semf imagenes y blue toot.pdf

PROYECTO FIN DE CARRERA

MEJORA DEL TRFICO EN UN CRUCE

REGULADO POR SEMFOROS,

MEDIANTE UN SISTEMA BASADO EN

VISIN ARTIFICIAL

AUTOR: ERNESTO DE LA ROCHA GMEZ

MADRID, JUNIO 2009

UNIVERSIDAD PONTIFICIA COMILLAS

ESCUELA TCNICA SUPERIOR DE INGENIERA (ICAI)

INGENIERO EN INFORMTICA

Autorizada la entrega del proyecto del alumno:

ERNESTO DE LA ROCHA GMEZ

El Co-Director del Proyecto

DAVID CONTRERAS BRCENA

Fdo.: .. Fecha: / /

El Co-Director del Proyecto

RAFAEL PALACIOS HIELSCHER

Fdo.: .. Fecha: / /

V B del Coordinador de Proyectos

DAVID CONTRERAS BRCENA

Fdo.: .. Fecha: / /

PROYECTO FIN DE CARRERA

MEJORA DEL TRFICO EN UN CRUCE

REGULADO POR SEMFOROS,

MEDIANTE UN SISTEMA BASADO EN

VISIN ARTIFICIAL

AUTOR: ERNESTO DE LA ROCHA GMEZ

CO-DIRECTOR: DAVID CONTRERAS BRCENA

CO-DIRECTOR: RAFAEL PALACIOS HIELSCHER

MADRID, JUNIO 2009

UNIVERSIDAD PONTIFICIA COMILLAS

ESCUELA TCNICA SUPERIOR DE INGENIERA (ICAI)

INGENIERO EN INFORMTICA

I

Nobody said it was easy,

No one ever said it would be this hard.

Take me back to the start.

Coldplay The scientist

II

AGRADECIMIENTOS

Desde aquel verano de 2005, cuando Jess Machuca y Fernando Gonzlez

queriendo o sin querer enunciaron las bases de este proyecto, una gran cantidad de

personas han colaborado de manera directa o indirecta en este proyecto y por

tanto deben ser mencionados en este pequeo espacio de agradecimientos.

Pequeo espacio es pues, se necesitara otro documento de la misma

extensin que esta memoria para poder mencionar a todos los que han hecho

posible transformar una simple idea en realidad.

Comenzando con la idea de aquella noche de 2005, a lo largo de estos

cuatro aos, el destino o tal vez la suerte, han ido dando forma a este proyecto.

Siguiendo la lnea del tiempo, a travs de la educacin ntegra que he recibido en el

ICAI, me ha hecho capaz de afrontar el difcil reto que supona este proyecto.

Otro momento importante para el desarrollo de este proyecto fue durante

mi ao Erasmus en University of Southampton, donde pude trabajar con gente

experta en el tema de tratamiento digital de imgenes y entonces fue cuando pude

saber que, an siendo una tarea muy complicada, podra llevarse a cabo.

Parte importante de culpa de la existencia de este proyecto es tambin

debida a mis directores de proyecto, tanto Rafael Palacios como David Contreras

han aportado su amplio conocimiento e increble experiencia para completar este

proyecto, y por tanto les estar eternamente agradecidos que me hayan guiado en

este difcil camino.

Por ltimo, debo agradecer y agradezco la colaboracin de toda esa gente,

tanto familia como amigos/as, que tambin han hecho posible llevar a cabo este

proyecto. Sin su particin, de una manera exhaustiva para realizar el punto crtico

de este proyecto, las pruebas en un entorno real, y sin su apoyo continuo no

hubiera sido posible realizar con ilusin tal difcil tarea.

III

RESUMEN

Este proyecto supone el desarrollo y pruebas experimentales de un sistema

inteligente que, a partir de cmaras IP y antenas Bluetooth instaladas en los

semforos, ejecute en tiempo real decisiones sobre los semforos para la

optimizacin del trfico en una interseccin.

El sistema, denominado TEA (Traffic Enhancement Application) tiene como

objetivos principales:

Reducir el tiempo medio de espera de los vehculos que circulan por la

interseccin.

Reducir el nmero de paradas/arranques que se producen. De esta manera

se reduce el gasto de combustible y tambin se reducen las emisiones

contaminantes.

Dotar de prioridad de paso al transporte pblico y a los equipos de

emergencia.

Reducir el nmero de accidentes potenciales que se pueden producir en una

interseccin cuando algn vehculo cruza la interseccin an estando su

semforo cerrado.

Tras un estudio del estado de arte en cuanto a los sensores para la deteccin

y conteo de vehculos, la manera de detectar los vehculos que se encuentran

parados en el semforo o que se aproximan a la interseccin, est basada en el

tratamiento digital de las imgenes tomadas mediante cmaras inalmbricas

montadas en el semforo. Para realizar dicho tratamiento digital de imgenes se

han desarrollado dos algoritmos, uno para la deteccin de vehculos de da y otro

para la deteccin de vehculos de noche. Los resultados de fiabilidad de estos

algoritmos, usando alrededor de 400 imgenes de prueba, son del 98.8% de

aciertos y del 95.5% de aciertos respectivamente. Adicionalmente, para la transicin

entre estos dos algoritmos se ha desarrollado un detector del entorno de luz

ambiente, tambin basado en tcnicas de tratamiento digital de imgenes.

