Aplicação de classificador binário por RNC na detecção de acidentes de trânsito

A possibilidade de que haja veículos que trafeguem sem a necessidade de um condutor, isto é, veículos autônomos, é um vislumbre da ficção científica que nos últimos anos vem ganhando notoriedade por grandes fabricantes e pesquisadores. É imperativa a necessidade de desenvolvimento de sistemas que possam dotar veículos autônomos de capacidade para a identificação antecipada de colisão com precisão e segurança, sendo um importante tópico arduamente explorado por diversas áreas, entre as quais destacam-se a visão computacional e a inteligência artificial pelo vasto potencial que ambas têm apresentado quando combinadas. Partindo dessa necessidade, este trabalho teve por objetivo empregar técnicas de visão computacional e inteligência artificial para o processamento e classificação de imagens extraídas de clipes curtos contidos em vídeos gravados, obtendo assim uma classificação binária de uma dada situação que identifica a ocorrência ou não de um acidente. Foram avaliadas duas arquiteturas de redes neurais convolucionais: AlexNet e ResNet-50, para a rotulação dos momentos em um conjunto de 19 vídeos, totalizando 201 clips e 18.064 imagens analisadas em 30 épocas na fase de treinamento. A eficácia dos modelos foi avaliada considerando as medidas F_1 score e Precision. Os resultados foram apurados em duas condições distintas: sem melhoramentos aplicados às imagens e com melhoramentos como a equalização de histograma. Os resultados foram: AlexNet F_1 score médio de 91,5% contra 89,5% da ResNet-50 para o primeiro caso e AlexNet F_1 score médio de 88% contra 91,5% da ResNet-50 para o segundo.