x

¿Aún no está registrado?

Cree su cuenta. Regístrese en Elsevier y obtendrá: información relevante, máxima actualización y promociones exclusivas.

Registrarme ahora
Ayuda - - Regístrese - Teléfono 902 888 740
Buscar en

FI 2016

0,500
© Thomson Reuters, Journal Citation Reports, 2016

Indexada en:

SCIE /JCR, Scopus, ScienceDirect

Métricas

  • Factor de Impacto: 0,500(2016)
  • 5-años Factor de Impacto: 0,344
  • SCImago Journal Rank (SJR):0,212
  • Source Normalized Impact per Paper (SNIP):0,308

© Thomson Reuters, Journal Citation Reports, 2016

Revista Iberoamericana de Automática e Informática industrial 2017;14:152-62 - DOI: 10.1016/j.riai.2016.09.010
Sistema de detección de señales de tráfico para la localización de intersecciones viales y frenado anticipado
Traffic sign detection system for locating road intersections and braking advance
Gabriel Villalón-Sepúlveda, Miguel Torres-Torritia, Marco Flores-Calerob,,
a Departamento de Ingeniería Eléctrica, Pontificia Universidad Católica de Chile, Vicuña Mackenna 4860, Casilla 306, Correo 22, Santiago, Chile 782 - 0436r
b Departamento de Eléctrica y Electrónica, Universidad de las Fuerzas Armadas-ESPE, Av. Gral. Rumiñahui s/n, PBX 171-5-231B, Sangolquí, Pichincha, Ecuador
Resumen

En este trabajo se presenta un sistema de detección de señales de tráfico aledañas a intersecciones viales y rotondas, y un análisis para conocer su capacidad de detección en función de la distancia. El método propuesto está basado en la segmentación por color sobre el espacio RGB-normalizado (ErEgEb) para la generación de regiones de interés (ROIs), la clasificación del tipo de señal usando los espacios YCbCr y ErEgEb para construir una plantilla estadística, donde para eliminar el fondo se ha propuesto una función de distribución de probabilidad que modeliza el color de los objetos de interés. El sistema está especializado en dos tipos de señales: disco Pare y triángulo invertido de Ceda el Paso. Luego se analiza su desempeño, al compararlo con el método de Viola & Jones, donde se verifica la capacidad de detección a diferentes distancias. Para distancias menores a 48 metros, el método propuesto ha logrado una tasa de detección del 87.5% en el caso de la señal de Ceda el Paso, y del 95.4% en el caso del disco Pare, mientras que para distancias inferiores a 30 metros la detección lograda es del 100%. Estos resultados son superiores a los reportados en la mayoría de la literatura existente, la cual a diferencia del presente trabajo no aborda la sensibilidad de los métodos propuestos ante la variación de la distancia a las señales de tráfico aún cuando esto es uno de los principales desafíos en la implementación de sistemas de asistencia al conductor aplicables al mundo real. Los experimentos han sido desarrollados sobre una base de datos de señales de tráfico, generadas a partir de imágenes tomadas en varias calles de la ciudad de Santiago, Región Metropolitana, Chile, usando un vehículo experimental diseñado para desarrollar sistemas inteligentes.

Abstract

This paper describes a system for traffic sign detection from surrounding traffic intersections and analysis for the ability of detection depending on the distance is presented. The method is based on segmentation by color on the RGB-normalized space (ErEgEb) for generating regions of interest (ROIs), the classification of the type of signal using YCbCr and ErEgEb spaces to build a statistical template, where to remove the background has proposed a probability distribution function that models the color of the objects of interest and its background. This system is specialized in Stop and Give way signs.

After that when compared to the Viola & Jones method where the detection capability is verified at different distances is then analyzed. For distances less than 48 meters, this method reaches a detection rate of 87.5%, in the case of Give way sign and 95.4% regarding the Stop sign, while for distances less than 30 meters the detection rate is 100%. These results are higher than those in the state of the art. Experiments have been developed over a traffic signs database, generated from images taken in several streets of the Santiago, Metropolitan Region, Chile, using an experimental vehicle designed to develop intelligent systems.