IV

Como valor aadido de este proyecto, tambin gracias al tratamiento digital

de las imgenes, se ha desarrollado un algoritmo para la estimacin de la velocidad

de los vehculos que se aproximan a la interseccin. Esta informacin permite saber

si se puede llegar a producir una colisin de un vehculo con otro en la interseccin

en el caso de que alguno de ellos cruce la interseccin sin el permiso concedido

por los semforos.

Por otro lado, la manera de discrepar entre vehculos de emergencia,

transporte pblico y vehculos corrientes se realiza mediante tcnicas de

comunicacin Bluetooth, ya que las tcnicas de tratamiento digital de imgenes no

han resultado efectivas para discriminar vehculos prioritarios. Adems, se han

desarrollado prototipos de antenas unidireccionales Bluetooth, las recomendadas

para la deteccin unvoca del tipo de vehculo que se aproxima por cada va de la

interseccin.

Tanto los resultados de la deteccin de los vehculos que se aproximan a la

interseccin como los resultados de la comprobacin de la existencia de vehculos

prioritarios, son tratados en un sistema de toma de decisiones desarrollado en base

a reglas, con el fin de generar la decisin ptima de regulacin de los semforos y

que esta sea propagada, en tiempo real, a los semforos de la interseccin para su

implantacin.

Los tres mdulos anteriormente citados: deteccin y contabilizacin de

vehculos, deteccin de vehculos prioritarios y sistema de toma de decisiones, han

sido evaluados utilizando un entorno simulado y un entorno real.

Respecto a la evaluacin en un entorno simulado, se incluye en este

proyecto un simulador del trfico que fluye en una interseccin. Tras un proceso de

ajuste y parametrizacin del citado simulador, se han realizado simulaciones

durante 270 minutos, para las dos posibles formas de regulacin semafrica: por

patrones de tiempos fijos y mediante la regulacin inteligente propuesta por este

proyecto. Los resultados que se obtienen mediante simulacin son alentadores, el

control inteligente reduce los tiempos de espera un 74%, desde 20.849 segundos de

V

espera acumulados durante 270 minutos de simulacin a 5.430 segundos. Por otro

lado, el nmero de arranques se reducen en 70 arranques, de 1.903 arranques

sobre 3.240 vehculos servidos, a 1.820 arranques sobre 3.265 vehculos servidos.

Respecto a la evaluacin en un entorno real, se han realizado pruebas

experimentales utilizando semforos de obra para ejecutar las decisiones de

regulacin semafrica inteligente, sobre una interseccin real por donde circulan un

flujo medio de vehculos. Durante 30 minutos se tomaron medidas del trfico que

circulaba por dicha interseccin, en trminos de tiempos de espera, arranques

producidos y nmero de vehculos servidos. Seguidamente, durante otros 30

minutos se tomaron las mismas medidas pero esta vez siendo el trfico regulado

mediante la regulacin inteligente que propone este proyecto.

Los resultados de las pruebas experimentales son satisfactorios, reafirmando

las estimaciones realizadas mediante la ejecucin de este proyecto en entornos

simulados. Concretamente los resultados obtenidos durante las pruebas

experimentales fueron:

Reduccin de los tiempos de espera para cruzar la interseccin un 56.3%,

desde 2.217 segundos de espera acumulados durante los primeros 30

minutos, a 968 segundos de los siguientes 30 minutos.

Reduccin del nmero de arranques en 70, de 142 arranques sobre 252

vehculos servidos durante los primeros 30 minutos, a 72 arranques sobre

otros 252 vehculos servidos durante los siguientes 30 minutos.

Reduccin del consumo medio de combustible en 0.564 litros, durante la

segunda media hora de pruebas experimentales.

Reduccin de 1.922,83 gramos de CO2, durante la segunda media hora de

pruebas experimentales.

En definitiva, se cubren satisfactoriamente los objetivos propuestos para

este proyecto, ya que se ha realizado un sistema inteligente para la regulacin del

trfico en funcin de una alta exigencia en los conceptos de calidad y coste del

proyecto.

VI

ABSTRACT

This project is based on creating and carrying out experimental tests of an

intelligent system that, using IP cameras and Bluetooth antennas installed on traffic

lights, executes in real-time generated decisions to traffic lights in order to optimize

traffic flows in a junction.

This intelligent system, also known as TEA (Traffic Enhancement

Application), has the following objectives:

Reducing queuing times for vehicles that are in a junction.

Reducing the number of stops/starts that occur in a traffic junction. Because

of this, fuel consumption and pollutant emissions are reduced also.

Giving priority to cross a junction to emergency equipment and public

transport.

Reducing potential vehicle crashes that could be caused by vehicles that

cross the junction despite the fact they are not allowed to.

After a state of the art study on vehicle detection and counting techniques

using sensors, the method used for detecting vehicles that are approaching the

junction is based on digital image processing technique. This technique is applied to

images retrieved by IP cameras installed on the top of traffic lights. In order to

implement this method two algorithms have been developed, one for detecting

vehicles under daytime conditions, and another for detecting vehicles under

nighttime conditions. Results of reliability tests of these algorithms, using over 400

images, show 98.8% and 95.5% effectiveness respectively. In addition, so as to use

daytime algorithm or nighttime algorithm, a time condition detector has also been

developed, using digital image processing techniques again.

