Técnicas computacionales aplicadas a la asistencia en la conducción de vehículos

(1)

Técnicas computacionales aplicadas a

la asistencia en la conducción de

vehículos

Verónica Natacha Espada

Lucía Vanesa Araya

Mg. Lucas Leiva

Mg. Marcelo Tosini

Director Co-director

Facultad de Ciencias Exactas Departamento de Computación y Sistemas

(2)

Índice general

Agradecimientos ... 6

Resumen ... 7

Capítulo 1. Introducción ... 8

1.1 Motivación ... 8

1.2 Propuesta y Objetivo ... 13

1.3 Organización ... 13

Capítulo 2. Sistemas de asistencia a conductores ... 15

2.1 Sistemas I2DASW ... 15

2.1.1 Mantenimiento de carril ... 20

2.1.2 Control de crucero adaptativo (ACC) ... 20

2.1.3 Detección de obstáculos ... 21

2.1.4 Realidad aumentada ... 21

2.2 Sistemas comerciales de asistencia en vehículos de alta gama ... 23

2.2.1 Ford ... 23

2.2.2 Mercedes Benz “Distronic” ... 24

2.2.3 Citroen “LDWS”... 24

2.2.4 Honda “HIDS” ... 25

2.2.5 Toyota Lexus “AODS” ... 26

2.2.6 Nissan “ICC” ... 26

2.2.7 Volkswagen “ACC” ... 27

2.2.8 BMW “ACC” ... 27

2.3 Conclusiones ... 28

Capítulo 3. Procesamiento de imágenes en Sistemas I2DASW ... 29

3.1 Detección de carriles ... 30

3.2 Identificación de obstáculos... 33

Capítulo 4. Desarrollo ... 37

4.1.1 Realce de bordes ... 40

4.1.2 Detección de carriles potenciales ... 42

4.1.3 Post procesamiento ... 43

4.1.4 Reconocimiento de líneas de carril ... 45

4.2 Detección de obstáculos ... 46

(3)

Índice General

4.3.1 Análisis de los Requisitos ... 51

4.3.2 Vista General del Sistema ... 51

4.3.3 Arquitectura ... 52

4.3.4 Diseño Detallado... 54

4.3.5 Tecnologías aplicadas ... 74

Capítulo 5. Resultados ... 76

5.2 Detección de obstáculos ... 80

5.3 Comportamiento del sistema de asistencia (framework) ... 83

5.3.1 Análisis de “Vía Libre” ... 83

5.3.2 Análisis de “No sobrepasar” ... 84

5.3.3 Análisis de Obstáculos ... 86

5.4 Evaluación de la performance ... 86

Capítulo 6. Conclusión general y Trabajos Futuros ... 95

6.2 Limitaciones ... 97

6.3 Trabajos Futuros ... 98

(4)

Índice de figuras

Figura 1.1.1: Comparativo del número de muertos anual en la Argentina en accidentes de

tránsito ... 8

Figura 1.1.2: Muertes por accidentes de tránsito en Argentina en 2015. ... 9

Figura 1.1.3: Muertes por accidentes de tránsito en diferentes países. ... 10

Figura 1.1.4: Accidentes según Zona. ... 10

Figura 1.1.5: Accidentes relevados por tipo de Camino. ... 11

Figura 1.1.6: Accidentes según luminosidad. ... 11

Figura 1.1.7: Accidentes según condición atmosférica. ... 11

Figura 1.1.8: Accidentes según fallas humanas. ... 12

Figura 2.1.1: Arquitectura de un sistema de asistencia al conductor y de advertencia de seguridad………..16

Figura 2.1.2: Framework para computadoras multifunción "activas" basado en sistemas de captura de contexto dinámico ... 17

Figura 2.1.3: Framework interactivo de análisis de la situación de la carretera. ... 18

Figura 2.1.4: Tecnologías utilizadas por los sistemas de asistencia al conductor. ... 19

Figura 2.1.5: Asistencia en mantenimiento de carril... 20

Figura 2.1.6: Control de crucero adaptativo de Bosch. ... 21

Figura 2.1.7: Parabrisas inteligente. ... 22

Figura 2.1.8: Sistema de conducción aumentada. ... 22

Figura 2.1.9: Sistema de alerta de colisión iOnRoad. ... 23

Figura 2.2.1: Sistema de mantenimiento de carril de Ford………..24

Figura 2.2.2: Distronic radar. Mercedes Benz “Distronic”. ... 24

Figura 2.2.3: Sistema de alerta de cambio de carril. Citroen ………...………..25

Figura 2.2.4 - A: Honda (HiDS) patrón de control.. ... 25

Figura 2.2.4 - B: Honda (HiDS)condiciones operacionales.………..…...26

Figura 2.2.5: Nissan (ICC). ... 26

Figura 2.2.6 - A: BMW (ACC)………...27

Figura 2.2.6 - B: Radar de Bosch utilizado por BMW (ACC). ... 27

Figura 3.2.1: Método basado en la extracción de características. ... 34

Figura 3.2.2: Tasa de aciertos y fallos para las diferentes técnicas de detección de obstáculos ... 35

Figura 4.1: Sistemas de detección de carriles y obstáculos. ... 38

Figura 4.1.1: Aplicación de diferentes tipos de líneas. ... 39

Figura 4.1.2: Filtro deRoberts. ... 41

Figura 4.1.3: (a) Filtro de Sobel. (b) Filtro de Prewitt.. ... 42

Figura 4.1.4: Resultado de aplicar el algoritmo de Hough. ... 44

Figura 4.1.5: Detección de las líneas izquierda (a) y derecha (b). ... 44

Figura 4.1.6: Detección de la línea central a partir del punto de fuga. ... 45

Figura 4.1.7: Reconocedor de líneas de carril. ... 46

Figura 4.2.1 - A: Umbralado. ... 46

Figura 4.2.1 - B: Umbralado. ... 47

Figura 4.2.2: SURF. Aproximación de las derivadas parciales de segundo orden. ... 48

Figura 4.2.3: Regiones obtenidas tras aplicar SURF. ... 48

Figura 4.2.4: Determinación del carril de conducción. ... 49

Figura 4.2.5: Área de interés para la detección de obstáculos. ... 49

(5)

Figura 4.3.1: Diagrama general del framework. ... 52

Figura 4.3.2: Diagrama de capas. ... 54

Figura 4.3.3: Diagrama de Capas - Capa de Captura de Datos. ... 55

Figura 4.3.4: Jerarquía de clases de Sensores. ... 55

Figura 4.3.5: Diagrama de Capas -Capa de Reconocimiento de Datos. ... 56

Figura 4.3.6: Clase Data y su jerarquía. Clase DataCollector. Interfaz Visitor. ... 57

Figura 4.3.7: Diagrama de Capas - Capa de Procesamiento de Datos. ... 58

Figura 4.3.8-A: Clase RecognizerAF extendida. ... 59

Figura 4.3.8-B: Clases Reconocedores, genéricas e implementaciones. ... 60

Figura 4.3.9: Jerarquía de clases de Información. ... 61

Figura 4.3.10: Ejemplo de patrón Factory. ... 62

Figura 4.3.11: Clases para el manejo de las Líneas. ... 62

Figura 4.3.12: Clase de la Base de Datos. ... 63

Figura 4.3.13: Capa de Acción. ... 64

Figura 4.3.14 - A: Clases del Motor de Decisiones y manejo de Condiciones. ... 65

Figura 4.3.14 - B: Clases para el manejo de acciones. ... 68

Figura 4.3.15: Clase Action Argument. ... 70

Figura 4.3.16: Capa de Presentación. ... 70

Figura 4.3.17: Pantalla de Configuración. ... 71

Figura 4.3.18 - A: Acceso para cambio de Velocidad. ... 71

Figura 4.3.18 - B: Ingreso de Velocidad. ... 72

Figura 4.3.19: Clase de Datos Históricos... 72

Figura 4.3.20: Clase de Propiedades. ... 73

Figura 4.3.21: Pantalla general del framework. ... 74

Figura 5.1.1: Detección de carriles. Resultados obtenidos del banco de imágenes. ... 78

