fuzzy, conforme Figura 36.
Figura 36 – Conjuntos Fuzzy de valor médio
4.4.2.3 Número de Inversões Fuzzy
Para o número de inversões, foram definidos três conjuntos fuzzy, conforme Figura
37.
58
Figura 37 - Conjuntos Fuzzy de número de picos
4.4.2.4 Valor Médio de Picos Fuzzy
Para o valor médio de picos fuzzy, foram definidos apenas dois conjuntos fuzzy,
conforme Figura 38.
Figura 38 - Conjunto Fuzzy de Valor Médio dos Picos
4.4.2.5 Variância Normalizada Fuzzy
Para a variância normalizada fuzzy, foram definidos três conjuntos fuzzy, conforme
Figura 39.
Figura 39 - Conjunto Fuzzy de Variância Normalizada
59
4.4.3 Base de Regras
Foram utilizadas 35 regras. Nove destas têm como conseqüência a categoria de
carretas, 11 a categoria de ônibus, cinco a categoria carros de passeio, quatro a categoria de
caminhões, uma a categoria de motocicleta e três a categorias de veículos utilitários. As regras
são as apresentadas na tabela 24. A categoria “entrepista” foi criada devido a grande
incidência dessa situação em sistemas que possuem mais de uma faixa de rodagem. Porém,
algumas ocorrências de veículos entre pistas caracterizam outra categoria. Isso ocorre
principalmente quando veículos de passeio e utilitários trafegam nessa condição, e são
classificados como moto. Para evitar essa situação sugere-se a instalação de sistemas que
inibam o tráfego de veículos entre pistas, com sinalizações de trânsito.
Tabela 24 – Base de regras do sistema de 6 categorias
REGRAS COMPRIMENTO VALOR NÚMERO DE MÉDIA VARIÂNCIA CATEGORIA
1 0 0 X X X MOTO
2 0 1 X X X ENTREPISTA
3 1 0 X X X ENTREPISTA
4 0 2 X X X CARRO
5 0 3 X X X CARRO
6 1 3 0 X 2 CARRO
7 1 2 0 X 2 CARRO
8 1 3 1 X 2 CARRO
9 1 1 1 0 X CAMINHÃO
10 1 X 2 X X CAMINHÃO
11 2 1 Não 2 0 0 CAMINHÃO
12 2 1 Não 0 0 0 CAMINHÃO
13 2 2 1 0 0 CAMINHÃO
14 1 2 0 X 1 UTILITÁRIO
15 1 2 1 X 1 UTILITÁRIO
16 1 3 1 X 1 UTILITÁRIO
17 2 2 X 1 Não 0 ÔNIBUS
18 2 3 X 1 Não 0 ÔNIBUS
19 2 3 1 1 X ÔNIBUS
20 2 2 X 1 2 ÔNIBUS
21 2 2 Não 0 1 X ÔNIBUS
22 3 2 X 1 X ÔNIBUS
23 3 2 Não 0 1 X ÔNIBUS
24 3 Não 0 0 1 X ÔNIBUS
25 3 3 X 1 X ÔNIBUS
26 4 2 Não 2 1 X ÔNIBUS
27 4 3 Não 2 1 X ÔNIBUS
28 3 1 Não 0 0 Não 2 CARRETA
29 3 3 2 0 0 CARRETA
30 3 2 1 0 0 CARRETA
31 4 0 X X X CARRETA
32 4 1 Não 0 0 0 CARRETA
33 4 2 X 0 X CARRETA
34 4 3 X 0 X CARRETA
35 4 3 2 1 2 CARRETA
36 5 X X X X CARRETA
60
4.4.4 Resultados
O sistema foi testado em cinco locais. Os já testados no sistema de quatro categorias
Campo de Provas da Perkons e equipamento 299, além dos equipamentos 003, 007 e 667.
Nesse contexto classificam-se como utilitários veículos como camionetes médias e grandes,
vans e similares. Como carros foram considerados os veículos de passeios, camionetes
pequenas e mini-vans. Para diferenciação de caminhão e carreta, considera-se a presença do
reboque ou semi-reboque.
4.4.4.1 Campo de Provas da Perkons
Para evitar situações de entre pistas neste local foram colocados cones entre as duas
faixas de rodagem. Dessa forma os veículos trafegavam na situação ideal (toda a quantidade
magnética sobre os sensores). O resultado da classificação está apresentado na tabela 25.