As an added value to this project, an algorithm for estimating current vehicle

speed that is coming to the junction has been developed too. Using this data, it

could be known if a potential vehicle crash could happen by a vehicle that is trying

to cross the junction without the permission given by traffic lights.

VII

The way of identifying the kind of vehicle that is approaching, is based on

Bluetooth communication techniques. Thereby, public transport and emergency

equipment can be detected so as to give them priority to cross the junction. Results

using digital image processing so as to detect this kind of vehicle were unsuccessful,

that is why Bluetooth communication techniques are used. Moreover,

unidirectional Bluetooth antennas prototypes have been created, making clear

what kind of vehicle is approaching the junction.

Counting vehicles that are coming to the intersection and checking if any of

them belongs to emergency equipment, are results that must be processed by a

decision support system. That is why; a decision support system has been also

developed and included in this project. As a result, the best decision for that right

instant is generated in real-time so as to propagate it to intersections traffic lights.

Modules referenced above: detecting and counting vehicles, detecting

emergency equipment and decision support system, have been evaluated using

simulated and real environments.

In reference to this project evaluation on simulated environments, a traffic

flow simulator on intersection has been created and it is included in this project.

After an adjustment process for this simulator, two simulations have been done

during 270 minutes, testing two traffic regulation systems: using fixed periods of

time and using an intelligent regulation. Results are promising; on the one hand,

intelligent regulation reduces queuing times over a 74%, from 20.849 seconds of

accumulated waiting times for 270 minutes of simulation, to 5.430 seconds. On the

other hand, stops/starts events are also reduced by the intelligent regulation, from

1.903 stops/starts produced by 3.240 vehicles serve, to 1.820 stops/starts produced

by 3.265 vehicles served.

In reference to this project evaluation on real environments, experimental

tests have been carried out using temporary traffic lights to execute intelligent

decisions, generated by this project, to an intersection where real traffic flows.

VIII

During 30 minutes, traffic flows measures were taken in terms of queuing times,

stops/stars produced and number of vehicles that crossed the intersection. During

another period of time of 30 minutes, the same traffic flow measures were taken

but this time the traffic was being regulated by the intelligent system proposed on

this project.

Results from these experimental tests are quite successful, reassuring estimations

made by executing this intelligent system on simulated environments. More

precisely, results obtained during experimental tests were:

56.3% queuing times reduction. From 2.217 seconds of accumulated waiting

time over the first 30 minutes, to 968 seconds over the last 30 minutes.

70 stops/starts events are eliminated. From 142 stops/starts over 252

vehicles that crossed the junction during the first 30 minutes, to 72

stops/starts over 252 vehicles served during the last 30 minutes.

0.564 fuel consumption reduction over the last 30 minutes.

1.922,83 CO2 grams reduction over the last 30 minutes.

In a nutshell, objectives proposed for this project have been successfully met

because an intelligent traffic regulation system has been created in terms of high

quality and low cost.

IX

ndice

1. Motivacin ................................................................................................................ 1

2. Concepto principal ................................................................................................. 4

3. Estado del arte ......................................................................................................... 9

4. Objetivos .................................................................................................................. 13

5. Descripcin del sistema ...................................................................................... 15

5.1. Metodologa empleada........................................................................................... 17

6. Mdulo de tratamiento digital de imgenes ............................................. 18

6.1. Estudio de diferentes tcnicas ................................................................................ 19

6.1.1. Deteccin de vehculos basada en redes neuronales ......................................... 20

6.1.2. Deteccin de vehculos basada en movimiento ................................................ 22

6.1.3. Deteccin de vehculos basada en luminosidad ................................................ 23

6.1.4. Deteccin de vehculos basada en contraste ..................................................... 27

6.2. Deteccin de vehculos que se aproximan a la interseccin ................................... 32

6.3. Algoritmo de deteccin de vehculos de da ........................................................... 37

6.4. Evaluacin del algoritmo de deteccin de vehculos de da .................................... 55

6.5. Algoritmo de deteccin de vehculos de noche....................................................... 59

6.6. Evaluacin del algoritmo de deteccin de vehculos de noche ............................... 68

6.7. Estimacin de la velocidad de vehculos que se aproximan a la interseccin ......... 72

6.8. Algoritmo de estimacin de la velocidad de vehculos que se aproximan a la

interseccin ................................................................................................................... 78

6.9. Evaluacin del algoritmo de estimacin de la velocidad de vehculos que se

aproximan a la interseccin ........................................................................................... 87

7. Mdulo de deteccin de vehculos prioritarios ........................................ 90

7.1. Deteccin basada en tratamiento de imgenes ...................................................... 92

7.2. Deteccin basada en tecnologa Bluetooth............................................................. 94

7.2.1. Tipos de antenas............................................................................................... 94