Figura 5.1.2: Detección de carriles. Resultados obtenidos de casos patológicos. ... 79

Figura 5.1.3: Detección de carriles. Resultados erróneos obtenidos de imágenes patológicas. ... 80

Figura 5.2.1: Detección de obstáculos. Resultados obtenidos del banco de imágenes. ... 81

Figura 5.2.2: Detección de obstáculos. Resultados obtenidos de casos patológicos. ... 82

Figura 5.2.3: Detección de obstáculos. Resultados erróneos obtenidos de imágenes patológicas ... 83

Figura 5.3.1: Imagen de “Vía libre” sin obstáculos en la banquina. ... 84

Figura 5.3.2: Imagen de “Vía libre” con obstáculos en la banquina. ... 84

Figura 5.3.3: Imágen de “No sobrepasar” sin obstáculos. ... 85

Figura 5.3.4: Imágen de “No sobrepasar” con obstáculos paralelos. ... 85

Figura 5.3.5: Imagen con Obstáculo al frente. ... 86

Figura 5.4.1: Principales casos de error en la detección de obstáculos. ... 88

Figura 5.4.2: Resultados obtenidos sobre un video extraído del banco de imágenes. ... 89

(6)

Índice de Figuras

Índice de tablas

Tabla 3.1.1: Comparación de varias técnicas de detección y seguimiento de carril. ... 32

Tabla 3.2.1: Comparación de varias técnicas de detección y seguimiento de obstáculos. ... 35

Tabla 4.3.1. Análisis de ventajas y desventajas de la arquitectura. ... 53

Tabla 4.3.2 Tabla Condition. ... 66

Tabla 4.3.3 Tabla Action. ... 67

Tabla 4.3.4 Tabla Action_Argument. ... 69

(7)

Agradecimientos

Quiero agradecer por el apoyo incondicional, principalmente de mi familia y amigos que estuvieron presentes a lo largo de todos estos años de estudio. A nuestro director y co-director, quienes nos han guiado con paciencia y han mostrado por demás interés durante el desarrollo de esta tesis y también han sido de ayuda durante mis últimos años de la carrera. A todos ellos, y también a la Universidad, muchas gracias por hacer esto posible.

Verónica Natacha Espada

Quiero agradecer a Alejandro mi compañero incondicional, que sin él nada de esto sería posible. A mi familia pero principalmente a mi mamá, a mi hermana y a mi papá, que me impulsaron a estudiar, se movieron conmigo para que pueda empezar esta carrera y llegar a ser alguien en esta vida, levantándome el ánimo siempre. A mi amigo Luis que me acompañó desde el ingreso y estuvo siempre que lo necesité, tanto en lo personal como en el estudio. A mis amigas/os por los momentos compartidos a lo largo de esta etapa. A nuestro director Lucas y co-director Marcelo por la paciencia, las recomendaciones, las correcciones, los consejos y el apoyo. Es una gran alegría para mí poder recibirme, y quiero dedicárselo a mi abuelo Sergio.

(8)

Resumen

El trabajo presenta el proceso de búsqueda de información, detección, análisis y desarrollo de un sistema que ofrece asistencia en la conducción de vehículos. Es un aplicativo que funciona mediante una simulación pero que puede ser llevado a otros dispositivos como los móviles.

En este informe se detalla desde la detección de la problemática, motivación y objetivos que se desean obtener, teniendo en cuenta el análisis realizado sobre las diferentes investigaciones y aplicaciones existentes sobre sistemas de asistencia a conductores en general y en particular al tópico a desarrollar. Posteriormente, se explica la propuesta presentada paso a paso, describiendo una solución al objetivo presentado. Seguido de esto, se presentan las tecnologías y sistemas de asistencia en vehículos que existen en el mercado. Y luego los diferentes algoritmos y técnicas utilizadas que dan soporte a la aplicación, principalmente para el procesamiento de imágenes. Continuando con el informe se especificará el desarrollo de este sistema, centrándose en la detección de carriles, de obstáculos y en el framework implementado. Finalmente se mostrarán una serie de resultados, en los cuales se intenta graficar detalladamente el trabajo realizado pudiendo visualizar, mediante imágenes y estadísticas, los posibles casos más significativos en la conducción de un vehículo. Las pruebas se realizaron con vídeos y bancos de imágenes de rutas y calles proporcionados por una página de internet, como así también con imágenes y videos tomados desde un celular en rutas Argentinas.

En la investigación realizada, se pueden encontrar diferentes sistemas que se orientan al sector de la asistencia en la conducción vehicular, ya sea directa o indirectamente. Éstas, utilizan diferentes técnicas y algoritmos que permitieron analizar y tomar parte de sus ideas, en la aplicación realizada en este trabajo.

Con respecto a la lógica de la aplicación se dividió en tres etapas, la detección de carriles, la detección de obstáculos y el desarrollo del framework. Debido al tipo de sistema propuesto, se utilizaron distintas técnicas para los diferentes pasos y algoritmos realizados.

Al detallar la arquitectura propuesta, se profundizará sobre los motivos de la elección, explicando cómo funciona, sus características, ventajas y desventajas, y las tecnologías utilizadas para implementarlos. Todo el análisis previo, otros sistemas similares, sus pruebas, etc., fueron muy útiles para determinar cómo implementar la aplicación.

(9)

Capítulo 1. Introducción

1.1 Motivación

Actualmente, la cantidad anual de automóviles producidos ha crecido de manera considerable. Esto es comprobado por datos de la Asociación de Fábricas de Automotores, y se ve reflejado en el número de accidentes ocurridos, tanto de riesgo como fatales, debido al alto incremento en el tráfico vehicular.

Según estudios sobre la producción de vehículos Argentina ocupa el puesto 38 de países por vehículos per cápita. Existen en el país 268 vehículos de motor por cada 1000 habitantes [1]. Argentina supera a Uruguay, que se encuentra en el puesto 54 con 174 vehículos cada mil, y a México y Brasil, en el puesto 63 con 133 vehículos cada mil. Además, ocupa el puesto 20 de los países con mayor producción de vehículos de motor [2].

Existen innumerables estadísticas donde se puede ver reflejado como han aumentado los accidentes de tránsito, siendo Argentina el país con la mayor tasa de muertes ocasionadas por accidentes de tránsito en Sudamérica.

En Argentina mueren aproximadamente 5.000 personas, con un índice de 12,6 víctimas fatales por cada 100 mil habitantes. La OMS (Organización Mundial de la Salud) reconoció que en los últimos tres años hubo un descenso en la cantidad de muertes en el tránsito, pero los valores de la Argentina siguen lejos de los alcanzados por los países centrales [3].

Unas 21 personas pierden la vida diariamente en accidentes de tránsito en Argentina. Esta es la principal causa de muerte en menores de 35 años y la tercera sobre la totalidad de la población. Más de 7.000 muertes y más de 120.000 heridos de distinto grado son registrados anualmente, además de importantes pérdidas materiales estimadas en unos 30.000 millones de pesos anuales. Las cifras son elevadas comparadas con otros países, llegando a tener entre 8 y 10 veces más víctimas fatales que en la mayoría de los países desarrollados, con relación al número de vehículos que circulan [4].

(10)

Introducción

En la siguiente imagen (Figura 1.1.2) puede verse detalladamente la cantidad de víctimas fatales en cada provincia de la Argentina transcurridas en el año 2015, como así también el total, notando una disminución con respecto al año 2014.