Tabela 25 - Resultado absoluto da classificação no campo de provas em 6 categorias
Classificação / Real
Carro
Moto
Ônibus
Caminhão
Carreta
Utilitário
Entre Pista
Indefinido
Total Real
Carro 902 0 0 1 0 15 0 0 918
Moto 0 72 0 0 0 0 0 0 72
Ônibus 0 0 18 0 0 1 0 0 19
Caminhão 0 0 0 75 0 1 0 0 76
Carreta 0 0 0 0 2 0 0 0 2
Utilitário 4 0 0 4 0 111 0 0 119
Entre Pista 0 0 0 0 0 0 0 0 0
Indefinido 0 0 0 0 0 0 0 0 0
Total Classificação 906 72 18 80 2 128 0 0 1206
O sistema foi testado durante 4 horas do dia 19 de agosto de 2005. Passaram, nesse
período, 1206 veículos. Observa-se o número total de veículos, distribuído nas categorias. Os
percentuais de desempenho são apresentados na tabela 26. Alguns comentários:
• 15 utilitários classificados como carros e 4 carros como utilitário. Existe uma
pequena diferença nos padrões. Em algumas situações ocorrem erros pelos
padrões serem bastante semelhantes.
• todas as motos foram classificadas corretamente;
• apenas um micro-ônibus foi classificado como utilitário;
• poucos caminhões foram classificados como carros ou utilitários e vice-versa;
61
• todas as carretas foram classificadas corretamente.
Tabela 26 - Resultado percentual da classificação no campo de provas em 6 categorias
Carro Moto Ônibus Caminhão Carreta Utilitário Total
Taxa de Acerto 98,257% 100,000% 94,737% 98,684% 100,000% 93,277% 97,844%
Taxa de Alarme Falso 0,332% 0,000% 0,000% 0,415% 0,000% 1,410% 2,156%
Taxa de Não Detecção 1,743% 0,000% 5,263% 1,316% 0,000% 0,067226891 2,156%
Os percentuais obtidos mostram que desempenho da classificação foi bastante superior
àquele verificado no sistema de quatro categorias. O desempenho demonstrado na categoria
ônibus, que para o mesmo local era de 80%, aumentou para quase 95%. A pior situação foi o
desempenho na categoria de utilitários, devido à semelhança do perfil desses veículos com os
perfis de veículos de passeio. Porém, verificam-se índices superiores a 90%.
4.4.4.2 SP – 310 KM 199
Nesse local foi verificada uma situação interessante. Caminhões pequenos em alta
velocidade geram padrão muito semelhante a utilitários e esses ainda mais semelhantes a
veículos de passeio. Outra questão é que neste local aconteceu o pior desempenho do sistema
para a categoria ônibus para a situação de 4 categorias. A tabela 27 apresenta os resultados.
Tabela 27 - Resultado da classificação no equipamento SP-310 em 6 categorias
Classificação / Real Carro
Moto
Ônibus
Caminhão
Carreta
Utilitário
Entre Pista
Indefinido
Total Real
Carro 1051
0 1 0 0 1 0 0 1053
Moto 0 40 0 0 0 0 1 0 41
Ônibus 1 0 68 0 1 0 0 0 70
Caminhão 0 0 1 469 0 23 0 1 494
Carreta 0 0 3 0 440 0 0 0 443
Utilitário 21 0 0 0 0 127 0 0 148
Entre Pista 0 1 0 0 0 0 8 4 13
Indefinido 0 0 0 0 0 0 0 0 0
Total 1073
41 73 469 441 151 9 5 2262
O sistema foi avaliado durante 5 horas do dia 22 de agosto. Transitaram 2262 veículos
pelo equipamento. Observa-se que a grande quantidade de erros verificados no sistema de 4
categorias foi bastante minimizada. Os erros percebidos, conforme supracitado, refletiram-se
nos resultados: 23 caminhões classificados como utilitários e 21 utilitários classificados como
carros. Algumas situações de entre pistas foram classificados como indefinidos. A classe de
indefinidos contém padrões que não ativa nenhuma das regras. Isso aconteceu porque foram
62
gerados perfis fora dos padrões verificados no banco de dados. Para esses veículos poderiam
ser criadas novas regras. Porém o sistema embarcado está no limite de memória de programa.