7.2.2. Cdigos de identificacin .................................................................................. 95

X

7.3. Algoritmo de deteccin de vehculos de emergencia .............................................. 97

7.4. Conclusiones sobre el sistema de deteccin de vehculos con prioridad .............. 104

8. Sistema de toma de decisiones ..................................................................... 105

8.1. Estudio de diferentes tcnicas .............................................................................. 107

8.2. Captura del estado del trfico............................................................................... 108

8.2.1. Algoritmo de integracin con el sistema de toma de decisiones...................... 109

8.3. Verificacin contra accidentes .............................................................................. 115

8.4. Generacin de la decisin ptima ......................................................................... 117

8.4.1. Algoritmo de generacin de la decisin ptima .............................................. 118

8.5. Ejecucin de la decisin ptima ............................................................................ 126

9. Evaluacin del sistema ..................................................................................... 127

9.1. Pruebas en entorno simulado ............................................................................... 129

9.1.1. Simulacin del trfico ..................................................................................... 129

9.1.2. Ejecucin de la simulacin .............................................................................. 130

9.1.3. Comparacin de resultados ............................................................................ 131

9.2. Pruebas en entorno real ....................................................................................... 134

9.2.1. Pruebas realizadas .......................................................................................... 135

9.2.2. Resultados obtenidos ..................................................................................... 136

10. Conclusiones ...................................................................................................... 139

10.1. Trabajos futuros.................................................................................................. 141

10.2. Otras aplicaciones del sistema ............................................................................ 143

11. Planificacin ....................................................................................................... 145

12. Estimacin econmica .................................................................................... 149

13. Bibliografa .......................................................................................................... 151

Apndice I. Manual de instalacin .................................................................... 154

Mejora del trfico en un cruce regulado por semforos, mediante un sistema basado en visin artificial.

Ernesto de la Rocha Gmez ~ 1 ~ Universidad Pontificia Comillas

Captulo 1

Motivacin



1. Motivacin

La motivacin principal de este proyecto es la mejora de una accin cotidiana de la

sociedad actual. Esta accin es la de tener que cruzar una interseccin en un cruce

de trfico regulado por semforos. En innumerables ocasiones las siguientes

preguntas han sido lanzadas al aire sin respuesta obvia:

Por qu est el semforo en rojo y no puedo pasar aunque no haya otros

vehculos en la interseccin?

Por qu los semforos duran siempre lo mismo si el nmero de vehculos que

entran por cada calle son siempre distintos y variables?

Este proyecto quiere responder a las anteriores preguntas enunciando que

los semforos actuales son elementos pasivos de las intersecciones ya que no

tienen en cuenta la situacin actual de la interseccin sino que actan en funcin de

reglas predefinidas o en funcin de patrones fijos de tiempo.

Por tanto, como motivacin principal de este proyecto est la comprobacin

de que la regulacin semafrica en funcin de patrones fijos de tiempo no es

efectiva. Adems se pretende verificar que hay soluciones para este problema.

Dicha comprobacin ser mediante la solucin de transformar los semforos

actuales en elementos activos de las intersecciones, que conozcan la situacin

actual de la interseccin para tomar las decisiones ms apropiadas en cada instante

con el fin de mejorar el flujo de trfico de las intersecciones reguladas por

semforos.

Existen otras dos realidades ms que, extrapolando los datos que exponen,

sirven como motivacin extra para la realizacin de este proyecto:



Fuente: [DGT_07]

Fuente: [GRAD07]

Se puede considerar a este proyecto de ambicioso y de largo alcance,

ciertamente su motivacin es esa al intentar solucionar un problema que afecta a

toda a la poblacin de pases desarrollados y donde sus resultados pueden causar

altos beneficios para el desarrollo sostenible.

De forma paralela a toda la motivacin comentada, hay que aadir que el

desarrollo de este proyecto debe realizarse en unas condiciones de tiempo limitado

e intentando minimizar el coste.

A lo largo de esta memoria se van a ir realizando desarrollos y conclusiones

en funcin de la motivacin aqu recogida. Adems, en el captulo 7 se recogen

todas estas conclusiones conectadas, en cierta manera, con la motivacin

presentada.



Captulo 2

Concepto principal



2. Concepto principal

En la siguiente figura se puede observar una representacin de una interseccin de

trfico regulada por semforos. Est compuesta por cuatro vas que acceden a dicha

interseccin, cada una de estas vas con doble sentido de circulacin.

Figura 1. Ilustracin de una interseccin cualquiera

El concepto principal de este proyecto es la creacin de un sistema

inteligente para mejora del trfico, de aqu que este proyecto tambin se conozca

como TEA (Traffic Enhancement Application). Instalando cmaras IP y antenas

Bluetooth en la parte superior de estos semforos se puede conocer el estado del

trfico en un determinado instante para regular el trfico de la manera ms

adecuada y equitativa para ese determinado instante.

Los beneficios que pueden resultar de la aplicacin de este proyecto son

numerosos y hasta que una vez se simulen o se ponga en funcionamiento una

prueba real a gran escala no se pueden cuantificar con precisin. Sin embargo, a

modo de resumen se presenta la siguiente figura que enuncia los beneficios de

instalar cmaras IP y antenas Bluetooth en los semforos



Figura 2. Esquema de beneficios que se obtienen al instalar cmaras IP y antenas Bluetooth

El siguiente paso al conocimiento del estado del trfico en cada instante

consiste en la toma de decisiones. La forma de generacin de la decisin ptima y

equitativa se realiza en los siguientes pasos:

Figura 3. Esquema de integracin de los distintos elementos de este proyecto

Semforos

Capturan una imagen de la va que regulan para un determinadoinstante, usando la cmara IP instalada.

Buscan si algn equipo de emergencia se aproxima por la va queregulan, usando la antena Bluetooth instalada.

Envan la imagen de la va que regulan y los datos de los equipos deemergencia que se aproximan (si existiesen) a un sistema, denominadocentro de control de interseccin.

Control de interseccin

Procesa las imgenes de todos los semforos para un determinadoinstante.

