Artículo Científico / Scientific Paper |
|
|
|
||
|
pISSN: 1390-650X / eISSN: 1390-860X |
|
IMPLEMENTACIÓN DE UN ALGORITMO PARA LA DETECCIÓN DE SEÑALES DE TRÁNSITO DEL ECUADOR: PARE, CEDA EL PASO Y VELOCIDAD |
||
IMPLEMENTATION OF AN ALGORITHM FOR ECUADORIAN TRAFFIC SIGN DETECTION: |
Marco Flores-Calero 1,2,*, Cristian Conlago3, Jhonny Yunda3, Milton Aldás4, Carlos Flores5 |
Resumen |
Abstract |
|||
Este artículo presenta un prototipo de un sistema embarcado en un vehículo para la detección de señales de tránsito (SDST). Por lo tanto, un nuevo enfoque para la construcción de un SDST se presenta usando las siguientes innovaciones, i) un método eficiente de segmentación por color para la generación de regiones de interés (ROI) basado en los algoritmos k − NN, Km−means con, ii) una nueva versión del descriptor HOG para la extracción de características, y iii) el entrenamiento del algoritmo SVM no-lineal para multiclasificación. El enfoque propuesto ha sido probado sobre un subconjunto de las señales de tránsito ecuatorianas de regulación (Pare, Ceda el paso y Velocidad). Varios experimentos han sido desarrollados en condiciones reales de conducción en varias ciudades ecuatorianas, bajo tres condiciones de iluminación: normal, soleado y nublado. Este sistema ha mostrado un desempeño global del 98,7 % para la segmentación, 99,49% para la clasificación y una precisión global del 96 % en la detección. |
This paper presents a system prototype for traffic sign detection (SDST) on-board a moving vehicle. Therefore, a new approach to the development of an SDST is presented, using the following innovations: i) an efficient method of color segmentation for regions of interest (ROIs) generation based on k-NN with, ii) a new version of the HOG descriptor for feature extraction and iii) SVM training for stage multi-classification. The proposed approach has been specialized and tested on a subset of Regulatory (Stop, Give-way and Velocity) Ecuadorian signs. Many experiments have been carried out in real driving conditions, under different lighting changes such as normal, sunny and cloudy. This system has showed a global performance of 98.7% for segmentation, 99.49% for classification and an accuracy of 96% for detection. |
|||
|
|
|||
1,*Departamento de Eléctrica y Electrónica, Universidad de las Fuerzas Armadas-ESPE. Sangolquí – Ecuador. Autor para correspondencia ): mjflores@espe.edu.ec, http://orcid.org/0000-0001-7507-3325. 2 Departamento de Sistemas Inteligentes, Tecnologías I&H. Latacunga, Ecuador. 3 Carrera de Ingeniería en Electrónica, Automatización y Control, Universidad de las Fuerzas Armadas-ESPE http://orcid.org/0000-0002-7772-5259, http://orcid.org/0000-0003-0498-9656. 4 Facultad de Ingeniería Civil y Mecánica, Universidad Técnica de Ambato, Ambato – Ecuador. http://orcid.org/0000-0003-2726-4092. 5 Servicio de Investigación de Accidentes de Tránsito (SIAT), Policía Nacional del Ecuador, Latacunga – Ecuador. http://orcid.org/0000-0003-2726-4092. |
|
|||
|
|
|||
1.1. Notación La notación usada a lo largo de este artículo se presenta en la Tabla 1.
1.2. Motivación Las señales de tránsito tienen como objetivo el ayudar al movimiento ordenado y seguro de los actores, permitir un continuo flujo del tránsito tanto de vehículos como de peatones. Cada una de estas señales presenta instrucciones, las cuales proporcionan información acerca de rutas, destinos, puntos de interés, prohibiciones, alertas, etc. Estas señales deben ser respetadas por todos los usuarios viales con la finalidad de evitar inesperados y lamentables accidentes, y sobre todo, contar con una circulación confiable y segura [1]. El riesgo de que un peatón adulto muera tras ser atropellado por un automóvil es de menos el 20 % a una velocidad de 50 km/h, y de cerca del 60 % a 80 km/h, por lo que es fundamental para los conductores tener en cuenta la velocidad establecida por las señales de tránsito [2]. Actualmente, el Ecuador dispone de la mejor red vial de Sudamérica [3], sobre esta se ubican las señales de tránsito reglamentarias de Pare y Ceda el paso y Velocidad, en las intersecciones viales, redondeles y aproximaciones por vías secundarias. A pesar de esta importante infraestructura vial supera la tasa de muertes en accidentes de tránsito con un 3,14 % sobre la media de los países de la región andina. Así, los accidentes de tránsito son un problema constante, debido a varios factores críticos, como la imprudencia de los conductores al conducir son exceso de velocidad y al no saber respetar las señalizaciones de tránsito [4]. En el año 2015, el 13,75 % de todos los accidentes de tránsito sucedieron en las intersecciones viales [5] generando el 8,14 % de las personas fallecidas bajo este percance. |
2.2.1. Segmentación por color y generación de ROI La Figura 1 (izquierda) muestra el esquema de segmentación que se describe a continuación. |
Figura 2. Distribución del color en el espacio RGB normalizado Bn y Gn, (a) distribución en función de las condiciones de iluminación, (b) representación de las clases de interés y no interés, (c) gráfico de los centroides generadas con Km − means. |
Tabla 2. Elección del parámetro K en K- NN. 3) Postprocesamiento de cuerpos: Posteriormente, utilizando los operadores morfológicos de dilatación y erosión [26] se eliminan ciertos cuerpos que no cumplen con características específicas de tamaño para ser candidatos a señales de tránsito. Experimental se ha fijado varios umbrales para este procedimiento.
