Professional Documents
Culture Documents
Engenharia Elétrica
Trabalho Final
Resumo
Este trabalho apresenta uma proposta de solução, usando tecnologia fuzzy, para controle da qualidade de
imagens num sistema de aquisição de imagens para aplicação de multas de trânsito. Inicialmente descrevemos
o atual sistema e o problema da qualidade da imagem o qual reflete diretamente a precisão na aplicação das
multas. A solução fuzzy proposta envolve o controle de duas variáveis de saída a saber, brilho e contraste no
sinal de entrada de vídeo. O controle é realizado em função de três variáveis de entrada: previsão do tempo,
horário de captura da imagem e concentração de tons de cinza na imagem obtida anteriormente.
Conhecimento especialista foi adquirido para modelagem das variáveis lingüisticas e construção da base de
regras fuzzy. Os modelos foram refinados através de simulações realizadas com a ferramenta Matlab.
1 Introdução
2
d
laço 1 laço 2
Detector Câmera
de laço pista 1 2 3
Placa de aquisição
de imagem
Detector de RS232
velocidade Microcomputador
Figura 1 - Componentes básicos do Sistema de Aquisição de Imagens para Aplicação de Multas de Trânsito
O módulo detetor de laço detecta quando um automóvel passa sobre o primeiro laço
iniciando a contagem de tempo até que o automóvel atinja o segundo laço. O tempo do
percurso entre os dois laços - distância d - é enviada ao detetor de velocidade que obtém a
velocidade do automóvel. A velocidade é enviada, via porta serial RS232, para o
microcomputador onde um módulo de software verifica se a velocidade do automóvel
ultrapassou o limite de velocidade permitida. Quando isto ocorre, a aquisição da imagem do
automóvel é disparada e armazenada no sistema.
2 Descrição do Problema
Uma vez que o objetivo final do sistema é aplicar multas sobre automóveis que ultrapassam
o limite de velocidade permitida, é necessário obter máxima precisão na leitura da placa do
automóvel a ser multado. Observou-se nos testes iniciais do sistema algumas dificuldades
na interpretação de algumas placas devido à má qualidade das imagens obtidas. Dois
fatores são responsáveis pela geração desse problema:
a) Uma restrição de tempo precisa ser obedecida para captura da imagem. O sistema leva
um determinado tempo para calcular a velocidade do automóvel e decidir se sua
imagem deve ser capturada ou não. Enquanto isso o automóvel está se locomovendo na
pista e se distanciando do campo de visão da camera. Para obter a imagem mais
rapidamente, o sistema está configurado para captar apenas meio quadro (frame), o que
corresponde a um tempo de captura de 1/60 s no modo entrelaçado, uma vez que a
placa pode captar 30 frames entrelaçados por segundo. Isso gera uma degradação na
qualidade da imagem. A imagem entrelaçada é composta da superposição de dois
campos denominados campo par e campo impar. Meio quadro corresponde à captura de
3
um desses campos. Nesta aplicação, além da restrição de tempo, compor a imagem com
os dois campos pode gerar uma imagem distorcida devido a alta velocidade do
automóvel, uma vez que cada campo é obtido em tempos diferentes. A fim de atender
tais requisitos, o sistema precisa trabalhar com a imagem de meio quadro, a qual não é
tão bem definida como uma imagem de um quadro completo.
3 Proposta de Solução
A solução proposta neste trabalho para o problema descrito acima é a de controlar algumas
características do sinal de entrada de vídeo na placa de aquisição de imagem, tais como
brilho e contraste, baseando-se em informações sobre o horário de captura da imagem
(período), previsão do tempo da região (tempo) e luminosidade da imagem obtida
anteriormente (concentração). O objetivo do trabalho é propor um modelo fuzzy das
variáveis envolvidas (brilho, contraste, período, tempo, concentração) para controle de
brilho e contraste do sinal de entrada de vídeo através de um controlador fuzzy.
4
• configura_brilho (valor_do_brilho)
• configura_contraste (valor_de_contraste)
Uma vez identificadas as variáveis lingüisticas, determinou-se para cada variável, seu
universo de discurso, a partição do conjunto de termos e os respectivos conjuntos fuzzy.
4.1.1 Entradas
4.1.2 Saídas
6
A figura 5 mostra os conjuntos fuzzy da variável lingüistica contraste. Essa variável
representa os vários valores que podem ser atribuídos para controle da qualidade da
imagem.