Procesa la informacin sobre equipos de emergencia que se aproximan ala interseccin (si existiesen).

A travs de su sistema de toma de decisiones y de los datos quemaneja, manda la decisin ptima a los semforos para que estos laejecuten y regulen el trfico acorde a la decisin tomada.

Semforos

Ejecutan la decisin tomada por el centro de control de interseccin.



Este proceso se repite continuamente, siguiendo siempre los mismos pasos y

en el mismo estricto orden, caracterstica imprescindible para que la optimizacin

del trfico sea un proceso robusto que no dependa de otros condicionantes.

La siguiente figura, representa el proceso de generacin de la decisin

ptima y equitativa.

Figura 4. Esquema de intercomunicacin de los elementos de este proyecto

A modo de resumen, se describen los elementos que intervienen en este

proyecto y que deben ser instalados en las intersecciones para hacerlo funcionar.

Los modelos que se explican a continuacin son modelos ejemplo con los requisitos

mnimos, otros modelos con caractersticas parecidas pueden funcionar en las

mismas condiciones. Las caractersticas usadas para la realizacin de las pruebas en

un entorno real se encuentran en el apartado 9.2 del presente documento. Las

instrucciones de instalacin se encuentran en el Apndice I.

La siguiente figura muestra los elementos bsicos a instalar para el correcto

funcionamiento del sistema propuesto por este proyecto



Figura 5. Conjunto de requisitos mnimos para el funcionamiento de este proyecto

El conexionado entre los elementos anteriores se realiza siguiendo las

siguientes tcnicas:

Sensor CMOS 640x480

Compatible con: DHCP, DNS y FTP

Servidor WEB integrado

Sistema de proteccin inalmbrica WPA/WPA2

Cmara IP WiFi Conceptronic CAM2

USB Dongle 100m

Antena unidireccional para cada va

Antena Bluetooth Unidireccional

Procesador Core 2 Duo de Intel a 2 GHz

1 GB de SDRAM DDR3 a 1.066 MHz

Disco duro Serial ATA de 120 GB

Cinco puertos USB 2.0

Conexiones inalmbricas Wi-Fi y Bluetooth

Equipo de interseccin Mac Mini

WiFi

USB

Figura 6. Esquema de ejemplo de conectividad entre elementos de este proyecto



Captulo 3

Estado del arte



3. Estado del arte

Los sistemas de regulacin inteligente de transporte (Intelligent Transportation

Systems) estn actualmente en auge. El problema del trfico est siendo estudiado

en todo el mundo, intentando buscar soluciones para los atascos y soluciones desde

un punto de vista sostenible. Cabe destacar los grandes esfuerzos de los pases de la

regin asitica, teniendo como ejemplos los estudios realizados en ciudades donde

el trfico experimenta un crecimiento muy destacado, como Bangkok y Pekn.

Ms concretamente, se van a enumerar una serie de sistemas que ya se

encuentran instalados, enumerando sus ventajas y sus inconvenientes.

Figura 7. Esquema de situacin del estado del arte



No es necesaria la creacin de patrones ya que se tomar la decisin ptima para cada instante sin atender a otras

condiciones.

A modo de resumen se ha especificado una solucin, de las mltiples

existentes, para cada una de las tres alternativas de los sistemas de regulacin

inteligente de transporte. Este proyecto es parte de la alternativa de la generacin

de Decisiones Dinmicas Automticas y resuelve todos los problemas que tienen

las instalaciones especificadas. Los anteriores problemas han sido resueltos por este

proyecto debido a las siguientes razones:

No se discrepa entre horas punta y valle, no se basa en el nmero medio de vehculos que se aproximan. Se toma la decisin ptima,

en funcin de la afluencia de trfico medido en tiempo real.

La instalacin de espiras magnticas requiere cortar el pavimento para su instalacin, interrumpiendo la circulacin. Este proyecto

slo requiere de la instalacin de cmaras IP y antenas Bluetooth.

Usando espiras magnticas slo se puede detectar un vehculo por espira. Con las cmaras utilizadas para el desarrollo del proyecto se han contado hasta 8 vehculos en ensayos experimentales reales.

La necesidad de personal es un requerimiento que este proyecto salva generando la decisin automticamente gracias al Sistema de

Toma de Decisiones desarrollado.

Poblemas

Soluciones

Problemas

Figura 8. Esquema de ventajas de este proyecto frente a otros productos



La implantacin de sistemas inteligentes para regular el trfico se basa en la

utilizacin de sensores que proporcionan informacin en tiempo real sobre el

estado del trfico. Dichos sensores estn basados en las siguientes tecnologas:

Espiras magnticas [GAJD01]: son precisas pero slo detectan la presencia

de un vehculo. Es necesario instalar un conjunto de espiras para poder

contar varios vehculos. Sin embargo su instalacin es cara e invasiva ya

que requiere instalar mucho cableado y cortar el trfico para su instalacin.

Sensores de microondas [WANG92]: de bajo coste de instalacin pero no

son fiables ante vehculos parados. Se considera crtico este apartado ya

que en intersecciones priman los vehculos parados.

Sensores de ultrasonidos [CARU01]: tambin de bajo coste e instalacin

sencilla pero no son capaces de detectar vehculos a larga distancia y por

tanto no pueden detectar los vehculos cuando se estn aproximando y

tomar la decisin ptima para los prximos instantes.

