Complementación de un sistema Inteligente para reconocimiento de señales Preventivas de Seguridad Vial

Texto completo

(1)Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. UNIVERSIDAD NACIONAL DE TRUJILLO FACULTAD DE CIENCIAS FISICAS Y MATEMATICAS. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. SI C. A. S. ESCUELA ACADEMICO PROFESIONAL DE INFORMÁTICA. Implementación de un Sistema Inteligente para Reconocimiento de Señales. LI O. TE. Preventivas de Seguridad Vial.. B. IB. ELABORADO POR: ASESOR:. Plan de Proyecto de Tesis. Fredy Vargas Romero Ing. Jorge Luis Gutiérrez Gutiérrez.. AREA DEL PROYECTO: Sistemas Inteligentes. Trujillo, 11 de marzo del 2015. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(2) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Agradecimiento Este trabajo lo dedico a mi madre Isabel, a mi tía Eulalia y a mi hermano Carlos, son quienes en todo momento me han dado un apoyo incondicional para realizar mi sueño de estudiar informática. También agradezco a Dios por cuidarme e iluminarme en este. SI C. A. S. camino de mi vida.. Agradezco a mi asesor Dr. Jorge Gutiérrez Gutiérrez por brindarme apoyo para llevar. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. a cabo este trabajo de investigaciones.. B. IB. LI O. TE. Fredy Constante Vargas Romero. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(3) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Resumen En el presenta trabajo de investigación se desarrolla un sistema de reconocimiento de señales preventivas de seguridad vial. El sistema está divido en 2 fases: detección y reconocimiento de señales. En la fase de detección se hace uso de la técnica de. S. segmentación por color y luego para obtener mayor robustez se hace un análisis por la. A. forma. En la fase de reconocimiento se usa el algoritmo Speed Up Robust Features. SI C. (SURF) ya que es considerado unos de los mejores algoritmos para este tipo de trabajo. La herramienta de desarrollo usada la librería OpenCV en su totalidad por. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. contar con una conjunto de clases y métodos que facilitan el desarrollo de este tipo de sistema. El resultado final de esta implementación es un sistema capaz de reconocer señales preventivas, cabe mencionar que la asertividad de reconocimiento es de un. B. IB. LI O. TE. 88% y es por ello que se considera como robusto para este tipo de trabajo.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(4) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Abstract The research presents a recognition system of preventive traffic signals is developed. The system is divided into two phases: detection and recognition signals. In the detection phase is made using the color segmentation technique and then to obtain a. S. more robust shape analysis is done. In the recognition phase algorithm Speed Up. A. Robust Feature (SURF) is used because it is considered one of the best algorithms for. SI C. this type of work. The development tool used the OpenCV library entirely by having a set of classes and methods that facilitate the development of this type of system. The. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. end result of this implementation is a system capable of recognizing warning signs includes recognition that assertiveness is 88% and is therefore considered to be robust. B. IB. LI O. TE. to this type of work.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(5) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Índice General CAPÍTULO 1 ................................................................................................................................... 12 1.1.. Estado del Arte .................................................................................................................. 1 Detección de Señales de Tránsito. ...................................................................... 1. 1.1.2.. Reconocimiento y Clasificación de Señales de Tránsito. ............................ 5. Conceptos Generales ....................................................................................................... 7. A. 1.2.. S. 1.1.1.. Definición de Sistema Inteligente...................................................................... 7. 1.2.2.. Definición de Asistencia Tecnológica. .............................................................. 8. 1.2.3.. ¿Qué es el Reconocimiento de Señales de Tránsito? .................................... 8. 1.2.5. 1.3.. 1.3.2. 1.3.3. 1.3.4.. Señales Preventivas de Tránsito ....................................................................... 10 Detección Basada en el Color ........................................................................... 12. Detección Basada en la Forma ......................................................................... 13 Detección Basada en Color y Forma .............................................................. 15 Técnicas de Procesamiento de Imágenes ....................................................... 15. Técnicas de Reconocimiento de Señales de Tránsito. ........................................ 33. 1.4.1. 1.5.. Señales Verticales de Tránsito Vial. .................................................................. 9. Detección de Señales de Tránsito. ............................................................................ 11. 1.3.1.. 1.4.. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. 1.2.4.. SI C. 1.2.1.. Speed Up Robust Features (SURF) ................................................................. 33. Instrumentos de Recolección de Datos. .................................................................. 43. 1.5.1.. Librerías de Programación y APIs ................................................................... 44. TE. CAPÍTULO 2 ................................................................................................................................... 46 Tipo de Investigación ................................................................................................... 47. 2.2.. Variables de la Investigación ..................................................................................... 47. B. IB. LI O. 2.1.. 2.2.1.. Variable Dependiente. ......................................................................................... 47. 2.2.2.. Variable Independiente. ...................................................................................... 47. 2.2.3.. Operacionalización de Variables. .................................................................... 47. 2.3.. Indicadores ...................................................................................................................... 47. 2.4.. Población y Muestra. .................................................................................................... 48. 2.4.1.. Población................................................................................................................. 48. 2.4.2.. Muestra .................................................................................................................... 48. 2.5.. Metodología para el Desarrollo del Sistema Inteligente. ................................... 48. CAPÍTULO 3 ................................................................................................................................... 50. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(6) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. 3.1. Detección de Señales. ....................................................................................................... 52 3.1.1. Captura de Imágenes. ............................................................................................... 