Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40798| Título: | Análise de técnicas de fusão de imagens panorâmicas para detecção de objetos |
| Título(s) alternativo(s): | Analysis of panoramic image fusion techniques for object detection |
| Autor(es): | Anzolin, Tassiane Barbara Perico |
| Orientador(es): | Paula Filho, Pedro Luiz de |
| Palavras-chave: | Comunicação visual Digital Computação Visual communication Digitalis Computer |
| Data do documento: | 2-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Medianeira |
| Citação: | ANZOLIN, Tassiane Barbara Perico. Análise de técnicas de fusão de imagens panorâmicas para detecção de objetos. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Universidade Tecnológica Federal do Paraná (UTFPR), Medianeira, 2026. |
| Resumo: | A crescente demanda por sistemas de visão computacional capazes de processar grandes áreas visuais tem impulsionado o desenvolvimento de técnicas de fusão de imagens panorâmicas, com aplicações que vão desde agricultura de precisão até vigilância urbana e mapeamento aéreo por veículos não tripulados. Apesar dos avanços recentes em aprendizado profundo, permanece uma questão em aberto sobre quando métodos clássicos baseados em detecção de características ainda são competitivos frente a abordagens modernas baseadas em redes neurais. Este trabalho apresenta um estudo comparativo abrangente entre 20 técnicas defusão de imagens, sendo 15 clássicas e 5 baseadas em aprendizado profundo, aplicadas a três conjuntos de dados distintos que representam diferentes cenários de captura, totalizando 295 execuções bem-sucedidas. A análise revelou que o método ORB Homography apresentou o melhor equilíbrio entre qualidade e eficiência, atingindo PSNR de 12,33 dB e tempo médio de 0,32 segundos, destacando-se em panoramas horizontais e verticais. Em cenários mistos e imagens aéreas, o SuperPoint+SuperGlue demonstrou robustez superior com tempo competitivo (0,45 s), enquanto o Seams Exposure Multiband obteve a maior qualidade visual (PSNR: 11,49 dB) ao custo de processamento 27 vezes superior. A análise estratificada por tipo de panorama evidenciou que métodos clássicos são mais vantajosos em panoramas de vídeo e horizontais, enquanto abordagens de aprendizado profundo se justificam apenas em ambientes de baixa textura ou alta complexidade visual, correspondendo a aproximadamente 7% dos cenários testados. A avaliação do impacto na detecção de objetos utilizando YOLOv11 indicou que panoramas fusionados com maior qualidade aprimoram a detecção em 93% dos casos, com ganhos de até 8% no F1-Score, embora casos críticos de ghosting possam induzir contagem errônea. Conclui-se que métodos clássicos como ORB e OpenCV Stitcher permanecem ideais para aplicações em tempo real, enquanto técnicas baseadas em aprendizado profundo oferecem benefícios significativos quando a prioridade é a precisão visual ou a robustez em cenários desafiadores, desde que o custo computacional adicional seja justificável. |
| Abstract: | The growing demand for computer vision systems capable of processing large visual areas has driven the development of panoramic image fusion techniques, with applications ranging from precision agriculture to urban surveillance and aerial mapping by unmanned vehicles. Despite recent advances in deep learning, an open question remains about when classical methods based on feature detection are still competitive against modern approaches based on neural networks. This work presents a comprehensive comparative study of 20 image fusion techniques, including 15 classical and 5 deep learning-based methods, applied to three distinct datasets representing different capture scenarios, totaling 295 successful executions. The analysis revealed that the ORBHomography method achieved the best balance between quality and efficiency, reaching a PSNR of 12.33 dB and an average processing time of 0.32 seconds, standing out in horizontal and vertical panoramas. In mixed scenarios and aerial images, SuperPoint+SuperGlue demonstrated superior robustness with competitive processing time (0.45 s), while Seams Exposure Multiband obtained the highest visual quality (PSNR: 11.49 dB) at a processing cost 27 times higher. Stratified analysis by panorama type showed that classical methods are more advantageous for video and horizontal panoramas, while deep learning approaches are justified only in low-texture environments or high visual complexity, corresponding to approximately 7% of the tested scenarios. The evaluation of the impact on object detection using YOLOv11 indicated that higher-quality fused panoramas improve detection in 93% of cases, with gains of up to 8% in F1 Score, although critical cases of ghosting may induce erroneous counting. It is concluded that classical methods such as ORB and OpenCV Stitcher remain ideal for real-time applications, while deep learning-based techniques offer significant benefits when visual accuracy or robustness in challenging scenarios is the priority, provided that the additional computational cost is justifiable. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40798 |
| Aparece nas coleções: | MD - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| fusaopanoramicasdeteccaoobjetos.pdf | 25,76 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