Sensores de infrarrojos [ANDR02]: pueden ser la eleccin perfecta para la

deteccin de vehculos pero pierden efectividad en entornos de ruido

como puede ser su instalacin en entornos reales.

La utilizacin de cmaras IP solventa los problemas citados anteriormente. Se

consigue un sistema ms verstil con respuestas en tiempo real, capacidad de

monitorizar zonas mucho ms amplias [KAST01] y procedimientos de instalacin

sencillos y econmicos. Adems cabe destacar la completa eliminacin de cables de

interconexin. La nica pega sera el desarrollo de algoritmos sofisticados de

tratamiento de imgenes, que han sido creados en este proyecto.

A lo largo de esta memoria se encuentra el estudio del estado del arte

especfico de las tcnicas de procesado digital de imgenes para la deteccin de

vehculos y su posterior conteo. Anlogamente tambin se describe el estado del

arte en cuanto a los diferentes tcnicas de deteccin de vehculos prioritarios y de

sistemas de toma de decisiones.



Captulo 4

Objetivos



4. Objetivos

Los objetivos principales de este proyecto son los que se muestran en el siguiente

diagrama. Estos objetivos sern transformados en funcionalidades o caractersticas

de este proyecto, tal y como se indica en los siguientes apartados de esta memoria.

Minimizar tiempos de espera

Vehculos que entran a una interseccin vaca, tienen que pasar sin esperas.

Vehculos que entran primero deben salir primero.

Tiempo medio de espera de los vehculos en una interseccin debe ser equitativo sin depender de la va en la que se encuentren.

Minimizar emisiones contaminantes

Al reducir tiempos de espera, se reducen las emisiones contaminantes.

Paradas y arranques de vehculos deben ser minimizadas tambin ya que son las actividades ms contaminantes.

Reduccin del nmero de accidentes

Conocer en todo momento si hay algn vehculo atravesando la interseccin despus del cambio a rojo, para retrasar el cambio a verde de las dems vas de la interseccin.

Facilitar la coordinacin del trfico en interseccines de escasa/nula visibilidad.

Prioridad a equipos de emergencia

Los vehculos de emergencia tienen prioridad absoluta de paso, el sistema puede regular los semforos para facilitar el paso.

Entre estos, tienen mayor prioridad los que lleguen primero a la interseccin.

Desarrollo low-cost

El coste del desarrollo del proyecto debe ser lo ms ajustado posible.

Los elementos necesarios para su desarrollo deben ajustarse a los requerimientos mnimos.

Los costes de instalacin deben ser mnimos, aunque esto requiera un coste de desarrollo ms elevado.

El proceso de instalacin debe ser lo menos invasible posible.

Figura 9. Esquema de objetivos a cubrir por este proyecto



Captulo 5

Descripcin del sistema



5. Descripcin del sistema

El sistema desarrollado en este proyecto, denominado como TEA (Traffic

Enhancement Application), se encuentra dividido en los siguientes tres subsistemas:

mdulo de tratamiento digital de imgenes (captulo 6), mdulo de deteccin de

vehculos prioritarios (captulo 7) y el sistema de toma de decisiones (captulo 8).

En la figura se muestra la disposicin de estos subsistemas, siendo el mdulo de

tratamiento digital de imgenes, componente esencial del sistema de toma de

decisiones, y este a su vez es tambin componente esencial del mdulo que ejecuta

la decisin.

Estos subsistemas y sus mdulos correspondientes van a ser descritos a lo largo de

los siguientes captulos.

Figura 10. Esquema de subsistemas de este proyecto



5.1 Metodologa empleada

De las mltiples metodologas de ingeniera de desarrollo de software existentes, se

ha seleccionado Extreme Programming [BECK99], tambin conocida como XP, para

ser empleada en la realizacin de este proyecto.

Las razones de esta eleccin son mltiples pero principalmente se encuentra

la caracterstica de no continuar con la siguiente fase mientras no se haya

confirmado la anterior. Otra caracterstica clave son las pruebas unitarias, pieza

base de este proyecto ya que se divide en tres subsistemas y cada subsistema ha

sido verificado por separado antes de ser integrados en un solo sistema.

A grandes rasgos, la metodologa Extreme Programming se basa en las

siguientes etapas que siguen un ciclo reiterativo:

Anlisis y descripcin informal: requisitos y objetivos a cubrir han sido

fusionados para alcanzar un grado de compromiso entre ellos.

Planificacin y diseo: todo lo desarrollado ha sido antes planificado, con o

sin desviaciones posteriores.

Desarrollo y pruebas: realizando pruebas unitarias para liberar de errores a

los mdulos que se han ido desarrollando, antes de proceder a desarrollar

otros mdulos.

Implementacin y pruebas: las pruebas del sistema integrado han sido

realizadas tanto en entorno simulado como en entorno real. Ambas pruebas

estn explicadas en el captulo 9 de este documento.

Documentacin: realizada de manera simultnea al desarrollo de todas las

componentes de este proyecto.

Otro aspecto de vital importancia son las constantes reuniones del equipo

de proyecto para comentar mejoras, solventar errores e informar del estado del

desarrollo. Estas reuniones han sido llevadas a cabo semanalmente, tal y como

muestra la planificacin de este proyecto explicada en el captulo 8 de esta

memoria.