53 3.1.2. Cambio de Espacio de Color RGB a YCbCr .................................................... 53 3.1.3. Segmentación por Color.......................................................................................... 54 3.1.4. Eliminación de Ruido de Imagen. ........................................................................ 58. S. 3.1.5. Análisis de Forma de Objetos Segmentados. .................................................... 62. A. 3.1.6. Obtención Objeto Candidato. ................................................................................ 65. SI C. 3.2. Reconocimiento de Señales ............................................................................................ 68 3.2.1. Entrenamiento del Sistema de Reconocimiento. .............................................. 68. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. 3.2.2. Reconocimiento de Imágenes de Prueba. ........................................................... 72 CAPÍTULO 4 ................................................................................................................................... 76 4.1. Resultados Computacionales. ........................................................................................ 77 4.1.1. Resultado en Detección. .......................................................................................... 77 4.1.2. Reconocimiento de la Señal de Tránsito ............................................................ 79 4.1.2. Tasa de Reconocimiento del Sistema. ................................................................. 81 Conclusiones ............................................................................................................................... 82 Recomendaciones ...................................................................................................................... 83. B. IB. LI O. TE. Referencias Bibliográficas: ..................................................................................................... 84. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(7) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Lista de Figuras. B. IB. LI O. TE. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. SI C. A. S. Figura 1-1 Espacio de Color RGB ............................................................................................ 17 Figura 1-2 Espacio de Color YCbCr ........................................................................................ 18 Figura 1-3 Histograma Ideal (fuente [20]) ......................................................................... 20 Figura 1-4 Histograma que no es claramente bi-modal [20] ....................................... 20 Figura 1-5 Elementos estructurales. a) N4 , b)N8 .......................................................... 22 Figura 1-6 Ejemplo de Aplicar Filtro de Dilatación en una imagen........................... 23 Figura 1-7 Ejemplo del filtro erosión con diferentes tamaño de kernel ................. 24 Figura 1-8 Ejemplo de aplicar filtro de la mediana a un pixel ..................................... 25 Figura 1-9 Resultado de la detección de bordes mediante el algoritmo de Canny .............................................................................................................................................................. 27 Figura 1-10 Ejemplo del árbol de ejecución del algoritmo Douglas-Peuker ......... 29 Figura 1-11 Transformación Afín actuando sobre una imagen .................................. 33 Figura 1-12 Diagrama de Flujo del Algoritmo SURF ....................................................... 35 Figura 1-13 Ejemplo de Diferencias Gaussiana................................................................. 37 Figura 1-14 Proceso de Comparación entre diferentes Escalas. ................................ 38 Figura 1-15 Representación gráfica del tamaño de los filtros usados en diferentes octavas. El eje x representa la escala y el eje y indica la octava. ................................. 40 Figura 1-16 Funciones de Haar empleadas en el detector SURF ............................... 42 Figura 3-1 Arquitectura de Sistema de Reconocimiento de Señales Preventivas de Tránsito....................................................................................................................................... 52 Figura 3-2 Resultado de Cambio de RGB a YCbCr ............................................................ 53 Figura 3-3 Resultado de Umbralización de Imagen ........................................................ 55 Figura 3-4 Resultado de Filtro por Rango de Colores..................................................... 56 Figura 3-5 Resultado de Eliminación de Ruido ................................................................. 59 Figura 3-6 Resultado de Análisis por Forma de señal de tránsito ............................. 63 Figura 3-7 Resultado de Extracción de imagen muestra ............................................... 66 Figura 3-8 Arquitectura del Módulo de Reconocimiento de Señales. ...................... 68 Figura 3-9 Resultado de Cambio de Escala de Color RGB a Escala de Grises ........ 69 Figura 3-10 Resultado de Detección de Keypoints .......................................................... 71 Figura 3-11 Resultado de Emparejamiento de Descriptores....................................... 74 Figura 3-12 Resultado de Emparejamiento de los Mejores Descriptores .............. 76. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(8) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Lista de Tablas. B. IB. LI O. TE. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. SI C. A. S. Tabla 2-1 Indicador para la Investigación........................................................................... 47 Tabla 4-1Tasa de Detección de Señales preventivas de Seguridad Vial .................. 78 Tabla 4-2 Ejemplos de Detección de Señales Preventivas. ........................................... 79 Tabla 4-3 Tasa de Reconocimiento de Señales de Preventivas de Seguridad Vial. .............................................................................................................................................................. 79 Tabla 4-4 Ejemplos de Reconocimiento de Señales Preventivas. .............................. 81 Tabla 4-5 Tasa Global de Reconocimiento del Sistema. ................................................ 81. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(9) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. INTRODUCCIÓN El cerebro humano es el sistema de cálculo más complejo que conoce el hombre. La computadora y el hombre realizan tareas similares; pero el proceso para. S. realizar una tarea tanto el hombre como la computadora es diferente; así la. A. operación de reconocer una imagen resulta una tarea extremadamente sencilla y. SI C. natural para el hombre, en el caso de una computadora el reconocimiento de imágenes es una tarea compleja, mientras que la contabilidad de una empresa es. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. una tarea costosa para un experto contable y una tarea sencilla para una computadora básica. [1]. El funcionamiento del cerebro humano ha inspirado a mucho científicos en intentar o procurar modelar con el uso de una computadora. Diferentes campos de estudio como la ingeniería, filosofía, psicología han unido esfuerzos en usar el potencial que ofrece una computadora, para encontrar diferentes aplicaciones con el uso de esta tecnología. [1]. El reconocimiento de patrones en imágenes es un campo muy amplio abierto a la investigación [2]. Mediante la utilización de herramientas de inteligencia artificial como las redes neuronales es posible automatizar el reconocimiento de. TE. patrones en una imagen [3].. LI O. El análisis de una imagen es un proceso de descubrimiento, identificación y. B. IB. compresión de patrones que son relevantes en el desempeño de una tarea basada en imágenes. Una de las principales metas del análisis de una imagen por una computara es dotar a la máquina con la capacidad para aproximas, algo que normalmente pueden realizar los seres humanos. Por ejemplo, en un sistema de lectura automática de imágenes de documentos escritos, los patrones de interés son los caracteres alfanuméricos y el objetivo es conseguir la precisión en el reconocimiento de caracteres.. Según el informe mundial sobre prevención de los traumatismos causados por el tránsito de Organización mundial de Salud, anualmente mueren 1,2 millones de. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(10) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. personas en el mundo a causa de choques en las vías públicas, 50 millones de personas y más de 3000 personas que mueren diariamente por lesiones resultantes del tránsito. Más del 91% de las muertes producidas por accidentes de tránsito ocurren en países de bajos y medianos recursos, en los cuales tienen solo el 48%. S. de los vehículos registrados en el mundo.. A. Según el informe de la Comunidad Andina de Naciones en el año 2013, la causa. SI C. aparente de los accidente de tránsito fueron por imprudencias ocasionadas por el conductor (151 mil 689), otros( 92 mil 814), exceso de velocidad (50 mil 767),. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. embriaguez o drogas (22 mil 489) y por imprudencia ocasionada por el peatón( 17 mil 174).. Según la Guía de Educación Vial del Ministerio Educación del año 2013 [4], se estima que cada año en el mundo mueren 1.3 millones de personas y de 20 a 50 millones resultan heridas a consecuencia de diferentes tipo de accidentes de tránsito, con un costo económico aproximado de 518 mil millones de dólares anuales, lo que representa, para cada país, un promedio de 1.5% del Producto Bruto Interno (PBI). Las proyecciones indicas que estas cifras aumentarán en torno al 65% en los próximos 2 años, de no existir un renovado compromiso con la prevención.. TE. Según la División de Policía de Tránsito de la Policía Nacional del Perú: Cada 9 minutos se produce un accidente de tránsito.. -. Hay alrededor de 50 000 heridos al año como consecuencia de accidentes de. LI O. -. B. IB. tránsito.. -. Ocurre alrededor de 80 000 accidentes de tránsito al año.. -. El Perú ostenta el título del país con más accidentes de tránsito en el mundo.. Así también, las principales causas de accidentes de tránsito. . Exceso de Velocidad, 32.76%. . Imprudencia del conductor, 28.00%. . Imprudencia del peatón, 11.86%. . Ebriedad del conductor, 10.97%. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(11) Imprudencia del pasajero, 1.82%. . Pista en mal estado, 1.45%. . Falta de señales de tránsito, 0.78%. . Exceso de carga, 0.71%. . Falta de luces, 0.48%. . Mala señalización, 0.22%. . Otros 7.70%. A. . SI C. Falla Mecánica, 3.24%. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. . S. Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Tomando como referencia las estadísticas de las diferentes fuentes, las señales de tránsito también forman parte de las causas de accidentes de tránsito. Este trabajo toma como problema el desconocimiento del significado de las señales de tránsito por parte de las personas, hay situaciones en las que un peatón o un conductor por falta de aprendizaje del significado de las señales de tránsito puede probar un accidente. También se toma como problema la dificultad al momento de conducir muchas veces el conductor no se percata de las señales de tránsito.. De lo descrito anteriormente, en la presente investigación se formula: “¿Cómo asistir tecnológicamente a un usuario final para un rápido reconocimiento de señales preventivas de seguridad vial?”. Es así que se definió como hipótesis: “La implementación de un sistema inteligente asiste tecnológicamente a un usuario. LI O. TE. final en el reconocimiento rápido de señales preventivas de seguridad vial.". En el desarrollo de esta investigación se tiene como objetivo general:. B. IB. “Implementar un sistema inteligente que asista tecnológicamente a un usuario final en el reconocimiento de señales preventivas de seguridad vial.” También. como objetivos específicos:. Analizar el contexto actual del reconocimiento de imágenes por medio de sistemas inteligentes.. Diseñar el sistema inteligente que asista tecnológicamente a un usuario final en el reconocimiento de señales preventivas de seguridad vial.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(12) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. Implementar el sistema inteligente que asista tecnológicamente a un usuario final en el reconocimiento de señales preventivas de seguridad vial.. Realizar prueba al sistema inteligente que asista tecnológicamente a un usuario. A. S. final en el reconocimiento de señales preventivas de seguridad vial.. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. son descritos en cuanto a su contenido:. SI C. La estructura de este informe ha sido divida por 4 capítulos, que a continuación. En el Capítulo 1 se describe el estado del arte en que se encuentra el reconocimiento de imágenes artificiales, también la definición y teoría de sustento para el desarrollo del sistema inteligente propuesto.. En el Capítulo 2 se define la población, muestra, las variables dependientes de la hipótesis planteada y por último se presenta una metodología con las fases y tareas que se han llevado acabo para el cumplimiento de este trabajo.. En el Capítulo 3 se diseña el sistema inteligente, donde se define los requerimientos, base de datos, interfaz de usuario aplicando técnicas de. TE. ingeniería de software.. En el Capítulo 4 se analizan los resultados obtenidos a partir del funcionamiento. LI O. del sistema inteligente, obteniendo una estadística de errores y aciertos en el. B. IB. reconocimiento de imágenes.. Al final de este informe se describe la conclusión del trabajo realizado, se listan recomendaciones para trabajos futuros.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(13) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico. CAPÍTULO 1 Marco Teórico. S. En esta investigación se centra en la detección, procesamiento e identificación de. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. 1.1. Estado del Arte. SI C. para la construcción del sistema inteligente propuesto.. A. señales preventivas de seguridad vial, a continuación se describe el sustento teórico. Desde la aparición de la primera investigación de reconocimiento de señales de tránsito, en Japón en 1984, este campo de investigación se a convertido en favorito. Desde aquellos tiempos hasta hoy en día muchos centros de investigación han contribuido en este campo y han tratado de solucionar el problema usando diferentes aproximaciones. Existen muchas propuestas de para mejorar la robustez de obtención de la señal, clasificación y con bajo costo computacional; pero hasta el momento no hay un método dominante.. La identificación de señales de seguridad vial o de tránsito se puede dividir en dos fases: detección y reconocimiento. Según las fases mencionadas se puede hacer un resumen de los enfoques propuestos por las diferentes investigaciones. LI O. TE. realizadas hasta el momento.. B. IB. 1.1.1. Detección de Señales de Tránsito.. En “Detección” se puede distinguir 3 enfoques:. . “Detección basado en los colores de las señales”, en este enfoque la información más importante es el color de la señal para su detección y su posterior identificación.