Figura 1.1.2: Muertes por accidentes de tránsito en Argentina en 2015 [6].

(11)

Introducción

Figura 1.1.3: Muertes por accidentes de tránsito en diferentes países [7].

En este punto, puede ser interesante el análisis de las condiciones y principales causas de accidentes en nuestro país. Analizando los índices de porcentajes de accidentes en zonas rurales y urbanas, se observa que el segundo grupo posee una tasa superior a la primera, pero no en mayor medida (Figura 1.1.4)

Figura 1.1.4: Accidentes según Zona [8].

(12)

Introducción

Figura 1.1.5: Accidentes relevados por tipo de Camino [9].

Por otra parte, las figura 1.1.5 y la figura 1.1.6, presentan las estadísticas de los accidentes teniendo en cuenta las condiciones ambientales y de iluminación.

Figura 1.1.6: Accidentes según luminosidad [9].

(13)

Introducción

Analizando los índices de causalidad de accidentes en Argentina, se observa que la invasión de carriles es la principal, como puede verse en el siguiente gráfico de barras (Figura 1.1.8) con una importante diferencia sobre las demás.

Figura 1.1.8: Accidentes según fallas humanas [9].

En resumen, se encontró que los principales índices de accidentes se observan en las zonas urbanas (Figura 1.1.4), en rutas nacionales (Figura 1.1.5), en pleno día (Figura 1.1.6) y con buen clima (Figura 1.1.7). Además la causa principal de los accidentes viene dada por invasiones de carriles, siendo en rutas nacionales, autopistas y avenidas, donde suelen estar mejor delimitados los carriles.

Una posible solución al problema es a través de la incorporación de sistemas de asistencia a conductores. Estos sistemas son capaces de aumentar la calidad de conducción y proveer información de interés relacionada al vehículo, la carretera y el entorno. Además alertan de forma pasiva situaciones riesgosas, logrando disminuir la probabilidad de accidentes, y pueden llegar a actuar de manera activa sobre el control del vehículo en escenarios de alto riesgo. Algunas situaciones peligrosas son causadas por distracciones, y las más comunes son: uso del teléfono celular o dispositivos electrónicos, GPS, bebidas, cambio de estación de la radio, carteles y otros eventos anormales. A estas situaciones se les suma el cansancio, los microsueños, y las largas y monótonas rutas, tan comunes en Argentina. El uso de este tipo de sistemas provee al conductor más tiempo para actuar, evitando que tales casos de riesgo se conviertan en emergencias (estar preparado, reduce el peligro).

(14)

Introducción

[14] [17], obstáculos móviles o estáticos [15] [16] [17], señales de tránsito [17], y mejora de la visibilidad [18], entre otras.

Los sistemas I2DASW [10] combinan sensores de imagen, LIDAR (Laser Imaging Detection and Ranging) y radar, y pueden utilizarse en sistemas de control automático de distancia y velocidad ACC (Adaptive Cruise Control) y de mantenimiento de carril. Estos sistemas integran el estudio del comportamiento del conductor y la dinámica del vehículo en un framework de análisis de amenazas para diversas situaciones de seguridad vial. De esta manera, los sistemas I2DASW logran reducir la tasa de accidentes, actuando en situaciones de riesgo a partir de la información entregada por los sensores.

1.2 Propuesta y Objetivo

El objetivo de este trabajo es diseñar y desarrollar técnicas de computación en un sistema de asistencia al conductor, mejorando la calidad de conducción de vehículos. Para abarcar el mayor sector mencionado anteriormente en donde se producen más accidentes se analizarán e implementarán las técnicas de detección de carriles y obstáculos móviles o estáticos, determinando si estos se ubican en el mismo carril de conducción, o en su defecto en los lados adyacentes. La complejidad de las técnicas será de costo computacional acotado para permitir su ejecución en tiempo real.

Adicionalmente, se propone el desarrollo de un framework inicial I2DASW (Interactive Intelligent Driver-Assistance and Safety Warning) el cual permitirá determinar situaciones de riesgo mediante un grupo de sensores (en este caso, sensor de detección de carriles y sensor de detección de obstáculos) que alimentarán el framework brindándole información de la condición actual del vehículo y del camino. La información entregada por los sensores permite el modelado del ambiente, sobre el cual se aplicarán técnicas para la detección de riesgos, establecidas como un conjunto de reglas que deben ser analizadas individualmente. Cuando una situación peligrosa es detectada se debe analizar el grado de severidad de la misma y brindar un alerta. Las alertas son enviadas de forma pasiva al conductor a través de la interfaz de usuario.

El framework será escalable, por lo cual permitirá incorporar información de nuevos sensores, actuadores, así como también la incorporación de nuevas reglas. Asimismo poseerá atributos de modificabilidad que permita la evolución del sistema con el mínimo impacto, e interoperabilidad con otros sistemas (por ejemplo: sistema de navegación GIS).

1.3 Organización

En el capítulo 2 de este trabajo se muestra un estudio del arte, otros trabajos similares realizados en esta línea de investigación, comentando características de los sistemas de asistencia a conductores, arquitecturas (sistemas que integran: GPS, información visual, etc.) que servirá para enmarcarla dentro del campo tecnológico en la actualidad.

El capítulo 3 brinda una introducción al procesamiento de imágenes, al problema de reconocimiento de carriles y a la identificación de obstáculos. Se busca una clasificación de problemas, un análisis de frames y de video y técnicas de identificación de carriles y obstáculos.

(15)

Introducción

El capítulo 5 muestra resultados de toda la implementación, una evaluación de las técnicas utilizadas para la detección de carriles y obstáculos. Se analizan diferentes casos y se habla de tiempos de respuesta. En cuanto al framework se evalúa en diferentes situaciones a partir de los resultados obtenidos de la detección de carriles y obstáculos.

En el capítulo 6 se habla de las conclusiones, limitaciones y posibles trabajos futuros a partir de todo lo realizado en esta tesis.

(16)

Capítulo 2. Sistemas de asistencia a conductores

Los sistemas de asistencia a conductores son una moda actual en vehículos de alta gama. Por lo general, cuanto mayor es la gama del coche, mayor es la demanda de este tipo de sistemas. Numerosos fabricantes están invirtiendo en perfeccionar y desarrollar nuevos sistemas de ayuda al conductor (SAC), para mejorar la experiencia del conductor y brindarle mayor seguridad.

Estos sistemas ofrecen una mayor seguridad al conductor, permitiendo una conducción más automática, con el objetivo de evitar o reducir la gravedad de los accidentes en caso de una colisión, y reducir los impactos generados por la falta de atención del conductor.

2.1 Sistemas I2DASW

Muchos sistemas I2DASW (Interactive Intelligent Driver-Assistance and Safety Warning) proponen el desarrollo de un framework y algoritmos para el análisis de la carretera, basados en el comportamiento de los conductores, donde la situación de seguridad es analizada mediante la simulación de comportamientos de conducción reales. También proponen algoritmos de seguimiento y detección obstáculos que utilizan múltiples sensores incluyendo radar, LIDAR (Laser Imaging Detection and Ranging), y una cámara; que proporcionan información acerca de los controladores, entorno de tráfico y vehículos. Con el fin de reducir el efecto de la forma de obstáculos y la apariencia, agrupan los datos LIDAR y luego clasifican los obstáculos en dos categorías: los estáticos y en movimiento. Las posibles colisiones futuras son evaluadas utilizando filtro de Kalman extendido, mostrando resultados experimentales con enfoques eficiente para la evaluación y la predicción de las situaciones de la carretera. Los sistemas I2DASW tienen tres funciones principales:

● Proveer información en tiempo real sobre el vehículo, el conductor y el entorno del tráfico para una conducción mejor y más segura.