Palabras clave
Intersección vial, accidentes, señales de tráfico, plantillas estadísticas, distancia, color, Chile
Keywords
Distance, color, road intersection, accidents, traffic signs, statistics templates
Bibliografía
Abramowitz and Stegun, 1972
M. Abramowitz,I.A. Stegun
Handbook of Mathematical Functions with Formulas, Graphs, and Mathematical Tables
1st Edition, Dover, (1972)
Baya et al., 2008
Baya, H., Essa, A., Tuytelaarsb, T., Van Goola, L., June 2008. Speeded-Up Robust Features (SURF) 110 (3), 346–359.
Carrasco, 2009
Carrasco, J., 2009. Advanced driver assistance system based on computer vision using detection, recognition and tracking of road signs. Ph.D. Thesis, Laboratorio de Sistemas Inteligentes, Universidad Carlos III de Madrid.
CONASET, 2014
CONASET, 2014. Observatorio de datos de accidentes. URL https://estadconaset.mtt.gob.cl/
Dalal, 2006
Dalal, N., 2006. Finding people in images and videos. Ph.D. Thesis, Institut National Polytechnique de Grenoble.
Fleyeh et al., 2013
Fleyeh, H., Biswas, R., Davami, E., July 2013. Traffic sign detection based on adaboost color segmentation and svm classification. pp. 2005-2010.
Flores, 2009
Flores, M., 2009. Sistema avanzado de asistencia a la conducción mediante visión por computador para la detección de la somnolencia. Ph.D. Thesis, Laboratorio de Sistemas Inteligentes, Universidad Carlos III de Madrid.
Flores et al., 2007
M. Flores,M. Armingol,A. Escalera de la
New probability models for face detection and tracking in color images
IEEE International Symposium on Intelligent Signal Processing, WISP 2007, (Oct 2007), pp. 1-6
Fraser, 2005
B. Fraser
Traffic accidents scar Latin America's roads
, 366 (August-September 2005), pp. 703-704
Greenhalgh and Mirmehdi, 2012
J. Greenhalgh,M. Mirmehdi
Real-time detection and recognition of road traffic signs
IEEE Transactions on Intelligent Transportation Systems, 13 (December 2012), pp. 1498-1506
Han et al., 2015
Han, Y., Virupakshappa, K., Oruklu, E., 2015. Robust traffic sign recognition with feature extraction and k-NN classification methods. In: 2015 IEEE International Conference on Electro/Information Technology (EIT). pp. 484-488.
Hastie et al., 2009
T. Hastie,R. Tibshirani,J. Friedman
The Elements of Statistical Learning
2nd Edition, Springer, (2009)
Horgan et al., 2015
Horgan, J., Hughes, C., McDonald, J., Yogamani, S., 2015. Vision-Based Driver Assistance Systems: Survey, Taxonomy and Advances. In: IEEE 18th International Conference on Intelligent Transportation Systems (ITSC). pp. 2032-2039.
Huang et al., 2014
Huang, Z., Yu, Y., Gu, J., 2014. A Novel Method for Traffic Sign Recognition based on Extreme Learning Machine, 1451-1456.
Jain and Li, 2005
A.K. Jain,S.Z. Li
Handbook of Face Recognition
Springer-Verlag New York, Inc, (2005)
Lau et al., 2015
Lau, M.M., Lim, K.H., Gopalai, A.A., 2015. Malaysia Traffic Sign Recognitio on with Convolutional Neural Network, 1006-1010.
Li et al., 2015
H. Li,F. Sun,L. Liu,L. Wang
A novel traffic sign detection method via color segmentation and robust shape matching
Neurocomputing., 169 (May 2015), pp. 77-88
Lillo et al., 2015
J. Lillo,I. Mora,C. Figuera,J.L. Rojo
Traffic sign segmentation and classification using statistical learning methods
Neurocomputing, 1 (November 2015), pp. 286-299
Mesriani Law Group, 2015
Mesriani Law Group, 2015. Accidents caused by dangerous intersections. URL http://www.hg.org/article.asp?id=7652
Mogelmose et al., 2012
A. Mogelmose,M.M. Trivedi,T.B. Moeslund
Vision-based traffic sign detection and analysis for intelligent driver assistance systems: Perspectives and survey
IEEE Transactions on Intelligent Transportation Systems, 13 (December 2012), pp. 1484-1497
National Highway Traffic Safety Administration, 2015
National Highway Traffic Safety Administration, 2015. URL http://www.nhtsa.gov/
Nguyen et al., 2014
Nguyen, B.T., Shim, J., Kim, J.K., 1 2014. Fast traffic sign detection under challenging conditions. pp. 749-752.
Nie et al., 2012
Nie, Y., Chen, Q., Chen, T., Sun, Z., Dai, B., September 2012. Camera and lidar fusion for road intersection detection. pp. 273-276.
Perez-Perez et al., 2013
Perez-Perez, S.E., Gonzalez-Reyna, S.E., Ledesma-Orozco, S.E., Avina-Cervantes, J.G., 2013. Principal component analysis for speed limit Traffic Sign Recognition. In: 2013 IEEE International Autumn Meeting on Power Electronics and Computing (ROPEC). pp. 1-5.
RAL, 2012
RAL, 2012. Driver assistance system. Robotics and Automation Laboratory, School of Engineering, Pontificia Universidad Católica de Chile. URL http://ral.ing.puc.cl/datasets/intersection/index.htm
Salti et al., 2015
S. Salti,A. Petrelli,F. Tombari,N. Fioraio,L. DiStefano
Traffic sign detection via interest region extraction
Pattern Recognition, 48 (June 2015), pp. 1039-1049
Viola and Jones, 2001a
Viola, P., Jones, M., 2001a. Rapid object detection using a boosted cascade of simple features. In: Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on. Vol. 1. pp. I–511–I–518 vol.1.
Viola and Jones, 2001b
Viola, P., Jones, M., 2001b. Robust real-time face detection. In: Computer Vision, 2001. ICCV 2001. Proceedings. Eighth IEEE International Conference on. Vol. 2. pp. 747-747.
Viola et al., 2005
P.A. Viola,M.J. Jones,D. S.
Detecting pedestrians using patterns of motion and appearance
International Journal of Computer Vision, 63 (July 2005), pp. 153-161
World Health Organization, 2015a
World Health Organization WHO, 2015a. La oms y la fia aúnan esfuerzos para mejorar la seguridad vial. URL http://www.who.int/mediacentre/news/releases/2003/pr11/es/
World Health Organization, 2015b
World Health Organization WHO, 2015b. Lesiones causadas por el tránsito. URL http://www.who.int/mediacentre/factsheets/fs358/es/
World Health Organization, 2015c
World Health Organization WHO, 2015c. Road traffic injuries.
Zaklouta and Stanciulescu, 2012
F. Zaklouta,B. Stanciulescu
Real-time traffic-sign recognition using tree classifiers
IEEE Transactions on Intelligent Transportation Systems, 13 (December 2012), pp. 1507-1514
Zaklouta and Stanciulescu, 2014
F. Zaklouta,B. Stanciulescu
Real-time traffic sign recognition in three stages
Robotics and Autonomous Systems, 62 (2014), pp. 16-24
Autor para correspondencia. (Marco Flores-Calero mjflores@espe.edu.ec)
Copyright © 2017