Sistema de asistencia a la conducción usando visión por computadora y aprendizaje máquina

Resumen

La seguridad ha sido uno de los puntos claves en el diseño vehicular, por lo que uno de los principales objetivos es implementar sistemas de alerta para notificar al conductor sobre algún proceso inadecuado o atípico en su conducción, con el fin de evitar accidentes que afecten a sus ocupantes, así como a terceros; un ejemplo, de esto se observa en el auge de los vehículos autónomos. De acuerdo con la Organización Mundial de la Salud, en el 2016 se presentaron 1.35 millones de muertes relacionadas con accidentes de tráfico, por ello, actualmente se crean más sistemas para monitorizar el ambiente alrededor del vehículo de modo que se garantice una conducción segura en todo momento. Esta investigación presenta el primer sistema de asistencia a la conducción desarrollado para Colombia, el sistema detecta y reconoce señales de tránsito preventivas y reglamentarias basado en clasificadores Haar, lo cual permite que su precisión no se afecte debido a las rotaciones y escala de las señales presentes en un viaje sobre un trayecto real. El sistema reconoce salidas de carril, estimación de la dirección de la curva y detección de obstáculos que sobresalen en la carretera utilizando algoritmos de visión por computadora convirtiéndolo en un sistema de bajo costo computacional. Además, esta investigación proporciona los primeros clasificadores en cascada resultantes para la detección de señales reglamentarias y preventivas colombianas. El sistema es probado en ambientes reales de carreteras colombianas obteniendo una precisión superior al 90%. La investigación demuestra que métodos basados en visión por computadora son competitivos frente a propuestas actuales como las redes neuronales profundas.

Palabras clave

aprendizaje máquina, clasificadores Haar, seguridad vial, señales de tránsito, visión por computadora

Biografía del autor/a

Cristian Valencia-Payan, M.Sc.

Roles: Conceptualización, Análisis formal, Investigación, Metodología, Software, Validación, Escritura – borrador original, Escritura – revisión y edición.

Julián Muñoz-Ordóñez, M.Sc.

Roles: Conceptualización, Análisis formal, Investigación, Metodología, Software, Validación, Escritura – borrador original, Escritura – revisión y edici´ón.

Leonairo Pencue-Fierro

Roles: Conceptualización, Análisis formal, Investigación, Metodología, Supervisión, Escritura - revisión y edición.

Referencias

[1] WHO, Global Status Report on Road Safety, 2018.

[2] Y. Amichai-Hamburger, Y. Mor, T. Wellingstein, T. Landesman, and Y. Ophir, “The Personal Autonomous Car: Personality and the Driverless Car,” Cyberpsychology, Behavior, and Social Networking, vol. 23 (4), pp. 242-245, Apr. 2020. https://doi.org/10.1089/cyber.2019.0544

[3] S. Gu, Y. Zhang, X. Yuan, J. Yang, T. Wu, and H. Kong, “Histograms of the Normalized Inverse Depth and Line Scanning for Urban Road Detection,” IEEE Transactions on Intelligent Transportation Systems, vol. 20 (8), pp. 3070-3080, Aug. 2019. https://doi.org/10.1109/TITS.2018.2871945

[4] H. Liu, X. Han, X. Li, Y. Yao, P. Huang, and Z. Tang, “Deep representation learning for road detection using Siamese network,” Multimedia Tools and Applications, vol. 78, pp. 24269-24283, May 2019. https://doi.org/10.1007/s11042-018-6986-1

[5] K. Wang, F. Yan, B. Zou, L. Tang, Q. Yuan, and C. Lv, “Occlusion-free road segmentation leveraging semantics for autonomous vehicles,” Sensors (Switzerland), vol. 19 (21), e4711, Nov. 2019. https://doi.org/10.3390/s19214711

[6] X. Lu et al., “Multi-Scale and Multi-Task Deep Learning Framework for Automatic Road Extraction,” IEEE Transactions on Geoscience and Remote Sensing, vol. 57 (11), pp. 9362-9377, Nov. 2019. https://doi.org/10.1109/TGRS.2019.2926397

[7] M. Dong, X. Zhao, X. Fan, C. Shen, and Z. Liu, “Combination of modified U-Net and domain adaptation for road detection,” IET Image Processing, vol. 13 (14), pp. 2735-2743, Dec. 2019. https://doi.org/10.1049/iet-ipr.2018.6696

[8] S. Gu, Y. Zhang, J. Tang, J. Yang, J. M. Alvarez, and H. Kong, “Integrating Dense LiDAR-Camera Road Detection Maps by a Multi-Modal CRF Model,” IEEE Transactions on Vehicular Technology, vol. 68 (12), pp. 11635-11645, Dec. 2019. https://doi.org/10.1109/TVT.2019.2946100