Tempo
chuvoso nublado ensolarado B - brilho
Período
madrugada B=A C=A B=A C=M C - contraste
B - baixo
manhã B=A C=M B=M C=A B=B C=B
M - médio
tarde B=M C=B B=A C=M B=B C=M
A - alto
noite B=A C=A B=A C=M
Tabela 1 - Conhecimento especialista
Uma variável de entrada adicional foi considerada a fim de inserir, no sistema, um ajuste
fino no controle do brilho e contraste: a luminosidade da imagem captada anteriormente à
imagem corrente. Para tal é realizado um pré-processamento da imagem digitalizada
obtendo-se o seu histograma das tonalidades de cinza. O histograma é uma das formas
mais comuns de se representar a distribuição dos níveis de cinza (NC) de uma imagem. O
histograma fornece a informação de quantos pixels, na imagem, possuem um determinado
NC, definido entre 0 (preto) a 255 (branco) para uma imagem quantificada em 8 bits.
Normalmente tem-se no eixo X a distribuição dos NC e no eixo Y a freqüência em que
ocorrem conforme exemplifica a figura 6.
8
Após o processamento da imagem podemos obter, dentro de um universo de discurso
normalizado (0-1), a concentração dos níveis de cinza, a qual foi representada em lógica
fuzzy por dois conjuntos fuzzy: alta e baixa, conforme mostra a figura 7. Se a concentração
é alta indica que a imagem está excessivamente escura. Se a concentração é baixa indica
que a imagem está excessivamente clara. Assim, as seguintes regras fuzzy foram
adicionadas na base de regras:
período = 12,3 h ⇒ é manhã com grau de pertinência 0,2 e tarde com grau 0,65
tempo = 67,3 ⇒ é nublado com grau de pertinência 0,8 e ensolarado com grau 0,2
concentração = 0,68 ⇒ é alta com grau de pertinência 0,3 e baixa com grau 0,7
Após essa classificação, o procedimento de inferência verifica na base de regras quais delas
são aplicáveis, concluindo as seguintes regras:
9
13. If (período is tarde) and (tempo is nublado) then (brilho is alto)
14. If (período is tarde) and (tempo is nublado) then (contraste is médio)
15. If (período is tarde) and (tempo is ensolarado) then (brilho is baixo)
16. If (período is tarde) and (tempo is ensolarado) then (contraste is médio)
19. If (período is noite) and (tempo is nublado) then (brilho is alto)
20. If (período is noite) and (tempo is nublado) then (contraste is médio)
21. If (concentração é alta) then (brilho is alto)
22. If (concentração é alta) then (contraste is médio)
23. If (concentração é baixa) then (brilho is baixo)
24. If (concentração é baixa) then (contraste is alto)
Para as regras com dois antecedentes relacionados com o conectivo and, o operador de
interseção é aplicado, tomando o valor mínimo entre os dois antecedentes. Para cada regra,
o grau de ativação da ação de controle é calculada de acordo com o resultado da
combinação de antecedentes. Terminada a inferência, a ação final de controle é calculada a
partir da união (operador máximo) das contribuições de cada regra ativada gerando uma
única e nova função.
10
7 Considerações Finais
A modelagem apresentada neste trabalho foi realizada no ambiente Matlab onde foi
possível realizar várias simulações. A simulação é parcial pois não é possível obter as
imagens com a aplicação do controle obtido sobre as variáveis brilho e contraste. Porém foi
possível notar que a relação das variações das entradas refletem variações fortemente
coerentes nas saídas, de acordo com o conhecimento especialista. Foi ainda importante
observar que apesar do conhecimento especialista mostrar-se incompleto, impreciso e
compactado, os modelos fuzzy cobrem essas lacunas fornecendo uma resposta adequada
para quaisquer valores sugeridos na entrada do controlador fuzzy. O uso da ferramenta
Matlab facilitou o trabalho de forma considerável pois fornece um ambiente muito
amigável para ajustes nas curvas dos modelos fuzzy e observação do comportamento das
variáveis de saída de acordo com a aplicação das regras fuzzy.
Referências Bibliográficas
Chuen Chien Lee, Fuzzy Logic in Control Systems: Fuzzy Logic Controller - Part I, IEEE
Transactions on Systems, Man, and Cybernetics, vol 20, no 2, March / April 1990.
Chuen Chien Lee, Fuzzy Logic in Control Systems: Fuzzy Logic Controller - Part II, IEEE
Transactions on Systems, Man, and Cybernetics, vol 20, no 2, March / April 1990.
Lindley, Craig A. Practical Image Processing in C. John Wiley & Sons, 1991.
Lotfi A. Zadeh, Outline of a New Approach to the Analysis of Complex Systems and
Decision Processes, IEEE Transactions on Systems, Man, and Cybernetics, vol SMC3, no
1, January 1973.
11