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 1 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(14) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico . “Detección basada en la forma de las señales”, en este enfoque se toma como información importante a la forma regular que tiene una señal en particular.. . “Detección basada en la forma junto con el color de las señales”, en. S. este enfoque se cree que tanto la forma como el color de señal son. SI C. A. importantes para la detección.. Estas son las tres mejores propuestas para la detección de señales de tránsito,. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. a continuación se resumirán de acuerdo a cada enfoque los trabajos realizados y es lo que define el estado del arte en este campo de estudio.. 1.1.1.1. Detección de Señales de Transito Basadas en Color.. Las técnicas propuestas para la detección varían de un autor a otro. A continuación se lista diferentes técnicas usadas para solucionar este problema. . Ghica y otros [5] usó umbralización para segmentar pixeles en imágenes digitales diferenciando pixeles objetivo y pixeles de fondo. La técnica de umbralización es basada en calcular la distancia entre pixeles de color y un color de referencia dentro del espacio de color RGB, de acuerdo al color. TE. de referencia se seleccionan los pixeles objetivos. . Estevez y Kehtarnavas [6] sugieren un algoritmo capaz de reconocer. LI O. señales de “Pare”, “Ceder” y “No Ingresar”. Este algoritmo consiste en 6 módulos: segmentación de color, localización de bordes, diferenciación de. IB. RGB, detección de bordes, extracción por histograma, y clasificación. La. B. segmentación de color es usado para localizar bordes de áreas de color rojo. . Fang y otros [7] calcula el valor “Hue” del espacio de color HSI para cada pixel y la similitud entre este Hue y los valores Hue obtenidos de la captura de una señal, son considerados los pixeles con mayor similitud de. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 2 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(15) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico valores Hue. El resultado es obtener una imagen robusta al brillo, problema que se presenta por la luz del día sobre una señal.. 1.1.1.2. Detección Basada en Forma de las Señales de Tránsito. Las técnicas que usan la forma son una buena alternativa cuando los colores. SI C. A. robustas para manejar el plano de transformaciones, escala y rotación.. S. de una señal están deteriorados. Las técnicas basadas en la forma deben ser. A continuación se hace un resumen de investigaciones que se enfocan como. . C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. información importante la forma de la señal de tránsito:. Piccioli y otros [8] y Parodi y Piccioli [9] detectaron señal de tránsito usando información a priori de la supuesta posición de una señal dentro de una imagen. Se usó del detector de bordes Canny para buscar la región, y un análisis geométrico por clusters para extraer cada punto de interés. La región interior de área candidata fue buscada en la una base de datos de señales usando template matching. La correlación de los pixeles del borde con un conjunto apropiado de máscaras se usó para detectar los círculos. Los triángulos fueron detectado agrupando los bordes vertical, horizontal y segmentos oblicuos.. Gavril [10] describe un método para clasificar señales de tránsito basado. TE. . LI O. en template matching usando transformación de distancia. El método puede detectar señales circulares y triangulares. La orientación de los bordes son usados como parámetros en el algoritmo. Diferentes plantillas. IB. con radios de entre 7 -18 pixeles se usan para círculos y triángulos. El. B. método es usado para detectar señales en tiempo real, con una detección en 90%. . Schiekel [11] dirigió el problema al reconocimiento de señales con baja iluminación, donde el color no es suficiente. La imagen original es procesada por 2 filtros Sobel, la magnitud de la gradiente y orientación son calculadas y cada pixel es identificado para umbralizar la imagen. Cada. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 3 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(16) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico pixel son segmentados en 2 pasos ordenados jerárquicamente, el cual bajo nivel de características de pixeles como gradiente de orientación son indexadas a cada característica como triángulos y ellipses. El reconocimiento es de 95%. y 93% para triangulares. y rectangulares. Loy and Barnes [12] desarrollaron un método rápido basado en detección. A. . S. señales respectivamente.. SI C. por la forma de señales de tránsito. El método usa una extensión de la transformación simétrica para detectar polígonos regulares. Fue probado y. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. obtuvo una efectividad del 95%. Este método es invariante a la rotación del plano y puede ser usado en aplicaciones de tiempo real.. 1.1.1.3. Detección Basada en Color y Forma de las Señales de Tránsito. La combinación de color y forma, puede brindar ventajas de ambas técnicas para detectar señales de tránsito. Cada técnica tiene sus ventajas y dificultades. Sin embargo una técnica hibrida puede bridar ventajas en ciertas circunstancias específicas. Sistemas basados en color y forma se usaron en las siguientes investigaciones: . Hibi [13] usó tono y saturación del espacio de color HSL para reconocer señales en imágenes en la noche. Los umbrales dinámicos son usados en. TE. los histogramas de tono y saturación. La imagen binaria final se genera. LI O. mediante la combinación de tono y saturación por adición lógica. Los pixeles de le imagen binaria son clasificados en siete limites dependiendo del pixel objetivo y sus vecinos. Los patrones de frontera se utilizan para. B. IB. especificar las formas de contorno de la señal de tráfico.. . Jiang and Choi [14] utilizó reglas difusas para transformar la imagen de color escala de grises y se obtiene una imagen binaria para encontrar cualquier punto de referencia en la imagen de color mejorada, la mejora de imagen se consigue mediante la invariancia de tonalidad. Utilizaron RGB como espacio de color, umbrales y reglas difusas para detectar los colores rojo y azul. Las señales de advertencias que se toman en esta investigación. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 4 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(17) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico se identifican mediante la extracción de las tres esquinas del triángulo. El método con reglas difusas se desarrolló para detectar los pixeles esquinas de la señal. . Shirvaikar [15] desarrollo un sistema automático de detección de señales. S. de tránsito y su interpretación. El sistema utilizó espacio de color RBG y. A. análisis de características espectrales de las imágenes considerando. SI C. imágenes binarias de pixeles candidatos. Las regiones candidatas son probados por un analizador de elementos espaciales. Un analizador de. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. función relacional se utilizó para refinar los resultados. El sistema puede detectar señales como: Señales de PARE, señales de límite de velocidad, esta tarea lo realiza en tiempo real. . Nakamura y otros [16] este equipo de investigación desarrollo un sistema de reconocimiento de señales de límite de velocidad. Como primera tarea la detección de la zona roja de la imagen de entrada es detectada por el procesamiento en un espacio de color RGB. A continuación, la posición y el tamaño de los anillos circulares son detectados por una red neuronal multicapa. Un clasificador de redes neuronales se utiliza para el reconocimiento de caracteres de los límites de velocidad. Se consiguió una. TE. tasa de reconocimiento de 98.3%.. LI O. 1.1.2. Reconocimiento o Clasificación de Señales de Tránsito.. Hay varias técnicas utilizadas para el reconocimiento y clasificación de las. B. IB. señales tráfico. Estas técnicas se resumen de la siguiente manera:. 