En el caso de [21] y [22], se realiza la resta de fondo y luego se aplica el método del centroide para estimar el volumen de tráfico. En [27], se utiliza la resta dinámica de fondo para obtener una imagen de perfil espacio-temporal, a partir de la cual se estima el volumen de tráfico.
Volumen de tr´ansito
Para el diseño e implementación del sistema propuesto es necesario comprender ciertos conceptos de ingeniería de tránsito. Además, se debe conocer cómo se estudia el volumen de tránsito y cuál es el proceso de sincronización del semáforo que se sigue actualmente en el caso peruano. Comprender esto es necesario para la correcta aplicación de la metodología descrita en el siguiente capítulo.
Cabe señalar que, dependiendo del objetivo, el volumen de tráfico se puede calcular para cada tipo de vehículo que transite por la vía analizada, para cada sentido de dicha vía, o para cada uno de sus carriles.
Vol´umenes de tr´ansito absoluto
Par´ametros de sem´aforo
Unidad coche patr´on
El uso de estas equivalencias permite expresar la intensidad del tráfico en unidades de automóvil estándar por unidad de tiempo, incluyendo así la contribución de cada tipo de vehículo dentro de una masa vehicular heterogénea.
Estudios de volumen de tr´ansito
M´etodos de muestreo de volumen de tr´ansito
La medición manual la realizan personas denominadas contadores y consiste en contar los vehículos mediante hojas de papel o contadores electrónicos con teclado. La ficha está dividida según época y tipo de vehículo (motos, coches, autobuses y camiones de varios tamaños). Por esta razón, este método generalmente se elige cuando es necesario identificar los volúmenes de giro y los volúmenes por tipo de vehículo, en lugar de solo el número de vehículos [1].
Sin embargo, no se pueden utilizar para obtener volúmenes y volúmenes de revoluciones por tipo de vehículo.
Programaci´on de aforos
Proceso de temporizaci´on de sem´aforos en caso peruano
FIGURA 3.2: Proceso de cronometraje de semáforos en el caso peruano, con base en un estudio de campo realizado con el apoyo de la Subgerencia de Seguridad Vial de la Municipalidad Provincial. En ciudades donde el tráfico es desordenado o los conductores de vehículos no respetan los carriles de la vía, el volumen de tráfico se puede estimar analizando el. Por tanto, el sistema propuesto en esta tesis sigue la metodología mostrada en el diagrama de bloques de la figura 4.1.
En [32] y [33] se calcula el área ocupada por vehículos y se encuentra la correlación entre esta y el área total de la vía analizada.
Definici´on de regi´on de inter´es
Porcentaje de ocupaci´on
Esto se logra mediante una transformación de perspectiva, es decir, una transformación geométrica del trapezoide formado por los píxeles en un rectángulo correspondiente a la carretera vista desde un plano elevado. Para conseguir los primeros se selecciona gráficamente con clics cada uno de los 4 nodos de la carretera. Esto se puede visualizar como una vista rectangular de la pista en la Figura 4.4, cuyas dimensiones son 315×534 píxeles.
Sobre el resultado de la transformación se vuelve a realizar una selección gráfica mediante clics.
Volumen de tr´ansito
Esta vez se seleccionan los vértices de cada carril para considerar cada uno como un ROI individual, como se ve en la Figura 4.5, cuyas dimensiones son 315×534 píxeles.
Sustracci´on de fondo
Las regiones de interés pueden superponerse parcialmente a la estimación de la tasa de ocupación. Para la resta de fondo se utiliza un algoritmo basado en blending gaussiano, que toma como colores de fondo los colores que permanecen más estáticos a lo largo de la secuencia de vídeo [39]. FIGURA 4.7: Región de interés correspondiente al carril izquierdo de la secuencia de vídeo analizada.
El fondo se define como la disposición de los píxeles con los valores más probables dentro del rango del vídeo.
Estimaci´on de variables
Porcentaje de ocupaci´on
De esta forma se aísla el primer plano, que está formado por los objetos que se encuentran en el fondo (carril), es decir, los vehículos. Estos se muestran, por ejemplo, como puntos blancos para cada carril en la Figura 4.8. FIGURA 4.8: Ejemplo de un primer plano de cada carril en la secuencia de video analizada.
A pesar de representar una relación entre dos cantidades de píxeles, este porcentaje es igual a la relación entre el área ocupada por los vehículos en metros cuadrados y el área total de la vía considerada como ROI, también en metros cuadrados.
Volumen de tr´ansito
Trayectorias seguidas
Optimizaci´on del sistema
Ra´ız del error cuadr´atico medio
RMSE tiene las mismas unidades que la variable cuyos valores se calculan, donde 0 es el valor correspondiente al menor error posible.
Proporci´on m´axima de se˜nal a ruido
Base de datos
TABLA5.1: Duración y número de píxeles correspondientes a un vehículo UCP (px por UCP en (4.3)) encontrados para cada vídeo en la base de datos. Los videos Brasil3 y Brasil5 no están incluidos en la base de datos porque no cumplieron con los requisitos del sistema. Para obtener los valores teóricos de volumen de tránsito, se contaron manualmente los vehículos que pasaban por cada carril en cada video, clasificándolos según los tipos listados en la Tabla 3.1 del inciso 3.1.4.