Em uma situação específica um caminhão foi classificado como indefinido. Isso ocorreu
porque o algoritmo de detecção de saída do veículo foi ativado entre a carroceria e o
caminhão trator. Assim foi gerado um padrão não esperado de perfil magnético.
Tabela 28 - Resultado percentual da classificação no equipamento da SP-310
Carro Moto Ônibus Caminhão Carreta Utilitário Total
Taxa de Acerto
99,810%
97,561%
97,143%
94,939%
- 85,811%
97,392%
Taxa de Alarme Falso
0,973%
0,044%
0,221%
0,000%
0,044%
1,061%
2,343%
Taxa de Não Detecção
0,095%
2,439%
1,429%
5,061%
- 14,189%
2,608%
A tabela 28 mostra que o desempenho do sistema ficou semelhante ao apresentado no
Campo de Provas. As categorias ônibus, caminhões e carretas continuaram com bons índices
de desempenho. Novamente o pior resultado foi aquele apresentado pelos utilitários.
4.4.4.3 Av. Anita Garibaldi
Esse local é monitorado por um equipamento de fiscalização eletrônica tipo REV da
Perkons S/A. A velocidade regulamentada na via é de 40 km/h para qualquer categoria de
veículos. A tabela 29 apresenta os resultados da classificação.
Tabela 29 - Resultado da classificação no equipamento Av. Anita Garibaldi em 6 categorias
Classificação / Real
Carro
Moto
Ônibus
Caminhão
Carreta
Utilitário
Entre Pista
Indefinido
Total Real
Carro 918 0 0 1 0 1 0 0 920
Moto 0 82 0 0 0 0 0 0 82
Ônibus 0 0 83 1 0 0 0 0 84
Caminhão 0 0 0 40 0 6 0 0 46
Carreta 0 0 0 0 0 0 0 0 0
Utilitário 3 0 0 2 0 97 0 0 102
Entre Pista 0 0 0 0 0 0 0 0 0
Indefinido 0 0 0 0 0 0 0 0 0
Total 921 82 83 44 0 104 0 0 1234
O sistema foi avaliado durante 2 horas do dia 23 de agosto. 1234 veículos transitaram
pelo equipamento. O erro mais freqüente foi para a categoria de caminhões. Foram
classificados como utilitários seis caminhões pequenos. Nesse equipamento, o desempenho de
utilitários pode ser considerado alto. Como é um equipamento em região central, não houve
tráfego de carretas durante os testes.
63
Tabela 30 – Percentuais da classificação do equipamento da Av. Anita Garibaldi
Carro Moto Ônibus Caminhão Carreta Utilitário Total
Taxa de Acerto
99,783%
100,000%
98,810%
86,957%
- 95,098%
98,865%
Taxa de Alarme Falso
0,243%
0,000%
0,000%
0,324%
0,000%
0,567%
1,135%
Taxa de Não Detecção
0,217%
0,000%
1,190%
13,043%
- 4,902%
1,135%
4.4.4.4 Av. Erasto Gaertner
Esse local é bastante semelhante ao local do equipamento da Avenida Anita Garibaldi.
É monitorado por um equipamento de fiscalização eletrônica tipo REV da Perkons e a
velocidade regulamentada na via também é de 40 km/h para qualquer categoria de veículos. A
tabela 31 apresenta os resultados da classificação.
Tabela 31 – Resultado da classificação da Av. Erasto Gaertner em 6 categorias
Classificação / Real
Carro
Moto
Ônibus
Caminhão
Carreta
Utilitário
Entre Pista
Indefinido
Total Real
Carro 2487
0 2 4 0 25 0 0 2518
Moto 0 216 0 0 0 0 0 0 216
Ônibus 0 0 194 5 2 0 0 0 201
Caminhão 1 0 2 98 0 5 0 0 106
Carreta 0 0 0 0 2 0 0 0 2
Utilitário 14 1 0 9 0 258 1 3 286
Entre Pista 0 0 0 0 0 0 0 0 0
Indefinido 0 0 0 0 0 0 0 0 0
Total 2502
217 198 116 4 288 1 3 3329
O sistema foi avaliado durante 3 horas do dia 23 de agosto. 3329 veículos transitaram
pelo equipamento. O erro mais freqüente foi entre caminhões, utilitários e carros. Nota-se
uma grande quantidade de ônibus, pois o equipamento está instalado em uma via de trânsito
freqüente desses veículos. A tabela 32 mostra os desempenhos percentuais desse
equipamento.
