Detecção e rastreamento de objetos em vídeo via rede neural convolucional (CNN): YOLO e DeepSORT aplicados para contar veículos e estimar suas velocidades médias a partir de referencial fixo

Abstract

RESUMO: Neste estudo, foi explorada a aplicação de tecnologias de visão computacional e redes neurais convolucionais, notadamente os métodos YOLOv4 e DeepSORT, para detecção e rastreamento de veículos em vias públicas a fim de contabilizá-los e estimar suas velocidades médias. Os resultados revelaram a importância crítica da precisão da ferramenta na detecção de veículos, a qual é influenciada por variáveis como resolução da imagem e áreas de captura. A oclusão causada por obstáculos na área de interesse representou um desafio, afetando negativamente o desempenho da detecção, enquanto os faróis acesos dos veículos durante o período noturno influenciaram os resultados de maneira positiva. No entanto, no geral, a ferramenta demonstrou desempenho excelente em condições ideais e, apesar dos desafios, ainda obteve resultados satisfatórios e mostrou um potencial significativo para otimização, oferecendo percepções valiosas para o planejamento da infraestrutura urbana, gerenciamento de tráfego e segurança viária. Esse estudo destaca a promissora aplicação de tecnologias de visão computacional e redes neurais convolucionais na resolução dos desafios do tráfego rodoviário contemporâneo.

ABSTRACT: In this study, the application of computer vision technologies and convolutional neural networks (CNN), notably the YOLOv4 and DeepSORT methods, was explored for detecting and tracking vehicles on public roads with the aim of counting them and estimating their average speeds. The results revealed the critical importance of the tool’s accuracy in vehicle detection, which is influenced by variables such as image resolution and capture areas. Occlusion caused by obstacles inside the area of interest presented a challenge, negatively affecting detection performance, while vehicle headlights turned on during nighttime had a positive influence on the results. However, overall, the tool demonstrated excellent performance under ideal conditions and, despite the challenges, still achieved satisfactory results and revealed significant potential for optimization, providing valuable insights for urban infrastructure planning, traffic management and road safety. This study highlights the promising application of computer vision technologies and convolutional neural networks in addressing contemporary road traffic challenges.