Luego, según la misma tabla, se calculó el número de vehículos en la UCP.
Resultados de porcentaje de ocupaci´on
FIGURA 5.1: Porcentaje teórico de ocupación de carril versus tiempo de la secuencia de video. TABLA 5.3: Estadísticas de error, RMSE y PSNR, calculadas para el porcentaje de ocupación de carril sin capacitación. TABLA 5.4: Estadísticas de error, RMSE y PSNR, calculadas para el porcentaje de ocupación de carril con entrenamiento.
Finalmente, vale la pena señalar que el error promedio del sistema se encuentra para la tasa de ocupación considerando las métricas de error RMSE y PSNR, así como la duración de cada secuencia de video en la Tabla 5.1.
Resultados de volumen de tr´ansito
FIGURA 5.3: Volumen de tráfico práctico versus tiempo para la secuencia de video 'Brasil7'. TABLA 5.6: Valores teóricos y prácticos, en UCP, para el volumen de tráfico sin formación en la figura 5.3. Esto indica que se reduce el error, por lo que se mejora el rendimiento del sistema en términos de volumen de tráfico.
Finalmente, vale la pena señalar que el error promedio del sistema se encontró para el volumen de tráfico considerando la métrica de error RMSE y la duración de cada secuencia de video en la Tabla 5.1.
Resultados de trayectorias seguidas
Cuando se comparan ambos grupos de valores prácticos (tablas 5.6 y 5.7), se puede observar que la métrica de error RMSE obtenida se reduce de 1,49 UCP sin entrenamiento a 1,21 UCP después del entrenamiento. Este valor promedio, junto con cada métrica de error ajustada por la duración del video correspondiente, se muestra en la tabla 5.5. FIGURA 5.4: Porcentaje de ocupación de pista versus tiempo para cada tramo de pista de la serie de videos 'Brasil7'.
Kit de desarrollo NVIDIA Jetson Nano proporcionado por el entorno de desarrollo UTEC PyCharm Community Edition 2020.2.3 Acceso público.
Resultados de prueba en campo
Los valores obtenidos para el porcentaje de área ocupada se almacenan en formato CSV y se muestran en la Figura 5.6, donde 'Carril 0', 'Carril 1' y 'Carril 2' representan los carriles izquierdo, central y derecho respectivamente. TABLA 5.10: Estadísticas de error calculadas para el porcentaje de ocupación de carril según la prueba de campo del sistema. FIGURA 5.7: Porcentaje de ocupación de carril versus tiempo para cada porción de carril de la secuencia de video de ocupación de carril obtenida de la prueba de campo del sistema.
Estos, así como la suma de los máximos de la Figura 5.8, se enumeran para cada carril en la Tabla 5.12.
Prueba de tarjeta NVIDIA Jetson Nano como computador del sistema
Sultanpure, “HOG, LBP and SVM based intersection traffic density estimation,” in 2019 IEEE Pune Section International Conference (PuneCon). Rahman, “Application of Image Processing and Data Mining Techniques for Traffic Density Estimation and Prediction,” in 2019 Second International Conference on Advanced Computing and Communications Paradigms (ICACCP). Agarwal, “Real-time traffic density estimation using block variance” , in 2016 IEEE Winter Conference on Applications of Computer Vision (WACV).
Dinaryanto, "Image processing technique for traffic density estimation," International Journal of Engineering and Technology, vol.
Ejemplo de hoja de campo para aforo vehicular manual, utilizada en [38]. 20
Diagrama de bloques de la metodolog´ıa seguida. Dado un video de entrada
El punto desde el que se captura el vídeo permite tener una vista frontal de las pistas. Para calcular el porcentaje de área ocupada por vehículos, se debe convertir el ROI definido con medidas en píxeles a una región idéntica con medidas de área (por ejemplo, metros cuadrados). Entonces necesitas conocer dos disposiciones de vértices para obtener la transformación de perspectiva: la del trapezoide y la del rectángulo.
Para obtener el grupo de vértices del rectángulo, como parte de la calibración del sistema, se requiere ingresar las medidas en metros del ancho y largo del área de la pista dentro del trapecio anterior.
Ejemplo de campo de visi´on requerido para la c´amara del sistema
Selecci´on de v´ertices de la v´ıa para la transformaci´on a perspectiva
Resultado de la transformaci´on a perspectiva de la v´ıa a analizar
Selecci´on de v´ertices de cada regi´on de inter´es correspondiente a un carril
Utilizando datos teóricos y prácticos almacenados en formato CSV, se calcularon métricas de error del sistema en función del porcentaje de ocupación de carriles. El valor de la métrica de error RMSE se puede interpretar como la omisión del 1,42% del área ocupada en la estimación del porcentaje ocupado durante la duración del vídeo (102 segundos). De esta forma se logró mejorar el rendimiento del sistema en cuanto al porcentaje de ocupación de carriles.
FIGURA 5.5: Porcentaje práctico de ocupación de carriles versus tiempo para las pruebas prácticas del sistema. Con los datos teóricos y prácticos almacenados en formato CSV se calcularon las estadísticas de error respecto al porcentaje de ocupación de carril. FIGURA 5.6: Porcentaje teórico de ocupación de carril versus tiempo de la secuencia de video.