Tabela 32 - Percentuais da classificação no equipamento da Av. Erasto Gaertner
Carro Moto Ônibus Caminhão Carreta Utilitário Total
Taxa de Acerto
98,769%
100,000%
96,517%
92,453%
100,000% 90,210%
97,777%
Taxa de Alarme Falso
0,451%
0,030%
0,120%
0,541%
0,060%
0,901%
2,133%
Taxa de Não Detecção
1,231%
0,000%
3,483%
7,547%
0,000% 9,790%
2,223%
64
4.4.4.5 Rodovia BR 116 km 125
Esse local é monitorado por um equipamento de fiscalização eletrônica tipo REV da
Perkons. A velocidade regulamentada na via é de 60 km/h para qualquer categoria de
veículos. A tabela 33 apresenta os resultados da classificação.
Tabela 33 – Resultado da classificação no equipamento BR 116 km 125 em 6 categorias
Classificação / Real
Carro
Moto
Ônibus
Caminhão
Carreta
Utilitário
Entre Pista
Indefinido
Total Real
Carro 650 0 1 2 0 30 0 0 683
Moto 1 48 0 0 0 0 0 0 49
Ônibus 0 0 49 0 0 0 0 3 52
Caminhão 0 0 6 226 1 7 0 0 240
Carreta 0 0 5 0 117 0 0 1 123
Utilitário 4 0 0 5 0 139 0 0 148
Entre Pista 0 0 0 0 0 0 0 0 0
Indefinido 0 0 0 0 0 0 0 1 1
Total 655 48 61 233 118 176 0 5 1296
O sistema foi avaliado durante 4 horas do dia 25 de agosto. 1296 veículos transitaram
pelo equipamento. Os erros mantiveram-se dentro dos padrões já apresentados. A tabela 34
apresenta os índices percentuais.
Tabela 34 – Percentuais da classificação no equipamento da BR-116 km 125
Carro Moto Ônibus Caminhão Carreta Utilitário Total
Taxa de Acerto
95,168%
97,959%
94,231%
94,167%
95,122%
93,919%
94,907%
Taxa de Alarme Falso
0,386%
0,000%
0,926%
0,540%
0,077%
2,855%
4,784%
Taxa de Não Detecção
4,832%
2,041%
5,769%
5,833%
4,878% 6,081%
4,244%
4.4.4.6 Discussão dos Resultados
A tabela 35 apresenta o resultado final dos cinco pontos avaliados. O número total de
veículos analisados foi de 9327. Os percentuais finais são apresentados na tabela 36. O
desempenho observado foi considerado bom para os objetivos desse trabalho.
65
Tabela 35 – Resultado absoluto total da classificação em 6 categorias
Classificação / Real
Carro
Moto
Ônibus
Caminhão
Carreta
Utilitário
Entre Pista
Indefinido
Total Real
Carro 6008
0 4 8 0 72 0 0 6092
Moto 1 458 0 0 0 0 0 1 460
Ônibus 1 0 412 6 3 1 0 3 426
Caminhão 1 0 9 908 1 42 0 1 962
Carreta 0 0 8 0 561 0 0 1 570
Utilitário 46 1 0 20 0 732 1 3 803
Entre Pista 0 1 0 0 0 0 8 4 13
Indefinido 0 0 0 0 0 0 0 1 1
Total 6057
460 433 942 565 847 9 14 9327
Tabela 36 - Resultado percentual total da classificação em 6 categorias
Carro Moto Ônibus Caminhão Carreta Utilitário Total
Taxa de Acerto
98,621%
99,565%
96,714%
94,387%
98,421%
91,158%
97,438%
Taxa de Alarme Falso
0,525%
0,021%
0,225%
0,365%
0,043%
1,233%
2,412%
Taxa de Não Detecção
1,379%
0,435%
3,286%
5,613%
1,579% 8,842%
2,562%
Para finalizar, as tabelas 37 e 38 apresentam, respectivamente, o desempenho absoluto
e percentual do sistema, considerando a junção das categorias de veículos utilitários e carros e
das categorias de caminhões e carretas. O desempenho mínimo verificado foi de 95%. Para
fins de fiscalização é um índice interessante para capacitação de um sistema automático de
velocidades diferenciadas nas categorias mencionadas.