● Instrucciones de seguridad y sistemas de asistencia. El sistema avisa al conductor de forma proactiva acerca de las posibles situaciones de riesgo en función de la posición actual del vehículo, la orientación, la velocidad y la situación vial; por otra parte, se pueden tomar medidas para controlar al conductor cuando su vehículo se encuentra en una situación peligrosa. Los sistemas de alerta de seguridad vigilan la situación de conducción y ofrecen información, por ejemplo, el aviso de una posible colisión, de un cambio carril, etc. Los sistemas de asistencia utilizan la advertencia para generar la trayectoria esperada y controlar el vehículo directamente. Los sistemas típicos Forward Collision Avoidance Assistance Systems, ACC systems, Low-Speed Following Systems, Stop & Go systems, etc.

● El sistema puede proteger a los conductores y los pasajeros del impacto entre los humanos y carrocerías de vehículos, por ejemplo, utilizando sistemas de airbag inteligentes.

(17)

Capítulo 2. Sistemas de asistencia a conductores

decisiones para la detección de situaciones de riesgo y recomendar las acciones para los conductores. La capa de interfaz humana consiste en APIs y los controladores de dispositivos específicos para los diferentes tipos de pantallas de advertencia.

Figura 2.1.1: Arquitectura de un sistema de asistencia al conductor y de advertencia de seguridad [19].

(18)

Figura 2.1.2: Framework para computadoras multifunción "activas" basado en sistemas de captura de contexto dinámico [21].

(19)

Figura 2.1.3: Framework interactivo de análisis de la situación de la carretera [20].

En los tres ejemplos seleccionados se observa una intersección bien definida en cuanto a la estructuras de estos sistemas, los cuales incorporan un conjunto de sensores, un modelo de análisis de datos y toma de decisiones, y un módulo de resultados, los cuales pueden intervenir directamente sobre el vehículo o brindar información al conductor.

El análisis de datos y la toma de decisiones implican que sea interactivo e inteligente, ofreciendo la asistencia al conductor y la seguridad con advertencias. Para esto requiere la estimación y predicción de la posición y el tamaño de los diversos obstáculos en la carretera, como también la detección de carriles. El procesamiento en tiempo real, dada la información incompleta e incierta, es un desafío para las tecnologías actuales de detección de objetos y de seguimiento.

Las tecnologías de automóviles actuales implementan sistemas I2DASW, tales como las de Bosch [22]. Están basadas en sensores de entorno, tales como radares, ultrasonidos, cámaras de vídeo, entre otras tecnologías como las V2V que facilitan la comunicación inalámbrica entre vehículos. Estas tecnologías (Figura 2.1.4) tienen como objetivo interpretar las inmediaciones del vehículo y asistir al conductor en distintas situaciones para hacer la conducción más cómoda y más automática, por medio del reconocimiento de señales de tránsito, ayuda avanzada de aparcamiento, regulación inteligente de velocidad, más conocido como control de crucero adaptativo (ACC), asistentes de visión nocturna, detector de fatiga del conductor, aviso de mantenimiento de carril, ayuda de arranque, entre otras facilidades que logran mejorar la comodidad y principalmente la seguridad a la hora de viajar.

(20)

Figura 2.1.4: Tecnologías utilizadas por los sistemas de asistencia al conductor.

Los sensores electromagnéticos o radar, por medio de la emisión de ondas, permiten medir la distancia, la velocidad relativa y la posición lateral de los vehículos que se encuentran adelante. Estos pueden clasificarse según el tipo de alcance. Aquellos de largo alcance se montan en la parte frontal del vehículo y su alcance llega a superar los 100 metros de visión. Estos son utilizados principalmente en el control de crucero adaptativo (ACC), detectores de colisión y asistente de frenos. Por último, los radares de media y corta distancia son situados en distintas partes del vehículo, según su función.

Por otro lado, los sensores de ultrasonido, conocidos como sensores de posición, permiten calcular distancias a ciertos obstáculos y por lo general se integran en los paragolpes, al igual de las cámaras, facilitando al conductor en maniobras de estacionamiento.

Por último, los sensores de visión, situados en varias partes del vehículo, permiten detectar los carriles y las señales de tránsito, como también asistir al conductor al momento de estacionar el vehículo. El uso de estas cámaras permiten adquirir información de manera no invasiva, ya que no interfieren uno del otro en caso de múltiples vehículos atravesando el mismo área. Tienen un rol fundamental que consiste en la localización de líneas, señales de tránsito y detección de obstáculos. A comparación de otros sensores, la información visual obtenida es de una alta resolución espacial y temporal.

(21)

2.1.1 Mantenimiento de carril

Este tipo de sistemas utilizan sensores infrarrojos o de radar situados en la parte inferior del paragolpes delantero o cámaras instaladas detrás del parabrisas, junto al espejo retrovisor.

Existen dos tipos de sistemas cuyo objetivo es garantizar el mantenimiento del carril. Por un lado, el sistema de advertencia de cambio de carril (Lane departure warning “LDW”), registra y detecta continuamente las marcas viales del carril de circulación y alerta por medio de una señal sonora al conductor en caso de detectar un cambio imprevisto de carril, y permitiendo que el mismo tome la acción que considere correspondiente.

Por otro lado, existe un sistema capaz de tomar acciones correctivas en caso de que el conductor no responda ante la alerta emitida. Estos sistemas son llamados Lane-Keeping Assist (LKA) (Figura 2.1.5). Las acciones correctivas van desde aplicar una presión de frenado sobre las ruedas apropiadas, hasta el acceso a controles de dirección asistida, proporcionando una corrección más suave.

Figura 2.1.5: Asistencia en mantenimiento de carril.

2.1.2 Control de crucero adaptativo (ACC)

El sistema ACC permite reducir la presión sobre el conductor ayudándole a mantener una distancia mínima predefinida con el vehículo que le precede. El sistema ACC mantiene la velocidad que el conductor establece y puede adaptarla a las condiciones del tráfico, acelerando o frenando automáticamente.

Con la información que genera el sensor de radar, el sistema ACC registra la situación presente delante del vehículo. Si el conductor se aproxima al vehículo de delante, el sistema ACC frena ligeramente para garantizar que se mantenga la distancia mínima. Una vez que el carril vuelve a estar despejado, el sistema ACC vuelve a acelerar hasta llegar a la velocidad seleccionada anteriormente por el conductor.

(22)

Figura 2.1.6: Control de crucero adaptativo de Bosch.

2.1.3 Detección de obstáculos

Estos sistemas permiten evitar o reducir la severidad de un accidente al detectar un obstáculo que se encuentra muy próximo. Generalmente se integran con sistemas ACC y utilizan el mismo tipo de sensores, como sensores de radar y cámaras.

Una vez detectado el obstáculo a una cierta distancia, el sistema es capaz de detectar una inminente colisión y ejecutar ciertas acciones correctivas, cómo aplicar automáticamente los frenos o cambiar la dirección del vehículo.

2.1.4 Realidad aumentada

Los parabrisas de realidad aumentada son parte de la búsqueda de las automotrices por fabricar los vehículos más seguros. Esta clase de parabrisas tendrán gráficos simples que les permitan a los conductores ver representaciones digitales de su entorno, como bordes de un camino o animales difíciles de ver, así cómo llamar la atención sobre conductores erráticos. La tecnología combina sensores en la parte externa del vehículo con sensores internos que monitorean los ojos del conductor. Un parabrisas de realidad aumentada puede percibir, por ejemplo, que un chofer no ha visto un vehículo que aparece en su carril o que debe reducir pronto la velocidad debido al tráfico. El parabrisas indica al conductor sobre esta situación, tornándose rojo o resaltando el peligro potencial para que el conductor tome una determinada acción al respecto, como aplicar los frenos.

(23)

Figura 2.1.7: Parabrisas inteligente.

