Skip to main navigation menu Skip to main content Skip to site footer
ACI Avances en Ciencias e Ingenierías

SECTION C: ENGINEERING

Vol. 10 No. 1 (2018)

Localización y reconocimiento de señales de tráfico del Ecuador: Casos Pare y Ceda el Paso

DOI
https://doi.org/10.18272/aci.v10i1.1012
Submitted
December 12, 2017
Published
2018-12-26

Abstract

En el mundo y en el Ecuador, las altas tasas de accidentes de tráfico son generadas, principalmente, por la falta de respeto a la normativa vial por parte de los usuarios viales, generando costos humanos y materiales de importancia. En este sentido, la localización y el reconocimiento de las señales de tráfico es esencial para la construcción de dispositivos capaces de prevenir situaciones que puedan generar accidentes de tráfico. Por lo tanto, en este trabajo se presenta un nuevo enfoque para la construcción de un sistema para la detección de señales de tráfico, usando las siguientes innovaciones, i) un método de segmentación por color para la generación de regiones de interés (ROIs) basado en los algoritmos ð‘˜âˆ’ð‘ð‘, con ð¾ð‘šâˆ’ð‘šð‘’ð‘Žð‘›ð‘ , ii) una nueva versión del descriptor HOG (Histograms of oriented gradients) para la extracción de características, y iii) el entrenamiento del algoritmo SVM no-lineal para multi-clasificación. El enfoque propuesto ha sido probado sobre las señales de tráfico ecuatorianas de Pare y Ceda el Paso. Un sinnúmero de experimentos han sido desarrollados sobre varias secuencias de videos capturadas con vehículo experimental en condiciones reales de conducción en varias ciudades ecuatorianas, bajo diferentes condiciones de iluminación como son normal, soleado y nublado. Este sistema ha mostrado un rendimiento de 98.7% para la segmentación, 99.49% para la clasificación y una precisión del 96% para la detección.