Tabela 37 - Resultado absoluto da classificação desse sistema para 4 categorias
Classificação / Real
Carro
Moto
Ônibus
Caminhão
Entre Pista
Indefinido
Total Real
Carro 6858
1 4 28 1 3 6895
Moto 1 458 0 0 0 1 460
Ônibus 2 0 412 9 0 3 426
Caminhão 43 0 17 1470 0 2 1532
Entre Pista 0 1 0 0 8 4 13
Total 6904
460 433 1507 9 13 9326
Tabela 38 - Resultado percentual da classificação desse sistema para 4 categorias
Carro Moto Ônibus Caminhão Total
Taxa de Acerto
99,463%
99,565%
96,714%
95,953%
98,713%
Taxa de Alarme Falso
0,493%
0,021%
0,225%
0,397%
1,147%
Taxa de Não Detecção
0,537%
0,435%
3,286%
4,047%
1,287%
Através de ajustes do sistema, da inserção de regras e da formação das funções de
pertinência o sistema pode ser ajustado para uma aplicação específica. Pode-se, por exemplo,
em um projeto para controle de acesso de veículos para categorias específicas maximizar o
percentual de acerto para determinadas categorias. Exemplificando: em uma via expressa de
ônibus, onde se querem registrar veículos fora desta categoria, não é tão importante a
diferenciação entre carros e utilitários. Nesse caso, o interesse é a diferenciação de todos os
66
outros tipos de veículos dos ônibus. Assim, deve-se primar pela separação de ônibus das
demais categorias.
Outro sistema, dedicado ao controle de fuga de balanças, poderia fazer a identificação
de veículos das categorias ônibus, caminhões e carretas. Nesse sistema, não é tão importante a
separação destas categorias, mas sim estas em relação às demais.
Para fins estatísticos pode-se pensar em duas maneiras para configuração do sistema
de maneira a melhorar os resultados esperados.
1) Equilibrando os erros entre as categorias, ou seja, fazer com que o sistema
erre de uma categoria para a outra em quantidade parecida de que a outra
categoria erre para a primeira. Por exemplo, um sistema que classifica oito
caminhões em ônibus ficaria equilibrado se oito ônibus fossem classificados
como caminhões.
2) Outra maneira interessante é a centralização dos erros para uma categoria
específica, preferencialmente para a categoria de veículos de passeio, que
possui uma quantidade absoluta bastante superior às outras categorias, na
maioria dos casos.
Porém, a qualidade do sistema aqui proposto oferece a possibilidade de diversas
aplicações práticas. Desde sistemas contadores e classificadores de tráfego para fins
estatísticos até sistemas aplicados a fiscalização, como os mencionados controle de “fuga” de
balança, controle de acesso em vias e até o controle variável de velocidade para categorias
diferentes.
67
CAPÍTULO 5
CONCLUSÕES E TRABALHOS FUTUROS
O sistema proposto foi desenvolvido em uma plataforma dedicada, que além da
funcionalidade de classificação, permite outros cálculos dos veículos que atravessam os
sensores indutivos: velocidade e comprimento. Tais funcionalidades tornam o sistema uma
importante ferramenta para controle de tráfego. Várias aplicações podem ser implementadas
como verificação de sazonalidade, fiscalização de vias dedicadas, fiscalização de veículos em
velocidades diferenciadas de acordo com a categoria e muitas outras.
Para implementação desse sistema dados históricos foram coletados e selecionados,
foi criado um classificador Fuzzy, com entradas baseadas em coeficientes matemáticos, e com
as respectivas funções de pertinências e bases de regra. Inicialmente foi desenvolvido um
sistema de classificação em 4 categorias: carro, moto, ônibus e caminhão. Em etapa
subseqüente acrescentaram-se as categorias carreta e utilitário.
Esses dados foram constantemente aplicados a um programa de simulação em Matlab.