4) Restricciones geométricas: Finalmente, se eliminan los cuerpos que no cumplen la relación alto/ancho, usando umbrales determinados experimentalmente; en la Tabla 3 se presentan los parámetros necesarios en función de la distancia de referencia. Esta distancia es parte de la zona de riesgo de colisión de un vehículo. 2.2.2. Reconocimiento de las señales de tránsito
En esta etapa se clasifican las ROI provenientes de la etapa de segmentación, para determinar si corresponden a una señal de Pare, Ceda el paso, Velocidad u otro objeto que no sea de interés. En la Figura 1 (derecha) se muestra el esquema de reconocimiento, el mismo que consta de las siguientes partes:
|
Figura 4. Sistema de detección de señales de tránsito del Ecuador, en los casos Pare, Ceda el paso y Velocidad (50 y 100), instalado sobre el parabrisas de un vehículo experimental.
Actualmente, este sistema es de fácil instalación en cualquier tipo de vehículo, y no interfiere con las labores de conducción debido a su reducido tamaño. 3.2. Base de datos de entrenamiento, validación
y Las bases de datos de entrenamiento y de validación han sido construidas con imágenes de señales de tránsito del Ecuador, tomadas en las ciudades de Latacunga, Ambato, Salcedo, Quito y Sangolquí, en escenarios reales de conducción, en distintas condiciones de iluminación durante el día. Estas condiciones corresponden a los casos de normal, soleado y nublado. Más detalles se encuentran en la Tabla 4. |
Figura 5. Ejemplos de la base de datos de señales de tránsito del Ecuador en distintas condiciones de iluminación y de estado, (a) Pare, (b) Ceda el paso, (c) límite de 50 km/h, (d) límite de 100 km/h y (e) ejemplos negativos.
Para incrementar el tamaño del conjunto de entrenamiento se rotaron aleatoriamente las imágenes hasta obtener un total de cinco veces el tamaño original. De esta manera, se incrementa la variabilidad de la base de datos. Posteriormente para verificar el funcionamiento del sistema se construyó una base de datos con vídeos en situaciones reales de conducción, en el espectro visible bajo distintas condiciones de iluminación. Esta base está constituida por cinco ejemplares en diferentes condiciones de iluminación, donde las señales han sido localizadas manualmente con fines de evaluación [33]. |
(a)
(b)
(c) |
(a) |
(c) Figura 9. Resultados del sistema de detección de señales de tránsito en el caso de velocidad de 50, durante un día oscuro (al amanecer) en zona urbana; (a) imagen de entrada, (b) ROI y (c) detecciones.
(a)
(b)
(c) |
Estos resultados son los valores promedios del procesamiento de imágenes de tamaño píxeles, distribuidos de la siguiente manera: 9999 en soleado, 14744 en normal y 12442 en nublado. A partir de estos resultados experimentales se puede verificar que los tiempos de cómputo; en los casos de segmentación y de reconocimiento, son bastante reducidos y por ende competitivos para ser parte de aplicaciones en sistemas en tiempo real. 4. Conclusiones y trabajos futuros En este trabajo de investigación, en el campo de los sistemas de asistencia a la conducción con énfasis en la detección de las señales de tránsito, se realizaron los siguientes aportes originales:
· La construcción de una nueva base datos para el reconocimiento de señales de tránsito del Ecuador, en los casos Pare, Ceda el paso y Velocidad. Esta información está disponible para el libre uso de la comunidad científica. · El desarrollo de un nuevo método de segmentación por color para la generación de ROI utilizando el clasificador k–NN junto con el algoritmo de agrupamiento Km − means. Esta implementación cubre eficientemente los escenarios de iluminación normal, soleado y oscuro, durante el día. Además, se incluye la distancia como un parámetro de referencia para la preselección de ROI. De esta manera, esta propuesta alcanza una tasa de clasificación del 98,7 % en los píxeles de interés y el fondo. · La implementación de una versión del descriptor HOG que consiste en celdas de 8×8 píxeles, bloques de 2×2 celdas con solapamiento simple y 9 orientaciones sin signo. La tasa de clasificación es del 99,49 usando SVM con núcleo polinómico. · La construcción de un sistema de detección de las señales de tránsito del Ecuador, especializado en los casos Pare y Ceda el paso. La curva DET indica que su desempeño es del 96 %, de manera que es competitivo respecto a las propuestas presentes en el estado del arte. · La construcción de un asistente de ayuda a la conducción que trabaja en tiempo cuasi-real, es decir, a 21,58 fotogramas por segundo, es un sistema de fácil instalación en un vehículo de uso cotidiano. |
Para el futuro se extenderá esta metodología a todas las señales de tránsito del tipo prohibición del Ecuador, donde se encuentran el resto de las señales de límites de velocidad, para área urbana y autopsitas. Finalmente, indicar que se introducirá un método para comprobar y comparar la calidad del clasificador, en este sentido, se está preparando un método basado en ELM. Agradecimientos |