1.1.2.1. Redes Neuronales Artificiales. Las redes neuronales son ampliamente utilizadas para clasificar señales de tránsito. Hay muchas razones para esto; pero la principal razón es debido a la alta precisión alcanzada como clasificadores. A continuación se hace un resumen de las investigaciones donde se utilizan redes neuronales como clasificadores:. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 5 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(18) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico . Kellmeyer and Zwahlen [17] usado una red neuronal back propagation para reconocer señales de advertencia. La entrada para este red neuronal fue una matriz 10x10 que representa a la región amarilla de la señal, la capa de red neuronal fue de 100 neuronas. La capa de salida contiene 2 posibles salidas ya sea con signo o sin signo. Se utilizó una capa oculta de. S. 30 nodos. El sistema podría detectar el 55% de las señales de advertencia. SI C. . A. en 55 imágenes.. Aoyagi y Asakura [18] usaron redes neuronales con un patrón de entrada un total de 324. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. de 18x18 pixeles para alimentar 3 capas de la red,. neuronas en la capa de entrada, 15 neuronas para la capa oculta y 3 neuronas en la capa de salida. El sistema pudo detectar y clasificar 23 de 24 señales indicadoras de límite de velocidad y 23 de 24 de otras señales. . Vitabile y otros [19] usaron un red neuronal para clasificar las regiones candidatas para señales que fueron obtenidas en la detección. La clasificación se lleva a cabo por un clasificador de red neuronal forward, donde una región candidata de 36x36 pixeles es la entrada para la red neuronal. Este clasificador tuvo una tasa de clasificación de 84% para las muestras circulares de color rojo, 88% para las señales triangulares rojas y. TE. 100% para las muestras circulares de color azul.. Nakura y otros[16] usaron redes neuronales para detectar la posición y. LI O. . tamaño de señales de límite de velocidad. Un clasificador que usa redes. B. IB. neuronales es usado en el reconocimiento de caracteres de señales de límite de velocidad, logrando una tasa de detección del 100% y una tasa del 98.3% en el reconocimiento de la señal.. 1.1.2.2. Template Matching La segunda técnica de clasificación alternativa es la Template Matching. Algunos trabajos realizados usando estas técnicas se listan a continuación:. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 6 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(19) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico . Piccioli y otros [8] reconocieron la señal de tránsito de acuerdo a su similitud con una de las señales de tránsito almacenada en la base de datos. La región interior de cada candidato se hace un emparejamiento de plantillas con las señales almacenadas en la base de datos. Se logró una. Miura y otros [20] identificaron señales de tránsito mediante el uso de. A. . S. tasa de 98% de clasificación correcta.. SI C. patrones basados en correlación normalizada entre una imagen de prueba y la imagen de plantilla. De acuerdo con el método propuesto, dos umbrales. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. se utilizaron para el valor de correlación. El candidato se considera si el valor de correlación está por encima del primer umbral y la relación de valores de correlación para el mejor, los segundos mejores candidatos están por encima del segundo umbral. El método logra una tasa de detección y reconocimiento del 100% para las señales de orientación, para las señales de límite de velocidad un 97.5%.. . Ohara y otros [21] usaron template matching para el reconocimiento de señales. Una sub área de tamaño NxN es seleccionada de la imagen, los pequeños defectos y el ruidos se llenan o se eliminan de la imagen muestra. Los pixeles son normalizados por los valores máximos y mínimos. TE. de la entrada de la sub área. El tamaño también es normalizado. LI O. dependiendo del tamaño de la plantilla para emparejar. Se obtuvo una tasa de 95% de reconocimiento.. B. IB. 1.2. Conceptos Generales 1.2.1. Definición de Sistema Inteligente Jiménez y Ramos [22], definen a un sistema inteligente como: “Pieza de software que ejecuta una tarea dada utilizando información recolectada del ambiente, para actuar de manera apropiada hasta completar la tarea de manera exitosa. El software debe ser capaz de auto-ajustarse basándose en los cambios que ocurren en su ambiente de forma tal que un cambio en las circunstancias producirá un resultado esperado”.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 7 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(20) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico. 1.2.2. Definición de Asistencia Tecnológica. En [23], se define a la asistencia tecnológica como: “Cualquier instrumento,. S. aditamento, pieza de un equipo o aparato que ayude a una persona con. 1.2.3. ¿Qué es el Reconocimiento de Señales de Tránsito?. SI C. A. impedimento a aumentar, mantener o mejorar sus destrezas funcionales”.. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. El reconocimiento de señales de tránsito es un campo que se ocupa de la detección y reconocimiento de señales capturadas por una cámara. Para extraer la señales se utilizan técnicas de visión e inteligencia artificial, la extracción se da a partir de imágenes tomadas al aire libre en condiciones de iluminación no controladas, donde las señales pueden ser alteradas por otros objetos, pueden sufrir diferentes problemas talas como la perdidas de color, desorientación y variaciones de tamaño y forma.. La identificación de señales de tránsito se logra a través de dos fases: . Detección.. . Reconocimiento.. TE. En la fase de detección, la imagen es pre procesada, mejora y segmentada de acuerdo con las propiedades de la imagen muestra, como el color, la forma o. LI O. ambas. La salida des una imagen segmentada que contiene regiones potenciales que podrían ser reconocidas como posibles señales de tránsito. La. B. IB. eficiencia y la rapidez de este proceso de detección son factores importantes, ya que reducen la búsqueda y el procesamiento computacional. En la fase de reconocimiento, cada candidato es probado dentro de un clasificador para decidir si está en el grupo de señales de tránsito o no. Para la construcción del clasificador se hace uso normalmente de redes neuronales artificiales o template matching.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 8 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(21) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico. 1.2.4. Señales Verticales de Tránsito Vial. A continuación se describen conceptos sobre las generalidades de señales de. S. seguridad vertical, según Ministerio de Transportes y Comunicaciones del. SI C. 1.2.4.1. Definición de Señales de Tránsito.. A. Perú [24]:. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. Las señales verticales, como dispositivos instalados a nivel del camino o sobre él, destinados a reglamentar el tránsito, advertir o informar a los usuarios mediante palabras o símbolos determinados.. 1.2.4.2. Funciones. Las señales verticales, como dispositivos de control del tránsito deberán ser usadas de acuerdo a las recomendaciones de los estudios técnicos realizados.. Se utilizarán para regular el tránsito y prevenir cualquier peligro que podría presentarse en la circulación vehicular. Asimismo, para informar al usuario sobre direcciones, rutas, destinos, centros de recreo, lugares turísticos y. TE. culturales, así como dificultades existentes en las carreteras.. 