Melo, Leonimer Flávio de [Orientador]Silva, Guilherme Brandão da2024-05-012024-05-012021.00https://repositorio.uel.br/handle/123456789/10098Resumo: A detecção e análise de faixas sobre as vias de trânsito destaca-se como uma das tecnolo gias fundamentais na implementação de veículos inteligentes e são essenciais em sistemas que auxiliam motoristas e veículos autônomos a dirigirem com segurança A queda no custo asso ciado ao aumento no desempenho das comodities da eletrônica, tais como sensores de visão e chips gráficos integrados, impulsionaram pesquisas e aplicações de direção autônoma e semi autônoma, onde a detecção de faixas de trânsito é uma das tecnologias fundamentais Este trabalho propõe a implementação heterogênea otimizada de um sistema de detecção de faixas em tempo real capaz de analisar e estimar as características geométricas e espaciais das faixas centrais observadas O sistema proposto, baseado em imagens de uma câmera monocular, fun ciona em uma sequência temporal de imagens Os quadros são pré-processados para a obtenção de uma imagem integrada em perspectiva aérea, onde características das sinalizações de faixa são extraídas para a formação de mapas de evidências Estes mapas combinados geram uma imagem binária robusta que contêm as marcações das faixas A estimativa final da faixa é modelada por um polinômio e é detectada via método de janelas deslizantes Para avaliação e validação do sistema proposto, o algoritmo foi implementado em um sistema embarcado con vencional, NVIDIA Jetson Nano, com um SoC Tegra X1 dotado de um processador ARM A57 e um chip gráfico NVIDIA com 128 núcleos CUDA São utilizadas e imagens reais de uma base de dados convencional para o problema de detecção de faixas de trânsito Foram analisadas métricas de acurácia, taxa de detecção e tempo de execução para diferentes cenários de vias Ademais, o método se mostrou eficiente para detectar as faixas de trânsito em diversos cená rios como estradas e rodovias, em diferentes condições, horários e trânsito O desempenho do método variou de 92,3% a 99,% de acurácia no melhor subconjunto, detectando até 97,9% das faixas centrais disponíveis com 8% dos pontos detectados válidos A implementação paralela otimizada foi capaz de executar, respectivamente, 14 vezes e 25 vezes mais rápido que a sua versão serial e híbrida, performando a uma taxa de 3 quadros por segundo, ultrapassando em dez vezes os requisitos de execução em tempo realSistemas embarcadosFaixas de trânsitoDetecçãoVeículos inteligentesImplementaçãoEmbedded systemsTraffic lanes - DetectionIntelligent vehicles - ImplementationDissertação