Captulo 6

Mdulo de tratamiento

digital de imgenes



6. Mdulo de tratamiento digital de imgenes

El mdulo de tratamiento digital de imgenes tiene por objeto identificar y contar

los vehculos que se encuentran en una va, con el fin de proporcionar estos

resultados al sistema de toma de decisiones para generar la decisin ptima en

tiempo real.

El subsistema de tratamiento digital de imgenes tiene como mdulos

internos la deteccin de los vehculos que aparecen en cada imagen as como hacer

una estimacin de la velocidad de estos a partir de las imgenes de entrada, estos

dos elementos son medidas en tiempo real sobre el estado del trfico que se

obtienen, gracias a las cmaras IP instaladas en la parte superior de los semforos.

A lo largo de este captulo se describe en profundidad la creacin, desarrollo

y puesta en funcionamiento de este mdulo de tratamiento de imgenes en el

contexto en el que este proyecto se sita.



6.1 Estudio de diferentes tcnicas

En las ltimas dcadas se han desarrollado teoras y tcnicas con el fin de discernir

caractersticas a partir de imgenes. Para este proyecto se han estudiado varias de

estas tcnicas. En este documento se recogen y se explican las ventajas/desventajas

de cada tcnica respecto al contexto y a los objetivos de este proyecto. Como

requisitos indispensables se encuentran la rapidez de proceso y sobre todo la

fiabilidad de los resultados que se obtienen al aplicar estos procedimientos.

6.1.1. Deteccin de vehculos basada en redes neuronales

Mediante el concepto de redes neuronales [ENGH08] y [PAPA00] se puede resolver

el problema de deteccin de vehculos en una imagen. La tcnica consiste

bsicamente en la introduccin de una serie de patrones, los tipos de vehculos a

detectar, para que estos sean detectados en las imgenes de entrada.

Como ventaja de esta tcnica se encuentra la robustez de sus resultados,

una vez que se ha introducido un gran nmero de patrones, la red neuronal puede

reconocer los vehculos.

Por otro lado, se encuentra la desventaja de que el nmero de patrones que

siguen los vehculos es muy amplio y deben ser todos introducidos en un

procedimiento de aprendizaje. Adems hay que aadir el problema del enfoque de

las cmaras ya que los patrones no pueden ser cualesquiera, deben coincidir con el

punto de vista que posean las cmaras del sistema instalado.

Figura 11. Patrones introducidos a la red para su aprendizaje



Tras comprobar su funcionamiento mediante utilidades gratuitas disponibles

para MATLAB, se descarta esta teora por no satisfacer las necesidades de este

proyecto. Las siguientes figuran muestran la ejecucin de dichas utilidades con los

resultados correspondientes.

Figura 12. Resultado 1 de uso de red neuronal. Tiempo de proceso = 147,61 segundos.

Figura 13. Resultado 2 de uso de red neuronal. Tiempo de proceso = 57,87 segundos.



6.1.2. Deteccin de vehculos basada en movimiento

Esta tcnica se basa en el estudio de una secuencia de imgenes separadas entre s

por muy poco tiempo, del orden de milisegundos, con el fin de detectar si ha habido

cambios entre unas y otras capturas para conocer si han entrado o han salido

vehculos en la interseccin [PORN08].

Como ventaja de este procedimiento est la facilidad de desarrollo e

implementacin pero como desventaja se encuentra la escasa fiabilidad de este

proceso ya que si hay retraso significativo entre las secuencias de imgenes, los

resultados que devuelve no son fiables. Adems esa probabilidad de retraso entre la

llegada de imgenes es muy alta debido a la conectividad Wireless entre las

cmaras y el centro de interseccin donde se procesan las fotos.

En un proceso anlogo al caso de las redes neuronales, se han realizado

pruebas de fiabilidad de esta tcnica. En las siguientes figuras se puede comprobar

cmo puede llegar a detectar un vehculo debido al movimiento. El resto de los

vehculos no son detectados porque su desplazamiento es casi nulo debido a la

perspectiva de la imagen.

Figura 14. Resultado 1 de uso de deteccin de movimiento.



Figura 15. Resultado 2 de uso de deteccin de movimiento.

6.1.3. Deteccin de vehculos basada en luminosidad

Este proyecto adapt en primera opcin el estudio de la luminosidad de los

componentes de las imgenes como tcnica para la deteccin de vehculos. El

objetivo es detectar vehculos en la imagen debido al cambio de luminosidad que se

produce entre el carril donde se encuentran y el propio vehculo.

Este procedimiento se basa en el estudio de los componentes que superan

un cierto umbral de luminosidad en una imagen. Una vez discrepados estos

elementos, se estudian sus caractersticas principales, sobre todo su morfologa

para diferenciar entre vehculos y no vehculos.

A la hora de realizar las pruebas de fiabilidad de este procedimiento se han

descubierto las siguientes debilidades. Cada debilidad identificada se muestra con

un ejemplo elaborado usando MATLAB como herramienta de tratamiento digital de

imgenes. A la izquierda se muestra la imagen original y a la derecha la imagen tras

haber sido procesada digitalmente con esta tcnica.



Problemas de deteccin de vehculos oscuros, tales como vehculo de

colores negro o similar. No se distingue el vehculo de la calzada, slo

aparecen algunos elementos del vehculo en la imagen procesada.