1.2.4.3. Clasificación. B. IB. LI O. Las señales se clasifican en: . Señales Reguladoras o de Reglamentación.. . Señales de Prevención.. . Señales de Información.. Las señales de reglamentación tienen por objeto notificar a los usuarios de la vía de las limitaciones, prohibiciones o restricciones que gobiernan el uso de ella y cuya violación constituye un delito.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 9 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(22) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico Las señales de prevención tienen por objeto advertir al usuario de la vía de la existencia de un peligro y la naturaleza de éste.. Las señales de información tienen por objeto identificar las vías y guiar al. S. usuario proporcionándole la información que pueda necesitar.. SI C. 1.2.5.1. Definición:. A. 1.2.5. Señales Preventivas de Tránsito. Las señales preventivas o de prevención son aquellas que se utilizan para. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. indicar con anticipación la aproximación de ciertas condiciones de la vía o concurrentes a ella que implican un peligro real o potencial que puede ser evitado tomando ciertas precauciones necesarias.. 1.2.5.2. Forma. Serán de forma cuadrada con uno de sus vértices hacia abajo formando un rombo, a excepción de las señales especiales de “ZONA DE NO ADELANTAR” que serán de forma triangular tipo banderola horizontal, las de indicación de curva “CHEVRON” que serán de forma rectangular y las de “PASO A NIVEL DE LÍNEA FÉRREA” (Cruz de San Andrés) que será de diseño especial.. TE. 1.2.5.3. Color. Fondo y borde: Amarillo caminero. . Símbolos, letras y marco: Negro. LI O. . B. IB. 1.2.5.4. Dimisión Las dimensiones de las señales preventivas deberán ser tales que el mensaje transmitido sea fácilmente comprendido y visible, variando su tamaño de acuerdo a la siguiente recomendación: . Carreteras, avenidas y calles: 0.60m x 0.60m. . Autopistas, Caminos de alta velocidad: 0.75m x 0.75m. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 10 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(23) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico En casos excepcionales, y cuando se estime necesario llamar preferentemente la atención como consecuencia de alto índice de accidentes, se utilizarán señales de 0.90m x 0.90m ó de 1.20m x 1.20m.. 1.2.5.5. Ubicación. S. Deberán colocarse a una distancia del lugar que se desea prevenir, de modo tal. A. que permitan al conductor tener tiempo suficiente para disminuir su velocidad;. SI C. la distancia será determinada de tal manera que asegure su mayor eficacia. vía.. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. tanto de día como de noche, teniendo en cuenta las condiciones propias de la. En general las distancias recomendadas son: . En zona urbana 60m - 75m. . En zona rural 90m - 180m. . En autopista 250m - 500m. 1.3. Detección de Señales de Tránsito.. La primera fase para la identificación de señales de tránsito es la detección, en esta fase la imagen es pre procesada, mejorada y segmentada de acuerdo a las. TE. propiedades de color o forma de la señal. La salida que se obtiene del procesamiento es una imagen segmentada que contiene regiones candidatas. LI O. que podrían ser reconocidas como señal de tránsito.. B. IB. La eficiencia y la rapidez de la detección son factores importantes que toman un papel importante en todo el proceso, con la segmentación correcta se reduce el espacio de búsqueda.. Para la detección de señal de tránsito, se usan tres enfoques: detección basada en el color, detección basada en la forma y detección basada tanto en el color como en la forma de la señal.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 11 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(24) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico 1.3.1. Detección Basada en el Color El color es una característica importante para la segmentación de imágenes. El primer paso para la detección de color es la conversión del espacio de color. El espacio de color que usan las cámaras a color es RGB. Algunos investigadores prefieren usar el espacio de color RGB o una versión modificada, mientras. S. otros prefieren la conversión de espacio de color para obtener mejores. Segmentación por Umbralización de Color: esta es una de las técnicas. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. . SI C. basadas en el color:. A. resultados. A continuación se resumen las principales técnicas de detección. más fáciles para la segmentación de imágenes de color. Este método usa un valor umbral para clasificar a los pixeles de una imagen, con este método se obtiene los pixeles de la región de interés y el resto de pixeles se convierten en fondo de la imagen. El color de referencia de cada señal es usada para definir el umbral de cada pixel.[25] . Agregación de Pixeles Dinámico: La segmentación usando este método se lleva acabo mediando un umbral dinámico en el proceso de agregación de pixeles, para esta agregación se usa el espacio de color HSV( Hue, Saturation, Value). La principal ventaja del umbral dinámico es reducir la inestabilidad de tono (Hue) en escenas reales donde está presente la. TE. variación de brillo externo. [19]. LI O. . Transformación HSV a HSI: Estos dos espacios de color separan la información del valor total de intensidad de color en tono (Hue) y. IB. saturación (saturation), con ello los hace más estables a los cambios de luz.. B. La transformación de espacio de color RBG a HSI hace una separación entre la información cromática e información de intensidad del color. El sistema HSI es muy similar a la percepción de colores humana. . Crecimiento de Región: Este método usa una semilla en una región como punto de partida y se expande como grupos de pixeles de acuerdo a la similitud del color. Este método se puede implementar en el espacio de. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 12 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(25) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico color HSI. Este método puede ocasionar problemas cuando las condiciones de termino no satisfacen, ya que se usa una semilla de inicio y termina cuando se cumplen ciertos criterios.. Los colores son una fuente de información importante en la detección de de. tránsito.. El. procesamiento. de. color. puede. reducir. S. señales. A. significativamente la cantidad de falsos puntos de borde y elevar la cantidad. SI C. de información para analizar. La parte importante de la detección basada en color es la conversión de espacio de color de imágenes RBG a otros espacios. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. de color que simplifican el proceso de detección. La conversión de sistema de colores separa la información de color y brillo, lo que facilita la detección de señales en base a su color.. En muchos escenarios este método es robusto para la detección. Sin embargo hay problemas pendientes por resolver en situaciones reales como: -. Existen situación en donde las señales reciben poca luz y no se puede detectar correctamente por el color.. -. Existen situación donde las señales están bajo severas lluvias y caída de. TE. nieve, convirtiéndose en un problema. -. Los arboles pueden variar parcialmente la iluminación el área de una. -. El reflejo de la luz ya sea del propio vehículo o del sol, presenta un problema complejo de tratar.. B. IB. LI O. señal.. 1.3.2. Detección Basada en la Forma En la detección basada por la forma se usan imágenes en escala de grises para evitar problemas relacionados a colores. Los bordes exteriores de las señales son usadas para la detección. A continuación se hace un resumen de algunas técnicas de detección de señales basadas en la forma:. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 13 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(26) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico . La Transformada de Hough: este método es usado para detectar características regulares, tales como líneas y círculos. Este método es computacionalmente complejo que necesita mucha memoria, lo que significa que no es una buena opción para aplicaciones en tiempo real.. Detección por Similitud: Este enfoque lleva acabo la búsqueda de un. S. . A. factor de similitud entre una región segmentada y un conjunto de imágenes. SI C. binarias que representan la forma de cada señal. El método asume que la. . C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. imagen muestra y la segmentada tienen las mismas dimensiones.. Detección Basada en Características Espaciales: La búsqueda de formas geométricas se lleva a cabo en base a las características espaciales de las señales dentro de la captura de una imagen. Una vez q se encuentras estas formas se crea una lista para luego ser pasadas a un clasificador.. Para la detección basada en formas se apoya en la teoría de la falta de un sistema estándar de color de las señales en los diferentes países. Otro argumento es el problema de los colores varían según las propiedades de reflectancia de la luz del día, hay situaciones en las que es difícil extraer información de color tales como el tiempo crepuscular, detección en la noche. Sin embargo se puede este enfoque se encuentra con los siguientes problemas: Pueden existir objetos similares a las señales de tránsito, tales como. TE. -. LI O. ventanas, cajas de correo y otros carros.. B. IB. -. -. Las señales de tránsito pueden aparecer dañados o tapados por otros objetos y pueden aparecer desorientados vertical u horizontalmente.. La distancia entre la cámara y la señal varían, el tamaño de la señal puede variar. Cuando la señal es muy pequeña, puede ser irreconocible.. -. El ángulo de visión no siempre es frontal, la relación de aspecto puede cambiar. La cámara en este caso toma una perspectiva de la imagen proyecta de la señal.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 14 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(27) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico. -. Trabajar con formas requiere la detección robusta de bordes y un algoritmo de coincidencia. Esto es difícil cuando la señal de tránsito parece relativamente pequeña en la imagen.. S. 1.3.3. Detección Basada en Color y Forma. A. En este enfoque la forma y el color se complementa para facilitar de la. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. positivos o falsos negativos de cada detección.. SI C. detección de una señal. Este tipo de combinación reduce el número de falsos. Este método puede adaptarse de acuerdo a la situación, cuando los colores están disponibles y sin ruido en las señales se usaría métodos de color caso contrario se usaría métodos de análisis de forma. Los sistemas que implementen este método pueden necesitar algún tipo de regla para controlar el método a utilizar de acuerdo al escenario.. 1.3.4. Técnicas de Procesamiento de Imágenes 1.3.4.1.Espacios de Color. La conversión de espacio de color se ha convertido en una parte integral del tratamiento de imágenes. Esta conversión es útil para tener mejores resultados en la umbralización y así obtener una mejor segmentación de. B. IB. LI O. TE. objetos dentro de una imagen.. Un espacio de color es un método por el cual podemos especificar, crear y visualizar un color. Como seres humanos, podemos definir un color por sus atributos de brillo, tono y color. Una computadora puede describir un color utilizando las cantidades de rojo, verde y azul (RGB). Una empresa de impresión puede producir un color específico en términos de reflectancia y la absorbencia de cian, magenta, amarillo y negro (CMYK).. Un color se puede especificar usando tres coordenadas, o parámetros. Estos parámetros describen la oposición del color en el espacio de color utilizado.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 15 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(28) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico. Los espacios de color usados en este sistema son: -. RGB (usado por computadoras).. -. YCbCr (usado en sistemas de video).. S.  RGB. A. En el espacio de color RGB cada color aparece en sus componentes. SI C. espectrales primarias: rojo, verde y azul. Este modelo está basado en el sistema de coordenadas cartesianas. El subespacio de color de. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. interés es el tetraedro mostrado en la Figura 1-1, en el cual los valores RGB están en tres vértices; cian, magenta y amarillo se sitúan en otros tres vértices, el negro corresponde al origen y el blanco se sitúa en el vértice más alejado del origen. En este modelo, la escala de grises ese extiende desde el negro al blanco a lo largo de la diagonal que une esos dos puntos, y los colores son puntos dentro del tetraedro definidos por los vectores desde el origen. Por conveniencia, se asume que todos los vectores han sido normalizados, de modo que el tetraedro de la figura es el tetraedro unitario, es decir, todos los valores de R, G y B están en el rango [0,1]. Las imágenes en este modelo se forman por la combinación en diferentes proporciones de cada uno de los colores primarios. B. IB. LI O. TE. RGB.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 16 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(29) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. Figura 1-1 Espacio de Color RGB. SI C. A. S. CAPÍTULO 1. Marco Teórico. Fuente [26]. Las imágenes del modelo de color RGB consisten en tres planos de imagen independientes, uno por cada color primario. Cuando llegan a un monitor RGB, estas tres imágenes se combinan en la pantalla fosforescente para producir una imagen en color compuesta. De forma alternativa, la mayoría de las cámaras de color empleadas para la adquisición de imágenes digitales utilizan el formato RGB, lo que por sí solo hace de éste un modelo importante en el. TE. procesamiento de imágenes.. B. IB. LI O.  YCbCr. Se trata de una codificación no lineal del espacio RGB. El parámetro Y indica la luminancia, los parámetros Cb y Cr indican el tono del color: Cb ubica el color en una escala entre el azul y el amarillo, Cr indica la ubicación del color entre el rojo y el verde.. El espacio de color YCbCr es una versión escalada y desplazada del espacio de color YUV. El parámetro Y representa la luminancia (es decir, información en blanco y negro), mientras que U y V representan la crominancia (es decir, información con respecto al. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 17 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(30) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico color). Cb (Cr respectivamente) es la diferencia entre la componente azul (rojo, respectivamente) y un valor de referencia.. La transformación de RGB a YCbCr puede ser ejecutada utilizando la siguiente ecuación donde R, G y B oscilan en el rango de [0, 1]. Y. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. SI C. A. S. en el de [16, 235], y Cb y Cr en el de [16, 240].. En la Figura 1-2 se muestra la distribución del espacio de color. Figura 1-2 Espacio de Color YCbCr Fuente [26]. B. IB. LI O. TE. YCbCr. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 18 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(31) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico. 1.3.4.2.. Umbralización La umbralización de imágenes es una de los métodos que abarca la segmentación de imágenes digitales. Las técnicas de umbralizacion. S. buscan obtener un valor de umbral que permita binarizar a la imagen. (foreground).. SI C. A. separando adecuadamente el fondo (background) y el objeto a separar. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. Muchas de las técnicas de umbralización están basadas en la información estadística que brinda el histograma, sobre todo en aquellas imágenes donde los objetos tienen una superficie o textura homogénea y el fondo es más o menos uniforme. El problema de la umbralización es encontrar el valor T (umbral) adecuado entre los valores de grises en imágenes que permita una óptima separación entre el objeto y el fondo.. Si el histograma de una imagen posee dos picos o lóbulos (Figura 1-3) podemos separar dos zonas o regiones y el umbral será aquel valor que se encuentra en el valle entre ambas. Este es un caso ideal, el histograma de intensidad de una imagen (niveles de gris) tendría bien marcado los dos picos para objeto y fondo, y diríamos que el umbral óptimo es aquel. B. IB. LI O. TE. valor T que separa ambas regiones.[25]. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 19 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(32) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. SI C. A. S. CAPÍTULO 1. Marco Teórico. Figura 1-3 Histograma Ideal Fuente [25]. Sin embargo, las imágenes siempre presentan ruido y, como consecuencia de esto, sus histogramas son difíciles de analizar (Figura 14), es decir presentan histogramas sin una marcada separación de regiones. El ruido se debe a que la imagen depende de otros factores. B. IB. LI O. TE. como la luz, iluminación etc.. Figura 1-4 Histograma que no es claramente bi-modal Fuente [25]. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 20 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(33) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico. 1.3.4.3. Operaciones Morfológicas en Imágenes Binarias La morfología matemática es una herramienta muy utilizada en el procesamiento de imágenes. Las operaciones morfológicas pueden simplificar los datos de una imagen, preservar las características esenciales y eliminar. S. aspectos irrelevantes. Teniendo en cuenta que la identificación y. A. descomposición de objetos, la extracción de rasgos, la localización de defectos. SI C. e incluso los defectos en líneas de ensamblaje están sumamente relacionados. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. con las formas, es obvio el papel de la morfología matemática.[26]. La morfología matemática se puede usar, entre otros, con los siguientes objetivos: -. Pre-procesamiento de imágenes (supresión de ruido, simplificación de formas).. -. Destacar la estructura de objetos (extraer el esqueleto, marcado de objetos, envolvente convexa, ampliación, reducción).. -. Descripción cualitativa de objetos (área, perímetro, diámetro, etc).. TE.  Dilatación y Erosión.. Estas operaciones son fundamentales en el procesamiento morfológico. De. LI O. hecho, la mayoría de los algoritmos morfológicos están basados en estas. B. IB. dos operaciones.. Elemento Estructural: Si bien los conjuntos A y B pueden ser considerados como una imagen (u objeto), generalmente se considera que A es la imagen y B es el elemento estructural. El elemento estructural es en morfología matemática lo que la máscara (o núcleo) de convolución es en los filtros lineales.. Los elementos estructurales más comunes son los conjuntos que están 4conectados, N4, y 8-conectados, N8, ilustrados en las siguiente Figura 1-5.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 21 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(34) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. Dilatación. A. Fuente [26]. SI C. Figura 1-5 Elementos estructurales. a) N4 , b)N8. S. CAPÍTULO 1. Marco Teórico. Sean A y B conjuntos en. . La dilatación de A por B, expresada por. A⊕B, se define como:. ⨁. * |(. ). +. Esta ecuación consiste en obtener la reflexión de B sobre su origen y trasladar esta reflexión por z. La dilatación de A por B es entonces el conjunto de todos los desplazamientos, z, tal que la reflexión de B y A se solapan por al menos un elemento.. TE. En general, la dilatación aumenta el tamaño de un objeto. La cantidad y la forma en que aumenta el tamaño depende de la elección del elemento. B. IB. LI O. estructural.. Una de las aplicaciones más simples de la dilatación es la unión de píxeles relacionados. La Figura a) muestra un texto cuyos caracteres han perdido píxeles debido a un filtrado. Se sabe que la longitud máxima de las rupturas es de dos píxeles. Si se dilata la imagen con un elemento estructurante de conectividad 4 (. ) como el que se muestra en la Figura 1-6 a se pueden. unir los caracteres partidos y obtener como resultado la Figura 1-6 b. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 22 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(35) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. SI C. A. S. CAPÍTULO 1. Marco Teórico. Figura 1-6 Ejemplo de Aplicar Filtro de Dilatación en una imagen Fuente [26]. Erosión. Sean A y B conjuntos en. . La erosión de A por B, que se expresa como. AΥB, se define como:. ⨁. * |. +. Esta ecuación indica que la erosión de A por B es el conjunto de todos los. LI O. TE. puntos z tales que B, trasladado por z, está contenido en A.. Generalmente, la erosión disminuye el tamaño de los objetos. Como pasaba. B. IB. en la dilatación, la cantidad y la forma en que se produce esta disminución depende del elemento estructural elegido.. Uno de los usos más simples de la erosión es para la eliminación de detalles irrelevantes (en términos de tamaño) de una imagen binaria. La Figura 1-7 a) muestra una imagen compuesta por cuadrados cuyos lados tienen 1, 3, 5, 9, y 15 píxeles. Supongamos que queremos eliminar todos los cuadrados excepto los más grandes. Esto los podemos hacer erosionando la imagen con un elemento estructural cuyo tamaño sea un poco menor que el de los. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 23 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.

(36) Biblioteca Digital - Dirección de Sistemas de Informática y Comunicación - UNT. CAPÍTULO 1. Marco Teórico cuadrados que deseamos conservar. Por ejemplo, si elegimos un elemento estructural de 13x13 podemos obtener la imagen de la Figura 1-7 b). Como se observa, sólo se han mantenido las porciones de los cuadrados más grandes. Luego, podemos restituir el tamaño de estos 3 cuadrados a su tamaño original de 15x15 dilatando la imagen erosionada (Figura 1-7 b). S. con el mismo elemento estructural utilizado para la erosión. El resultado. C Y A M DE A TE C I M EN Á C TI IA C S A S FÍ. SI C. A. puede verse en la Figura 1-7 c.. Figura 1-7 Ejemplo del filtro erosión con diferentes tamaño de kernel Fuente [26]. La dilatación y la erosión son operaciones duales con respecto a la. LI O. TE. complementación y a la reflexión. Esto es:. (. ⨁ ). ⨁.  Median Filter o Filtro de Mediana.. B. IB. El principal problema con las operaciones de cálculo de medias locales es que tienden cambiar bruscamente valores de intensidad de una imagen. Un enfoque alternativo es reemplazar cada valor de un pixel con la mediana de los valores grises de los vecinos más cercanos. Los filtros que usan esta técnica se denominan filtros de mediana.. Los filtros de mediana son muy eficaces en la eliminación pixel ruidosos dentro de una imagen, ya que no depende significativamente de los valores de los pixeles vecinos.. Esta obra ha sido publicada bajo la licencia Creative Commons Reconocimiento-No Comercial-Compartir bajola misma licencia 2.5 Perú. 24 Para ver una copia de dicha licencia, visite http://creativecommons.org/licences/by-nc-sa/2.5/pe/.