Existen también sistemas de conducción aumentada, que por medio del uso de una cámara de un teléfono celular, logran detectar los carriles y vehículos en la escena, los cuales son representados en capas sobre la pantalla del teléfono. Estos sistemas ofrecen una solución de menor costo con respecto a las soluciones mencionadas anteriormente. Su principal ventaja es que la plataforma de implementación un recurso de uso común. Estos sistemas logran detectar la velocidad a la que mueve el vehículo, identificar obstáculos y realizar mediciones de distancia a otros vehículos, alertando al conductor en situaciones de riesgo. Para esto, el sistema toma imágenes de la escena en intervalos de 10, 5 o 2 segundos, según la complejidad de la escena. Están diseñados para trabajar bajo buenas condiciones de luz, y necesita de una buena definición de las líneas para los detectar los carriles. Por tal motivo, en muchas condiciones estos sistemas no logran ser de gran utilidad. Algunos ejemplos de estos sistemas comerciales de conducción aumentada son Augmented Driving 3.0 para iPhone (Figura 2.1.8) e iOnRoad Collision Warning para iPhone y Android (Figura 2.1.9).

(24)

Figura 2.1.9: Sistema de alerta de colisión iOnRoad [25].

2.2 Sistemas comerciales de asistencia en vehículos de alta gama

Actualmente, existen en el mercado sistemas implementados sobre vehículos de alta gama, desarrollados por empresas tales como Audi [26], Ford [27], Mercedes Benz [28], Citroen [29], Honda [30], Toyota [31], Nissan [32], Volkswagen [33] y BMW [34]. Estos sistemas han logrado brindar a través del uso de cámaras y todo tipo de sensores, soporte para la detección de vehículos cercanos o cambios de carril, y llevar a cabo acciones tales como la reducción de velocidad. Por otro lado, son capaces de proveer al conductor de otras funciones de gran utilidad, como es el caso de Citroen LDWS, el cual cuenta con un control de tracción inteligente, pantalla de visualización frontal transparente, encendido automático de luces, detección de neumáticos poco inflados, entre otras facilidades.

2.2.1 Ford

El Nuevo Mondeo posee un Sistema de Mantenimiento de Carril (Figura 2.2.1) detecta las líneas marcadas en la ruta y ayuda al conductor a mantenerse en el centro del carril.Utiliza una cámara frontal para monitorear la posición del vehículo y advertir cuando este tiende a desviarse involuntariamente. El sistema puede ser configurado en 3 estados:

 Alerta. Ante un cambio de carril sin activación de la luz de giro, el sistema alerta al conductor mediante una vibración en el volante y una señal luminosa en el panel de instrumentos.

 Asistencia. El sistema automáticamente provee asistencia en la dirección para volver el vehículo a su curso normal.

(25)

Figura 2.2.1: Sistema de mantenimiento de carril de Ford [35].

2.2.2 Mercedes Benz “Distronic”

Distronic (Figura 2.2.2) consiste en un control de Crucero Adaptativo (ACC), el cual permite regular la aceleración y el frenado, logrando así mantener una distancia acorde, respecto al vehículo enfrente. Mercedes-Benz fue uno de los primeros en incorporar este sistema capaz de obtener la distancia del vehículo a los obstáculos delante del mismo, a través de un sensor de radar ubicado en la parte delantera del vehículo (más exactamente ubicado sobre la insignia del mismo),

Modelos desarrollados a partir del año 2006 permiten aplicar un frenado de emergencia o emitir una alerta sonora, en caso de detectar un vehículo muy cercano en condiciones extremas como cansancio o mala visibilidad.

Figura 2.2.2: Distronic radar. Mercedes Benz “Distronic”.

2.2.3 Citroen “LDWS”

(26)

debajo del paragolpes, los cuales permiten detectar cuando el vehículo se encuentra posicionado sobre la línea. Una vez detectada esta acción, se procesa la información y se emite una advertencia por medio de una vibración en la parte inferior del asiento, logrando alertar automáticamente al conductor.

Figura 2.2.3: Sistema de alerta de cambio de carril. Citroen.

2.2.4 Honda “HIDS”

Honda HIDS (Honda Intelligent Driver Support), al igual que el sistema Distronic de Mercedes-Benz, utiliza un sensor de radar que le permite detectar la posición de los objetos situados al frente y la velocidad entre el vehículo y uno situado enfrente (Figura 2.2.4). Por otro lado, cuenta con una cámara ubicada cerca del espejo retrovisor, que permite identificar el carril de conducción. Esta cámara toma imágenes correspondientes a la superficie del camino y las marcas, y es capaz de detectar cuando el vehículo se desvía de su carril (Figura 2.2.5), disparando una alerta. Por último, este sistema también permite tomar ciertas acciones como ajustar el cinturón de seguridad ante una supuesta colisión.

(27)

Figura 2.2.4 - B: Honda (HiDS)condiciones operacionales.

2.2.5 Toyota Lexus “AODS”

Toyota AODS (Advanced Obstacle Detection System), consiste en un sensor de radar para la detección de vehículos, similar a Distronic de Mercedes-Benz, y una cámara estéreo ubicada debajo del espejo retrovisor. Estos sistemas funcionan tanto de día como de noche, pero tienen la desventaja de no lograr detectar ciertos obstáculos, como animales o peatones. Sí permite obtener la distancia a éstos objetos. En caso de detectar una posible colisión, se emite una alerta sonora al conductor. Al igual que en Honda HiDS, en caso de colisión inevitable, ajusta el cinturón de seguridad y frena el vehículo.

2.2.6 Nissan “ICC”

Nissan ICC (Intelligent Cruice Control), a comparación del resto de los sistemas basados en el uso de radares, utiliza un sistema de sensor infrarrojo, logrando así detectar otro tipo de obstáculos como animales y peatones sin necesidad de incorporar cámaras para ésto. El sensor permite controlar la distancia a vehículos ubicados enfrente (Figura 2.2.5), y también reducir la velocidad del vehículo ante ciertos eventos, tales como detectar una señal de “stop” o una curva. Tiene una desventaja, y es que no logra funcionar con exactitud en condiciones extremas, tales como neblina o lluvia.

(28)

2.2.7 Volkswagen “ACC”

Volkswagen ACC cuenta con un sensor de radar basado en MMIC (Monolithic Microwave Integrated Circuit), el cual permite obtener la posición y la velocidad relativa de varios vehículos al frente a la vez. Estos sistemas basados en radares cuentan con la ventaja de que su correcto funcionamiento no depende de ciertas condiciones extremas, como neblina o lluvia, como ocurre en los sistemas basados en sensores infrarrojos.

2.2.8 BMW “ACC”

BMW ACC desarrollado por Bosch, utiliza como varios de los anteriores, tecnología de radar (Figura 2.2.6 - B). Permite detectar vehículos a una velocidad que alcanza los 180 km/h y detectar vehículos a larga distancia (Figura. 2.2.6 - A).

Figura 2.2.6 - A: BMW (ACC).

(29)

2.3 Conclusiones

Si bien existen soluciones comerciales que tratan el problema, generalmente son sistemas cerrados que carecen de flexibilidad de configuración, y de la posibilidad de incorporar nuevas capacidades. Por otra parte, no se ajustan a nuestro nivel regional como por ejemplo: estado de las rutas ya sea por deterioros del pavimento o falta de marcación. La identificación de obstáculos también es dependiente de la región, ya que ésta, por ejemplo, determina las especies de animales o señales de tránsito nacionales que se puedan encontrar, y los tipos de vehículos que serán visualizados en la carretera (por ejemplo: maquinarias agrícolas).

Sistemas como los mencionados anteriormente, como los sistemas LDW, tienen sus limitaciones. Estos sistemas, generalmente se basan en información visual para seguir la posición relativa del vehículo dentro del carril, por lo que cualquier factor que oscurece u obstruye las líneas, hará que esta tecnología falle.