Com resultados satisfatórios, os algoritmos eram portados ao sistema dedicado, que classifica
o sistema em tempo-real, assim como os outros cálculos já mencionados (velocidade e
comprimento). Para tanto existiu a preocupação constante com as restrições deste sistema
dedicado, que apesar de possuir alta taxa de processamento, possui restrições de memórias de
dados e programa.
Para levantamento dos resultados o sistema foi utilizado em diversas localidades,
procurando incluir situações diversas de tráfego e de partes relacionadas à instalação e do
meio onde estão inseridos os equipamentos. Foi analisada uma grande quantidade de dados,
superior a vinte mil veículos.
Salienta-se também que o desempenho obtido para o sistema com seis categorias foi
satisfatório para as aplicações estudadas. O índice de aproveitamento estiveram sempre
superiores a 85%.
O produto resultante desse trabalho é o único sistema comercial nacional com estas
funcionalidades, sendo um importante diferencial competitivo e tecnológico para os sistemas
de controle de tráfego. Tal sistema, além de classificar nas seis categorias mencionadas, pode
ser estendido para outras categorias, através da distinção do comprimento referente a cada
categoria. A categoria ônibus, por exemplo, pode ser classificada em: micro ônibus
(comprimento pequeno), ônibus urbano (comprimento médio), ônibus rodoviário
68
(comprimento grande) e ônibus articulado e bi articulado (comprimento muito grande). Isso
pode ser configurado para cada aplicação específica.
Como trabalho futuro sugere-se o estudo da influência da geometria dos sensores para
maior detalhamento do padrão magnético dos veículos. Como já mencionado no item 2.2.1,
GAJDA et al. (2001) apresentam um estudo da influência das dimensões físicas do sensor
indutivo de um veículo em seu perfil magnético. Em sistemas de dimensões menores o
número de eixos pode ser observado.
Sugere-se também a pesquisa de outros parâmetros matemáticos e estatísticos para
caracterização do perfil magnético, além de aplicação de outras técnicas de inteligência
artificial para identificação das categorias. A melhoria do hardware dedicado que comporta os
algoritmos de classificação com aumento da capacidade de memória e da velocidade de
processamento, o que já é viável comercialmente, aumenta as possibilidades de tecnologias
possíveis para a aplicação.
Por fim, propõe-se a conjunção dessa tecnologia com outras da área de ITS (TAG ou
LPR) para treinamento adaptativo e automático da classificação do sistema. Assim, veículos
não classificados corretamente pelo sistema de sensoriamento indutivo seriam registrados e o
sistema seria readaptado através do cruzamento da informação gerada pelo outro sistema para
melhoria dos índices de acerto dentro das categorias.
69
REFERÊNCIAS BIBLIOGRÁFICAS
ANDREOTTI, M. Sensoriamento Indutivo para veículos automotores. Dissertação
apresentada ao CEFET-PR, Abril, 2001.
BÖHNKE, P., PFANNERSTILL, E. A system for the automatic detection of traffic situations.
ITE JOURNAL, vol. 56, 1986.
CALVERT, J. B. Eddy Currentes – Maio, 2004. Disponível em:
http://www.du.edu/~jcalvert/phys/eddy.htm. Acessado em 22/11/2004.
CHANG, S.L., CHEN, L.S., CHUNG, Y.C., CHEN, S.W., Automatic license plate
recognition, ITS, No. 1, March 2004, pg. 42-53.
Código de Trânsito Brasileiro – CTB. Lei n. 9.503, de 23 de Setembro de 1997. Disponível
em: http://www.denatran.gov.br/ctb.htm. Acessado em 05/05/2005.
DADONE, P. Design Optimization of Fuzzy Logic Systems. PhD Dissertation, Virginia
Polytechnic Institute, Pg 87-93. Blacksburg, Virginia. Maio, 2001.
GAJDA, J., SROKA, R. The vehicle classification by parametric identification of measured
signals. Proceedings of XVI IMEKO World Congress, v. IX, pg 199-204, Vienna –
2000.
GAJDA, J., SROKA, R., STENCEL, M., WAJDA A., ZEGLEN, T. A vehicle classification
based on inductive loop detectors. Proceedings of IEEE - IMTC 2001, Budapest. May
21-23. Pg 460-464
GAJDA, J., STENCEL, M. Identification of road vehicle types using a inductive detector.
Proceedings of XIV IMEKO World Congress, Tampere - Finland, 1997.