viewed = 682 times

References

  1. World Economic Forum. (2016). Global competitiveness report 2015-2016. Competitiveness rankings. A. transport infrastructure. Recuperado el 12 de noviembre de 2017 de: http://reports.weforum.org/global-competitiveness-report-2015-2016/competitiveness-rankings/#indicatorId=GCI.A.02.01
  2. Agencia Nacional de Tránsito del Ecuador. (2015) Siniestros octubre 2015. Recuperado el 12 de diciembre de 2017 de: http://www.ant.gob.ec/index.php/descargable/file/3265-siniestros-octubre-2015
  3. Nguyen, B. T., Ryong, S. J., & Kyu, K. J. (2014, Julio). Fast traffic sign detection under challenging conditions. In Audio, Language and Image Processing (ICALIP), 2014 International Conference on (pp. 749-752). IEEE.
  4. Shaout, A., Colella, D., & Awad, S. (2011, Diciembre). Advanced driver assistance systems-past, present and future. In Computer Engineering Conference (ICENCO), 2011 Seventh International(pp. 72-82). IEEE.
  5. Møgelmose, A., Liu, D., & Trivedi, M. M. (2015). Detection of US traffic signs. IEEE Transactions on Intelligent Transportation Systems, 16(6), 3116-3125.
  6. Perez-Perez, S. E., Gonzalez-Reyna, S. E., Ledesma-Orozco, S. E., & Avina-Cervantes, J. G. (2013, November). Principal component analysis for speed limit Traffic Sign Recognition. In Power, Electronics and Computing (ROPEC), 2013 IEEE International Autumn Meeting on (pp. 1-5). IEEE.
  7. Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
  8. R. Duda, P. Hart, and D. Stork. (2001). Pattern Classification, 2nd ed., 2001.
  9. Cristianini, N., & Shawe-Taylor, J. (2000). An introduction to support vector machines and other kernel-based learning methods. Cambridge university press.
  10. Salti, S., Petrelli, A., Tombari, F., Fioraio, N., & Di Stefano, L. (2015). Traffic sign detection via interest region extraction. Pattern Recognition, 48(4), 1039-1049.
  11. Li, H., Sun, F., Liu, L., & Wang, L. (2015). A novel traffic sign detection method via color segmentation and robust shape matching. Neurocomputing, 169, 77-88.
  12. Hastie, T., Tibshirani, R., & Friedman, J. (2009). Unsupervised learning. In The elements of statistical learning (pp. 485-585). Springer, New York, NY.
  13. Lillo-Castellano, J. M., Mora-Jiménez, I., Figuera-Pozuelo, C., & Rojo-Álvarez, J. L. (2015). Traffic sign segmentation and classification using statistical learning methods. Neurocomputing, 153, 286-299.
  14. Chen, T., & Lu, S. (2016). Accurate and Efficient Traffic Sign Detection Using Discriminative AdaBoost and Support Vector Regression. IEEE Trans. Vehicular Technology, 65(6), 4006-4015.
  15. Han, Y., Virupakshappa, K., & Oruklu, E. (2015, Mayo). Robust traffic sign recognition with feature extraction and k-NN classification methods. In Electro/Information Technology (EIT), 2015 IEEE International Conference on (pp. 484-488). IEEE.
  16. Huang, Z., Yu, Y., & Gu, J. (2014, Junio). A novel method for traffic sign recognition based on extreme learning machine. In Intelligent Control and Automation (WCICA), 2014 11th World Congress on (pp. 1451-1456). IEEE.
  17. Dalal, N. (2006). Finding people in images and videos (Doctoral dissertation, Institut National Polytechnique de Grenoble-INPG).
  18. Bay, H., Ess, A., Tuytelaars, T., & Van Gool, L. (2008). Speeded-up robust features (SURF). Computer vision and image understanding, 110(3), 346-359.
  19. Lau, M. M., Lim, K. H., & Gopalai, A. A. (2015, Julio). Malaysia traffic sign recognition with convolutional neural network. In 2015 IEEE International Conference on Digital Signal Processing (DSP) (pp. 1006-1010). IEEE.
  20. Zhu, Y., Zhang, C., Zhou, D., Wang, X., Bai, X., & Liu, W. (2016). Traffic sign detection and recognition using fully convolutional network guided proposals. Neurocomputing, 214, 758-766.
  21. Caliński, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics-theory and Methods, 3(1), 1-27.
  22. Davies, D. L., & Bouldin, D. W. (1979). A cluster separation measure. IEEE transactions on pattern analysis and machine intelligence, (2), 224-227.
  23. Tibshirani, R., Walther, G., & Hastie, T. (2001). Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(2), 411-42
  24. Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of computational and applied mathematics, 20, 53-65.
  25. T. Fawcett. (2004). "Roc graphs: Notes and practical considerations for researchers," Machine learning, vol. 31, no. 1, pp. 1-38.
  26. Pajares Martinsanz, G., García, C., & Jesús, M. (2002). Visión por computador: Imágenes digitales y aplicaciones.
  27. Dalal, N., & Triggs, B. (2005, Junio). Histograms of oriented gradients for human detection. In Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on (Vol. 1, pp. 886-893). IEEE.
  28. Kohavi, R. (1995, Agosto). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Ijcai(Vol. 14, No. 2, pp. 1137-1145).
  29. Martin, A., Doddington, G., Kamm, T., Ordowski, M., & Przybocki, M. (1997). The DET curve in assessment of detection task performance. National Inst of Standards and Technology Gaithersburg MD.
  30. Gómez-Moreno, H., Maldonado-Bascón, S., Gil-Jiménez, P., & Lafuente-Arroyo, S. (2010). Goal evaluation of segmentation algorithms for traffic sign recognition. IEEE Transactions on Intelligent Transportation Systems, 11(4), 917-930.
  31. Zuo, Z., Yu, K., Zhou, Q., Wang, X., & Li, T. (2017, June). Traffic signs detection based on faster R-CNN. In Distributed Computing Systems Workshops (ICDCSW), 2017 IEEE 37th International Conference on (pp. 286-288). IEEE.
  32. Mobileye. (2018). ADAS - Mobileye. Recuperado el 12 de noviembre de 2017 de: https://www.mobileye.com/our-technology/adas/
  33. Continental-automotive.com. (2018). Continental Automotive. Recuperado el 12 de noviembre de 2017 de: https://www.continental-automotive.com/en-gl/Passenger-Cars/Chassis-Safety/Advanced-Driver-Assistance-Systems/Driving-Functions/Traffic-Sign-Assist
  34. Shi, J. H., & Lin, H. Y. (2017, Junio). A vision system for traffic sign detection and recognition. In Industrial Electronics (ISIE), 2017 IEEE 26th International Symposium on (pp. 1596-1601). IEEE.

Most read articles by the same author(s)