Comparação de abordagens em um sistema inteligente de controle semafórico: detecção de pedestres com visão computacional

Abstract

O crescimento acelerado das cidades e o aumento da frota de veículos têm intensificado os desafios relacionados à mobilidade urbana, tornando necessária a adoção de soluções inteligentes para o gerenciamento do tráfego. Nesse contexto, a visão computacional e o aprendizado profundo destacam-se como tecnologias promissoras para a detecção automática de pedestres em sistemas semafóricos inteligentes. Este trabalho tem como objetivo comparar diferentes métodos de detecção de pedestres aplicados a esse contexto. Foram avaliados dez modelos de detecção de objetos pré-treinados no dataset COCO: YOLOv8, SSDLite320 Mobile-NetV3, Faster R-CNN, RetinaNet, FCOS, EfficientDet-D0, DETR, RT-DETR, Conditional DETR e Deformable DETR. Os experimentos foram realizados em sete vídeos contendo diferentes cenários de mobilidade urbana, totalizando 4.527 quadros anotados manualmente. Os resultados mostraram que Faster R-CNN, RetinaNet e FCOS obtiveram o maior recall no cenário principal de detecção de pedestres parados (80,85%), enquanto o YOLOv8 apresentou o melhor equilíbrio entre desempenho e velocidade, com tempo médio de inferência de 109,34 ms por quadro e F1-score de 79,9%. Em condições de baixa luminosidade, o RT-DETR destacou-se com F1-score de 46,9% e recall de 30,6%, superando os demais modelos. Conclui-se que o YOLOv8 apresenta maior viabilidade para aplicações em tempo real, enquanto o RT-DETR demonstra maior robustez em cenários adversos de iluminação.