[9] J. Pérez, V. Milanés, J. Alonso, E. Onieva, and T. de Pedro, “Adelantamiento con vehiculos autónomos en carreteras de doble sentido,” Revista Iberoamericana de Automática e Informática industrial, vol. 7 (3), pp. 25-33, Jul. 2010. https://doi.org/10.1016/s1697-7912(10)70039-x

[10] D. Tabernik, and D. Skocaj, “Deep Learning for Large-Scale Traffic-Sign Detection and Recognition,” IEEE Transactions on Intelligent Transportation Systems, vol. 21 (4), pp. 1427-1440, Apr. 2020. https://doi.org/10.1109/TITS.2019.2913588

[11] F. Rundo, “Deep LSTM with dynamic time warping processing framework: A novel advanced algorithm with biosensor system for an efficient car-driver recognition,” Electronics, vol. 9 (4), e6156, Apr. 2020. https://doi.org/10.3390/electronics9040616

[12] A. Martín, V. M. Vargas, P. A. Gutiérrez, D. Camacho, and C. Hervás-Martínez, “Optimising Convolutional Neural Networks using a Hybrid Statistically-driven Coral Reef Optimisation algorithm,” Applied Soft Computing, vol. 90, e106144, May 2020. https://doi.org/10.1016/j.asoc.2020.106144

[13] J. Muñoz-Ordóñez, C. Cobos, M. Mendoza, E. Herrera-Viedma, F. Herrera, and S. Tabik, “Framework for the Training of Deep Neural Networks in TensorFlow Using Metaheuristics,” in International Conference on Intelligent Data Engineering and Automated Learning, 2018, pp. 801-811. https://doi.org/10.1007/978-3-030-03493-1_83

[14] D. P. Kingma, and J. L. Ba, “Adam: A method for stochastic optimization,” arXiv:1412.6980, Dec. 2015.

[15] F. D. Turek, Machine Vision Fundamentals: How to Make Robots ‘See', 2011. http://www.techbriefs.com/component/content/article/10531?start=2

[16] D. Yufeng, and Z. Bo, “Intelligent Identification Method of Bicycle Logo Based on Haar Classifier,” in 5th International Conference on Systems and Informatics, Jan. 2019, pp. 973-977. https://doi.org/10.1109/ICSAI.2018.8599499

[17] P. Viola, and M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001. https://doi.org/10.1109/cvpr.2001.990517

[18] H. Kawabe, S. Seto, H. Nambo, and Y. Shimomura, “Experimental study on scanning of degraded braille books for recognition of dots by machine learning,” in Advances in Intelligent Systems and Computing, 2020, pp. 322-334. https://doi.org/10.1007/978-3-030-21248-3_24

[19] R. Lienhart, and J. Maydt, “An extended set of Haar-like features for rapid object detection,” in IEEE International Conference on Image Processing, 2002. https://doi.org/10.1109/icip.2002.1038171

[20] G. Farías, M. Santos, F. J. L. Marron, and D. Informática, “Determinación de parámetros de la Transformada Wavelet para la clasificación de señales del diagnóstico scattering thomson,” in XXV Jornadas de Automática, 2004.

[21] W. X. Kang, Q. Q. Yang, and R. P. Liang, “The comparative research on image segmentation algorithms,” in Proceedings of the 1st International Workshop on Education Technology and Computer Science, 2009, pp. 703-707. https://doi.org/10.1109/ETCS.2009.417

[22] OpenCV Team, OpenCV, 2020. https://opencv.org/

[23] R. C. Gonzalez, and R. E. Woods, Digital Image Processing (3rd Edition), Pearson, 2007.

[24] H. Ling, and K. Okada, “An efficient earth mover’s distance algorithm for robust histogram comparison,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 29 (5), pp. 840-853, May 2007. https://doi.org/10.1109/TPAMI.2007.1058

[25] A. Khashman, “A modified backpropagation learning algorithm with added emotional coefficients,” IEEE Transactions on Neural Networks, vol. 19 (11), pp. 1896-1909, 2008. https://doi.org/10.1109/TNN.2008.2002913

[26] F. Jurie, and M. Dhome, “A simple and efficient template matching algorithm.,” in Proceedings of the IEEE International Conference on Computer Vision, 2001, pp. 544-549. https://doi.org/10.1109/iccv.2001.937673

[27] W. Rong, Z. Li, W. Zhang, and L. Sun, “An improved Canny edge detection algorithm,” in IEEE International Conference on Mechatronics and Automation, 2014, pp. 577-582. https://doi.org/10.1109/ICMA.2014.6885761