Existen factores que afectan directamente el desempeño de estos sistemas. Los sensores son componentes electrónicos que en algunos escenarios pueden tener una tasa de fallos considerable. Generalmente se ubican en la parte inferior de los vehículos, y deben lidiar con condiciones del suelo tales como vibraciones, suciedad, agua, etc.

(30)

Capítulo 3. Procesamiento de imágenes en Sistemas

I2DASW

La información óptica de un ambiente generalmente permite determinar diversas características acerca del mismo. De esta forma, mediante el procesamiento de imágenes es posible reconocer objetos, texturas, colores, entre otras características de interés. El uso del procesamiento de imágenes aplicado en sistemas I2DASW está ampliamente documentado en la literatura, utilizándolos en diferentes ambientes, diferentes técnicas, e incluso diferente orientaciones de la cámara en el vehículo.

Sin embargo, la captura y análisis de una imagen no puede proporcionar información tan completa, robusta y precisa como lo requieren los Sistemas I2DASW (Interactive Intelligent Driver-Assistance and Safety Warning). Los sensores de imagen tienen algunos problemas, como la baja capacidad de detección de la profundidad y una mayor capacidad de discriminación. Estas falencias pueden ser corregidas parcialmente por medio del uso de técnicas de procesamiento de video, agregando de esta forma la dimensión temporal a las imágenes.

Una cámara de video situada dentro de un vehículo permite detectar por ejemplo, si el tipo de conducción es diurna, nocturna o bajo condiciones de baja visibilidad, promediando los valores de intensidad de los píxeles de la parte superior de la imagen. Detectando líneas en las imágenes es posible estimar el punto de fuga de la perspectiva, lo cual permite identificar el patrón de manejo y estimar la posición del móvil dentro de la ruta. Observando la evolución temporal de puntos notables de la imagen es posible estimar la velocidad del vehículo. Por último, el desplazamiento del punto de fuga en una dirección perpendicular al desplazamiento proporciona información de la irregularidad de la ruta, pudiendo indicar una situación de peligro.

Un sistema de procesamiento de imágenes opera a partir de una imagen óptica, la cual se captura mediante el uso de foto-detectores que permiten digitalizar la escena. Las cámaras incorporan elementos de escaneo de líneas o regiones para llevar a cabo la digitalización. Este proceso conlleva el muestreo, la representación de datos y su digitalización. La representación digital de la escena es la entrada a un sub sistema de mejora de imagen, que modifica y prepara los valores de los píxeles de una imagen digital para producir una más adecuada para las operaciones posteriores. Las principales operaciones que la componen, entre otras, son: operaciones sobre pixeles (modificación de brillo, contraste, negación, umbralado), operaciones globales (ecualización del histograma, eliminación de ruido), operaciones regionales (realce de bordes, suavizado), operaciones geométricas (ampliación, rotación), y operaciones temporales (basadas en frames).

La imagen mejorada es captada por la etapa de segmentación de imágenes. Este es el proceso por el cual una imagen es dividida en áreas conectadas no solapadas denominadas regiones de acuerdo a un criterio gobernante de similitud u homogeneidad.

La segmentación de imágenes es un proceso fundamental en diferentes aplicaciones de procesamiento de imágenes, ya que los resultados de las etapas posteriores dependen de la calidad de segmentación lograda. El objetivo principal de la etapa es llevar a cabo una partición de la imagen en regiones homogéneas e interconectadas, sin tener en cuenta conocimiento adicional acerca de los objetos presentes en la imagen. La homogeneidad está relaciona con el color y la texturas.

(31)

Capítulo 3. Procesamiento de imágenes en Sistemas I2DASW

representación abstracta compuesta por un conjunto de valores o símbolos, siendo capaz de seleccionar las características salientes compartidas por todas las muestras de una misma clase, manteniendo separadas las descripciones de muestras pertenecientes a diferentes categorías.

En las siguientes secciones se analizan las técnicas de detección de carriles y obstáculos encontradas en la literatura.

3.1 Detección de carriles

La detección de carriles hace referencia a localizar los límites de un carril sin tener conocimiento de la infraestructura del camino. La detección de un carril es de gran importancia, ya que permite detectar curvas cerradas, obstáculos y la posición del vehículo sobre la ruta.

Muchas veces el conductor puede intencionalmente cambiar de carril, o simplemente no ser consciente de esto y salirse del mismo. Por tal motivo, es importante conocer en cada momento la posición del vehículo sobre la ruta y lograr así alertar al conductor sobre posibles situaciones.

Existen varias técnicas utilizadas para la detección y seguimiento de las líneas que conforman un carril que utilizan los siguientes supuestos:

- La textura del carril es consistente. - El carril está correctamente delimitado. - El ancho del carril es constante.

- Las señalizaciones siguen reglas estrictas para la aparición o la colocación.

- La carretera es una superficie plana o sigue un estricto modelo de cambio de elevación. Los algoritmos existentes tienden a utilizar al menos uno o más de los supuestos previamente mencionados, lo que tiende a mejorar los resultados generales. Sin embargo, estos supuestos pueden fallar.

La hipótesis de la textura constante de la carretera puede mejorar en gran medida los resultados de toda la superficie de la carretera, se puede utilizar como una característica más que sólo las marcas viales. En situaciones en las que las marcas viales son escasas o ausentes, puede proporcionar una estimación para la posición en el carril.

La suposición de que el camino o el ancho de carril son constantes puede mejorar en gran medida el rendimiento al permitir la fusión de los límites laterales de la mano izquierda y derecha.

Las marcas viales son a menudo líneas sólidas continuas más claras sobre una superficie oscura de carretera. Frecuentemente, se asume que la superficie de la carretera es plana o sigue un modelo de constante elevación. Esto es preciso la mayor parte del tiempo, en cambio, las suposiciones de las elevaciones pueden conducir a una estimación incorrecta de la curvatura de la carretera.

Los objetivos de muchos sistemas, están orientados hacia el control de vehículo autónomo. El sistema VaMoRs [36] utiliza múltiples procesadores y lentes de gran ángulo y telefoto para la conducción de vehículos. El sistema fue probado en un camino rural con colinas. Para el control autónomo, el sistema puede ajustar la velocidad del vehículo, lo que permite más tiempo para el cálculo.

Otro sistema de seguimiento del camino (YARF) [37] utiliza múltiples funciones y la estimación para mejorar el desempeño de la tarea de conducción autónoma. Se utilizan para identificar situaciones en las que la estructura de la carretera va cambiando.

(32)

rendimiento está basado en la distancia entre los vehículos y la línea central.

La asistencia al conductor con visión en tiempo real (DARVIN) [39] fusiona información de GPS con la información de la visión. El uso de un sistema de GPS proporciona mayor precisión, un conocimiento más exacto de la estructura de la carretera y de la ubicación del vehículo. Pero el uso del GPS hace que el sistema sea más dependiente de una de infraestructura en constante actualización y sólo proporciona los conocimientos hasta al último minuto de la posición del vehículo.

El sistema (GOLD) [40] combina el seguimiento de carril con la detección de obstáculos. Una función especial encuentra marcas basadas en las diferencias entre un píxel y sus vecinos. Más recientemente, la Springrobot [41] utilizó Hough Adaptive Transform para el procesamiento de bordes detectados.

Mientras que los sistemas mencionados anteriormente se han centrado principalmente en el control autónomo, otros se han centrado en las advertencias de cambio de carril y de asistencia al conductor. Kwon y Lee [42] están basados en una arquitectura modular que permite la fusión de múltiples funciones. La posición en el carril y la velocidad se incorporan después en una salida heurística. Otro sistema centrado en alertas es (LOIS) [43]. En este sistema, magnitud del borde y la orientación fue usada, con un estimador máximo para proporcionar posición en el carril. Risack et al. [44] Mide el rendimiento, con pocos resultados cuantitativos relacionados con el seguimiento.