GOEDDEL, D., Benefits Assessment of Advanced Public Transportation System
Technologies. Reports of the Federal Transit Administration, FTA-MA-26-7007-00-4,
Washington DC, Novembro, 2000.
GOODRIDGE, S. G. Detection of bicycles by quadrupole loops at demand – actuated traffic
signals – 2003. Disponível em:
70
http://www.humantransport.org/bicycledriving/library/signals/detection.htm. Acessado em
11/11/2004.
GUPTA, M. M., Advances in Fuzzy Set Theory and Application, North-Holland, Amsterdam,
1987.
GUPTE, S., PAPANIKOLOPOULOS, N. Algorithms for vehicle classification. Final Report
nº MN/RC – 2000-27, 1999-2000. University of Minnesota, July 2000.
Instituto Brasileiro de Geografia e Estatística – IBGE. www.ibge.gov.br. Frota de veículos da
cidade de Curitiba – 2003. Acessado em 05/05/2005.
KAUFMANN, A., Introduction to the Theory of Fuzzy Subsets, Vol. I, Academic Press, New
York, 1975.
KAUFMANN A., GUPTA, M. M., Introduction to Fuzzy Arithmetic Theory and Application,
Van Nostrand Reinhold, New York, 1991.
KLEIN, L. A., KELLEY M. R. Detection Technology for IVHS Volume 1: Final Report.
FHWA – Federal Highway Administration number FHWA-RD-95-100, Virginia,
1996.
KODOGIANNIS, V. S. An efficient fuzzy based technique for signal classification. Journal
of Intelligent & Fuzzy Systems, November 2001, pg 65-84.
KOSKO, B. Neural Networks and Fuzzy Systems, Prentice Hall, Englewood Cliffs, NJ, 1992.
MACCARLEY, A. Advanced image sensing methods for traffic surveillance and detection.
Califórnia Path Research Report, UCB-ITS-PRR-99-11, Berkeley, Março, 1999.
MIMBELA, L. E., KLEIN L. A Summary of vehicle detection and surveillance technologies
used in intelligent transportation systems. Submitted to Federal Highway
Administrations (FHWA) Intelligent Transportations Systems Joint Program Office,
November, 2000.
MOHOTTALA, S., KAGESAWA, M., IKEUCHI, K. Vehicle class recognition using 3D CG
models. Proceedings of 2003 ITS World Congress, November 2003.
71
NAGAY, E. Y. Métodos de Identificação de modelos fuzzy a partir de dados numéricos.
Dissertação apresentada ao CEFET-PR, Março, 2002.
NOORALAHIYAN, A. Y., DOUGHERTY, M., MCKEOWN, D., KIRBY, H. R. A field trial
of acoustic signature analysis for vehicle classification. Transportation Research, Part C,
Vol. 5, No.3/4, pp 165-177, 1997.
OH, S., RITCHIE, S., OH, C. Real Time Traffic Measurement From Single Loop Inductive
Signatures. 81st Annual Meeting Of The Transportation Research Board -
Washington D.C. January 2002.
PATEN, J. Detector technology evaluation report. FHWA – Federal Highway Administration,
2003. Disponível em: http://www.ndsu.nodak.edu/ndsu/ugpti/MPC_Pubs/pdf/MPC03-
154.pdf. Acessado em 10/06/2004.
POTTER, T. The evolution of inductive loop detector technology, Reno A&E,
http://www.renoae.com/Documentation/MISC/Advances%20in%20Loop%20Detector%20
Technology.pdf acessado em 14/03/2004.
PROPER, A., MACCUBBIN, R. P., GOODWIN L. C. Intelligent Transportation Systems
Benefits: 2001 Update. Reports of the Federal Highway Administration, FHWA-OP-
01-024, Washington DC, Junho, 2001.
PURSULA, M., KOSONEN I. Microprocessor and PC-based vehicle classification
equipments using inductive loops. Proceedings of the Second International Publication
Number 299, London. February 7-9. Pg 24-28, 1989.
PURSULA, M; PIKKARAINEN, P. A neural network approach to vehicle classification with
double inductions loops. Australian Road Research Board – TRB Magazine, vol. 11,
November 1994.