Otra gran diferencia entre los diversos sistemas que se han desarrollado, deriva de los tipos de entornos para los que fueron diseñados. Ma et al. [45] presenta un sistema que fusiona la información del radar con la visión para navegar los caminos rurales. Las imágenes de radar mejoran el rendimiento frente a condiciones climáticas, como la nieve, que obstruye la vista de la cámara. El sistema GPS Darvin mencionado anteriormente utiliza GPS para permitir la navegación a través de las zonas urbanas. La gran mayoría de los sistemas, sin embargo, están diseñados para entornos de autopistas. Esto es importante para el sector comercial, en la cual una gran cantidad de investigaciones se han realizado [46].

Se han visto que las mejoras en el rendimiento se pueden hacer mediante la aplicación de extractores de características que utilizan múltiples señales o pueden ser utilizados para extraer múltiples tipos de marcas viales. Las suposiciones sobre los modelos de la ruta y los vehículos también han demostrado que aumentan considerablemente el rendimiento.

A menudo, las pruebas se realizan sobre unos pocos ambientes, lo que hace que lleven a desarrollar un sistema de seguimiento de carril diseñado para funciones de asistencia al conductor capaz de trabajar bien bajo una variedad más amplia de ambientes. También es importante proporcionar una evaluación completa del sistema para permitir una mejor comparación de los resultados entre los distintos entornos. Esto incluye la evaluación del sistema en distintos momentos del día con diferentes marcas viales y texturas, así como tomar un vistazo de cerca a los escenarios de casos especiales, tales como túneles, para obtener una medida cuantitativa precisa del rendimiento.

(33)

Tabla 3.1.1: Comparación de varias técnicas de detección y seguimiento de carril.

Se consideró el uso de algunas de estas técnicas, durante las etapas de pre-procesamiento para la extracción de características, y de post-pre-procesamiento para la detección de carriles.

Los sistemas VaMoRs y Nedevschi et al. permiten extraer elementos de borde, eliminando puntos que no estén alineados y puntos anormales. La detección de bordes es sencilla, aunque provee cierto tipo de fallas en situaciones particulares, como la aparición de sombras.

(34)

Por último, Lee et al y Taylor et al permiten en una etapa de post-procesamiento la detección de carriles, a partir de la implementación del algoritmo de Hough.

3.2 Identificación de obstáculos

La detección de líneas en una imagen es importante, ya que permite delimitar regiones y objetos. Objetos inmóviles como postes y carteles, son un posible peligro para los conductores, y aún más lo son los peatones, ya que sus movimientos son más lentos e impredecibles. A pesar de ello, el objetivo principal consiste en enfocarse únicamente el análisis de objetos que se encuentren situados de frente al vehículo, es decir, sobre el carril en el que el vehículo se encuentre circulando.

Las técnicas existentes de detección de obstáculos se dividen en las siguientes categorías [47], según el tipo de captura utilizada:

- Cámara monocular. Estos métodos requieren de un procesamiento complejo y son sensibles al movimiento del vehículo. No logran detectar obstáculos estáticos, sólo obstáculos en movimiento.

- Cámara monocular de movimiento. Detectan obstáculos a partir de la búsqueda de ciertas características, como la forma o la simetría. Estos métodos sólo pueden ser utilizados para detectar un tipo específico de objeto, como por ejemplo, un peatón o un vehículo.

- Visión estéreo. Utilizan varias cámaras para lograr detectar imágenes desde diferentes ángulos en simultáneo, y a partir de ese conjunto de imágenes se realiza un “matching” para lograr detectar los obstáculos. Estos métodos requieren de un tiempo de cálculo para realizar los cálculos necesarios y al igual que la cámara monocular, es sensible al movimiento.

Con el uso de una cámara monocular es posible lograr un procesamiento en tiempo real más económico, pero se estaría evitando prevenir sobre la aparición de ciertos obstáculos estáticos que podrían causar peligro, por ejemplo una caja sobre la ruta que cayó de un vehículo.

La identificación de objetos en movimiento, como los vehículos, requiere lograr localizar su posición y estimar el movimiento de los mismos entre dos frames consecutivos de video. Existen varios métodos de rastreo de vehículos propuestos por varios investigadores [48].

(35)

Figura 3.2.1: Método basado en la extracción de características.

Algoritmos basados en este tipo de modelos son SIFT y SURF. SIFT permite detectar y describir las características locales en las imágenes, fue descubierto en 1999, es una técnica bastante joven, pero existe otra técnica inspirada en ésta es SURF, un método inspirado en SIFT que se destaca por su rapidez. Ambos algoritmos están basados en la extracción de puntos de interés, y combinados con un algoritmo de aprendizaje (SVM), y permiten clasificar dichos puntos. A su vez estos algoritmos son combinados con algoritmos de clustering, conocidos como algoritmos AP (Affinity Propagation), los cuales permiten agrupar los puntos de interés.

Los modelos basados en contexto (context driven), para la clasificación de las imágenes de prueba utilizan algoritmos de aprendizaje supervisado (SVM) y un descriptor de características mediante un histograma para representar los contornos del objeto (HOG). Ciertas características como el tamaño y la forma, permiten distinguir un vehículo de un falso positivo. Estos modelos a su vez, analizan la información que brinda el contexto de la escena [50].

En los modelos basados en transformaciones de color propuestos por Luo-wei tsai y Jun-wei hsieh et al. [51], en una primera instancia el algoritmo distingue los pixeles que forman parte del objeto de aquellos que conforman el resto de la imagen. Para esto utiliza un clasificador bayesiano.

Los modelos basados en el uso de redes bayesianas, propuestos por Hsu-Yung Cheng y Chih-Chia Weng et al. [52], utilizan un modelo orientado a pixeles. En la fase inicial de aprendizaje se extraen ciertas características en una imagen, como los bordes y esquinas. Las redes bayesianas permiten luego clasificar el color de los objetos y el color del resto de la imagen por medio de la clasificación de pixeles. Extrae las características de la imagen por medio de la eliminación del fondo, y en una fase posterior de clasificación, logra identificar los obstáculos comparando los resultados reales con los obtenidos durante la etapa de aprendizaje.

(36)

Técnica utilizada Ventajas Desventajas

Color transform model.

Uso de colores normalizados y matriz de bordes

- Buen funcionamiento en días soleados.

- Requiere de imágenes de alta resolución.

- Solo funciona para detectar objetos en imágenes estáticas.

- Utiliza un gran número de imágenes de prueba

SIFT/SURF with SVM and AP.

Basado en la extracción de

características en imágenes de baja resolución

- Funciona con imágenes de baja resolución y baja calidad.

- Utiliza muy pocas imágenes de prueba.

- Alta complejidad computacional.

Object oriented target detection. Basado en la extracción de objetos

- Facil de implementar

- Buenos resultados con imágenes en escala de grises.

- Requiere de imágenes de alta resolución.

- Solo funciona para detectar objetos en imágenes estáticas.

- Utiliza un gran número de imágenes de prueba

Dynamic Bayesian Network.

Clasificación de pixeles

- Logra detectar obstáculos que se mueven a gran velocidad

- Utiliza muy pocas imágenes de prueba.

- No funciona bien con videos de bajo contraste.

Context driven - Funciona con imágenes de baja resolución

- Utiliza imágenes de prueba del banco de imágenes CLIF

- No funciona en imágenes inclinadas y tampoco detecta vehículos rotados.

Detection and motion analysis - Utiliza muy pocas imágenes de prueba.

- Alta tasa de falsos positivos

Tabla 3.2.1: Comparación de varias técnicas de detección y seguimiento de obstáculos.

En el cuadro anterior (Tabla 3.2.1) se sintetiza brevemente para cada una de las tecnologías involucradas, puntos favorables y desfavorables como pueden ser la velocidad de procesamiento, la tasa de aciertos y de fallos (Figura 3.2.2), tipo de imágenes que logran procesar, entre otras características. La tasa de aciertos y de fallos es un factor a tener en cuenta al momento de decidir qué técnica utilizar.

(37)

El objetivo de este análisis es lograr comparar los diferentes enfoques y detectar aquel que brinde resultados con un buen nivel de exactitud y una tasa de fallos relativamente baja. Por otro lado, se busca que la cantidad de imágenes de prueba requerida no sea muy alta. Por lo tanto, teniendo en cuenta el factor de relación aciertos/fallos según el gráfico anterior, y la cantidad de imágenes necesarias de prueba, las técnicas SIFT/SURF basadas en las detección de características en imágenes de baja resolución resultan una buena opción a tener en cuenta. Si se busca una mayor precisión, SIFT es la opción recomendada, mientras que si se busca una mayor velocidad, SURF es la opción indicada.

3.3 Conclusiones

Como se ha mencionado anteriormente, existen condiciones extremas, como situaciones de escasa visibilidad ante lluvia, neblina, sol de frente, o la noche. A su vez, en contextos tales como un día soleado, la aparición de ciertos objetos (árboles, autos, construcciones, puentes), pueden generarse sombras, las cuales afectan el color y la textura del camino. Por tales razones, los sensores de visión suelen ser poco robustos, generando una discontinuidad en las marcas del carril y falsos positivos.

Por otro lado, debido a la gran cantidad de imagen y video que deberá ser procesada, se requiere del diseño de una cierta arquitectura y un procesamiento paralelo que logre mantener la performance del sistema.

Teniendo en cuenta todas limitaciones existentes, es necesario tomar algunas suposiciones para lograr garantizar el correcto funcionamiento del sistema. Algunas de estas suposiciones se listan a continuación:

- Existe un alto contraste entre las líneas del carril y el resto de la carretera.

- Las líneas de carril, sean centrales o límites del mismo, pueden ser líneas punteadas o simples, pero siempre mantienen una continuidad.

- Solo se hace hincapié en las regiones de interés, es decir, no se analiza la totalidad de la imagen.

- El ancho de las líneas no varía. La búsqueda se limita únicamente a la aparición de líneas casi paralelas.

(38)

Capítulo 4. Desarrollo

El presente capítulo describe el desarrollo del sistema de asistencia al conductor, cuya funcionalidad principal es proveer al conductor información de interés respecto a su conducción y el entorno, tomando como entrada las imágenes captadas por una cámara de video.

El sistema busca mejorar la calidad de conducción a través de la extracción de características de una imagen. A partir de dicho procesamiento se pueden detectar carriles y obstáculos, y tomando como referencia la ubicación del vehículo se alerta al usuario de maniobras no seguras, como desvíos o cambios de carril no permitidos, distancias prudentes a los obstáculos y posibles riesgos de colisión si fuese necesario.

También provee una interfaz de usuario que permite resaltar sobre las imágenes captadas por la cámara, los carriles, el área de conducción y los obstáculos detectados. A su vez, brinda otro tipo de información de gran utilidad, como la simulación de la velocidad (km/h) y las alertas sonoras que notifican al conductor sobre posibles situaciones de riesgo, como por ejemplo las ya mencionadas, cambios de carril u obstáculos cercanos situados sobre el mismo carril de conducción.

A continuación se detallarán los algoritmos seleccionados para llevar a cabo la extracción de carriles y detección de obstáculos, técnicas de filtrados durante el pre-procesamiento, librerías utilizadas que proveen dicha funcionalidad y consideraciones a tener en cuenta, como es la selección de las líneas óptimas durante el post-procesamiento, entre otras.

Por último, se explicará el desarrollo del framework I2DASW, comenzando con el análisis de la arquitectura que se decidió aplicar, y continuando con el diseño detallado del mismo, incluyendo diagramas de capas, bloques, clases, entre otros.

El desarrollo del sistema se basa en tres módulos principales, el detector de carriles, el detector de obstáculos, y el framework I2DASW. El objetivo principal del detector de carriles consiste en analizar los frames capturados para evaluar y devolver las tres líneas de la carretera (límite derecho, límite central y límite izquierdo), o al menos las dos líneas del carril por donde el vehículo está circulando. El módulo de detección de obstáculos, por otro lado, analiza los mismos frames, y los procesa en búsqueda de objetos que puedan llegar a interferir en la conducción.

(39)

Capítulo 4. Desarrollo

Figura 4.1: Sistemas de detección de carriles y obstáculos.

Para el desarrollo de los algoritmos de detección fueron utilizadas dos librerías provistas por Mitov Software [54], VisionLab y VideoLab, las cuales proveen de un set de filtros de gran utilidad para la extracción de ciertas características en una imagen. Mitov Software está especializado en el desarrollo de software de alto rendimiento y soluciones de flujo de datos que implican procesamiento de audio y video, visualización de datos, control de hardware, programación paralela, entre otros. Los principales componentes utilizados, mencionados en la siguiente sección, proveen filtros que implementan técnicas de pre-procesamiento (como umbralado y realce de bordes), y algoritmos de detección de líneas (Hough) y otro tipo de características.

4.1 Detección de carriles

(40)

Capítulo 4. Desarrollo

Las líneas según su ubicación en la calzada se clasifican en 3 categorías. Las líneas centrales o “Eje” (H1) indican la separación de corrientes de tránsito de sentidos opuestos e incluye zonas con y sin prohibición de adelantamiento. La línea de Borde (H3) indica a los conductores dónde se encuentra el borde de la calzada, permitiendo posicionarse correctamente en la vía. Finalmente, la línea de carril (H2) indica la separación de corrientes de tránsito que circulan en el mismo sentido.

Por su forma, se clasifican en líneas continuas, discontinuas o mixtas según su trazo. A su vez, la cantidad de líneas paralelas permite distinguir entre líneas simples (individuales) o dobles. Por último, en base a su dimensión pueden categorizarse entre líneas normales o anchas (Figura 4.1.1).

Si nos referimos a los colores de las líneas, las marcas a utilizar en la Red Nacional de Caminos son generalmente blancas o amarillas. El color blanco se utiliza en el caso de marcas longitudinales para separar generalmente corrientes de tránsito en el mismo sentido, para marcas transversales, y para marcas especiales en caso que corresponda (Isletas, Aproximaciones a Obstrucciones). El color amarillo se utiliza en marcas longitudinales para separar exclusivamente corrientes de tránsito en sentido opuesto y para marcas especiales en caso que corresponda (Isletas, Aproximaciones a Obstrucciones). Se aplica también sobre el borde izquierdo de autovías o semi-autopistas.

Las Líneas Longitudinales, son las que se ubican en forma paralela a la carretera. Suministran guía “positiva” al indicar al usuario de la carretera los límites de las áreas de la calzada donde es seguro circular. Definen y delimitan anchos de carriles y calzadas. En un sentido más amplio, indican dónde es seguro sobrepasar a otro vehículo. A su vez, suministran guía “negativa”; esto es, indican áreas donde no es seguro circular o directamente está prohibido hacerlo. En ese sentido definen zonas con prohibición de sobrepaso. De acuerdo al Anexo L Capítulo VI Punto 27, son franjas de ancho mínimo de 0,10m a 0,30m y deben ser reflectivas. Las líneas longitudinales presentan dos tipos de trazo: continuo y discontinuo. El

trazo continuo significa que la línea no se puede traspasar. El trazo discontinuo significa que la línea se puede traspasar. El trazo discontinuo está caracterizado por la sucesión de una “marca” o “bastón” que es el segmento pintado, seguido de un “vacío” o “brecha” que es el segmento sin pintar.