REIJMERS, J.J. Traffic Guidance Systems. Et4024– December, 2003
RITCHIE S. G., SUN, C., OH S. , OH C. Section-related measures of traffic system
performance: prototype field implementation. Califórnia Path Research Report, UCB-
UCB-ITS-PRR-2001-32, Berkeley, October, 2001.
72
SAMPAN, S. Neural Fuzzy Techniques in Vehicle Acoustic Signal Classification. PhD
Dissertation. Pg 87-93. Blacksburg, Virginia. Abril, 1997.
SUN, C. An Investigation in the use of inductive loop signatures for vehicle classification.
Califórnia Path Research Report, UCB-ITS-PRR-2000-4, Berkeley, Março, 2000.
SUN, C., RITCHIE S. G., OH S. Inductive classifying artificial network for vehicle type
categorization. Califórnia Path Research Report, UCB-ITS-WP-00-26, Berkeley,
Dezembro, 2000.
Traffic Monitoring Guide – FHWA Categories. Apêndice 4-C. Maio, 2001. Disponível em:
http://www.fhwa.dot.gov/ohim/tmguide/tmg4.htm#app4c. Acessado em 05/05/2005.
Traffic Monitoring Guide – Vehicle Classification Monitoring, Section 3 Reports of the
Federal Highway Administration, FHWA-PL-01-021, Washington DC, Maio, 2001.
WANG, L. X. Adaptive Fuzzy Systems and Control, Prentice Hall, Inc., Englewood Cliffs,
New Jersey, 1994.
WU, H., SIEGEL, M., KHOSLA, P. Vehicle sound signature recognition by frequency vector
principal component analysis. IEEE Instrumantation and Measurement Technology
Conference, St. Paul, Minnesota, May 18-20 1998.
ZADEH, L.A. Fuzzy Sets: Information and Control, Capítulo 8, 338-352, 1965.
ZIMMERMANN, H. J. Fuzzy set theory and its applications. Second Edition, Kluwer
Academic Publishers, Boston, MA, 1991.
ZHANG, C., SIYAL, M. Y. A new segmentation tecquinique for classification of moving
vehicles. Vehicular Technology Conference Proceedings, 2000, Tokyo. 2000 IEEE 51st,
pg 323-326 vol.1.
73
RESUMO:
O planejamento e o gerenciamento de sistemas viários necessitam de parâmetros e
variáveis para o controle de tráfego e para outras diversas análises. A identificação da
categoria de um veículo que trafega numa via é um parâmetro importante para o
dimensionamento de sistemas, a caracterização do fluxo terrestre, o controle de acesso
a locais específicos entre outras aplicações. Várias técnicas são empregadas para essa
necessidade. Entre estas, destacam-se os sistemas de processamento de som, de
imagem e de sinais gerados por sensores específicos para tal aplicação. O objetivo
desse trabalho é propor ferramentas matemáticas e computacionais para classificação
de veículos através da análise de sinais coletados de sensores indutivos, os quais são
largamente aplicados em análise de condições de tráfego como velocidade e taxa de
ocupação da via. Para tanto, foi desenvolvida em uma plataforma específica, baseada
em processadores digitais de sinais, que realiza a aquisição dos sinais provenientes dos
sensores, além de efetuar os cálculos referidos. O sistema foi desenvolvido em duas
etapas – pré-classificação de veículos em quatro categorias: carros, motos, ônibus e
caminhões; e em seis categorias: carros, utilitários, motos, ônibus, caminhões e
carretas. Para a validação do sistema, este foi aplicado a equipamentos de fiscalização
eletrônica, que utilizam sensoriamento indutivo para medições de velocidade e
comprimento de veículos. Os resultados obtidos com tal sistema serão discutidos
através da comparação da imagem capturada do veículo com a categoria definida pelo
sistema.
PALAVRAS-CHAVE
1. Processamento de Sinais. 2. Trânsito – Controle Eletrônico. 3. Engenharia de Tráfego.
4. Processamento de Sinais. 5. Fiscalização Eletrônica
ÁREA/SUB-ÁREA DE CONHECIMENTO
Colocar aqui a área e sub-área do conhecimento nas quais se encaixam a
dissertação.Utilizar a classificação da CAPES. Exemplo:
3.10.00.00-2 – Engenharia de Transportes
3.10.03.01 – 0 Engenharia de Tráfego
2006
N
º
: 392
74
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