Figura 16. Resultado 1 de usar deteccin por discrepancia de luminosidad

Consideracin como vehculo de zonas donde se produce un contraste de

sol y sombra. En esta imagen se pone de manifiesto tambin la debilidad

anterior ya que vehculos oscuros como los que aparecen a la derecha de la

imagen no son identificados por esta tcnica. Tambin se puede comprobar

que las zonas donde no hay sombra producida por los rboles, se crean

manchas de sol donde la luminosidad supera el umbral establecido y por

tanto lo identifica como regin de inters.

Figura 17. Resultado 2 de usar deteccin por discrepancia de luminosidad.



Como resultado de las pruebas de fiabilidad realizadas a este procedimiento,

se ha obtenido la siguiente grfica, de donde se muestra la cantidad de aciertos y de

errores de esta tcnica ante 66 de imgenes de pruebas.

En esta grfica se representa el nivel de discrepancia entre el nmero de

vehculos detectados en la imagen y el nmero de vehculos que realmente hay. En

la mayora de los casos el resultado es correcto (discrepancia 0), sin embargo en

bastantes casos hay errores: se detecta un vehculo adicional en 30% de los casos y

uno o dos menos en 25% de los casos.

En contraposicin a los resultados anteriormente expuestos, esta tcnica es

completamente vlida para la deteccin de vehculos durante condiciones donde no

existe luz natural o es muy escasa. Ajustando el umbral de corte adecuadamente se

pueden discrepar perfectamente los faros de los vehculos, cuya luminosidad es

elevada.

Como resultado de esta conclusin, el mdulo de deteccin de vehculos

debe precederse de la comprobacin del grado de luz natural existente a la hora de

0

5

10

15

20

25

30

-5 -4 -3 -2 -1 0 1 2 3 4 5

Can

tid

ad d

e ej

emp

los

Evaluacin de deteccin por discrepancia de luminosidad

Cantidad de ejemplos

Figura 18. Grfica de errores de la deteccin de vehculos mediante discrepancia por luminosidad



tomar la imagen. En funcin de este grado se usa la tcnica de deteccin por

discrepancia de contraste, expuesta en el siguiente apartado de este documento, o

bien se usa la expuesta en este apartado del documento para localizar los faros de

los vehculos.

Como verificacin de la bondad de la tcnica de discrepancia de luminosidad

para una situacin donde no exista luz natural, se muestra el siguiente ejemplo. La

imagen superior es la imagen original, tomada durante la fase de pruebas en

entorno real que se describe en el captulo 6.2 del presente documento. La imagen

inferior es el resultado tras el tratamiento digital usando el mtodo de discrepancia

por luminosidad. Como se puede comprobar slo aparecen los faros del vehculo y

por tanto se puede concluir que hay un vehculo en ese carril en ese instante.

Figura 19. Resultado de ejecutar la tcnica de discrepancia de luminosidad en un entorno con escasa luz

natural.



6.1.4. Deteccin de vehculos basada en contraste

En este apartado se va a describir la tcnica de deteccin de zonas de inters en

imgenes utilizando una medida discrepancia de contraste de todos los elementos

de una imagen.

El mtodo de la deteccin de vehculos mediante contraste se basa en la

tcnica de deteccin de bordes. Esta forma de detectar bordes est constituida por

el clculo de la entropa de los elementos que aparecen en una imagen. A grandes

rasgos, la entropa es el contraste que existe entre dos o ms elementos de una

imagen. La deteccin de los elementos que se encuentran en la calzada se realiza

fcilmente mediante esta tcnica ya que existe un alto contraste entre el pavimento

de la calzada con los vehculos que circulan por ella.

Una grfica que muestra la fiabilidad de este mtodo es la siguiente. Se han

usado en total 481 imgenes de muestra (entre imgenes de noche e imgenes de

da), tomadas con cmaras IP instaladas en semforos en una interseccin real.

Figura 20. Grfica de fiabilidad de la deteccin de vehculos mediante discrepancia por contraste

Con esta tcnica se resuelven todos los problemas enunciados en el

apartado anterior sobre la tcnica de deteccin de vehculos usando discrepancia

por luminosidad. Adems los siguientes factores son resueltos por esta tcnica:



No son necesarios valores fijos de binarizacin. Valores que son

obligatorios a la hora de hacer una discrepancia por luminosidad para

separar los elementos pertenecientes a las zonas de inters y los elementos

que no son importantes.

o Se ahorran por tanto valores de configuracin a la hora de instalar

este proyecto, creando una solucin ms robusta para ms tipo de

situaciones.

Los problemas de deteccin de vehculos oscuros son solucionados. Esto es

debido al contraste existe entre el vehculo y la calzada. La siguiente figura

muestra la comparacin con el mtodo de discrepancia por luminosidad. Se

puede comprobar que la deteccin de bordes funciona mejor, teniendo ms

forma de vehculo, que la deteccin usando discrepancia por luminosidad.

Figura 21. Comparacin de tcnicas de deteccin de vehculos. (a) Imagen original, (b) discrepancia por

luminosidad y (c) discrepancia por contraste.

(a) (b)

(c)



Problemas en zonas de sol y sombra son solucionados. En este caso, el

contraste entre las zonas de sol y sombra se produce de manera gradual en

nivel de entropa demasiado bajo como para que pertenezca a una zona de

inters a estudiar. La siguiente figura muestra la comparacin con el mtodo

de discrepancia por luminosidad. Se puede comprobar que la deteccin de

bordes funciona mejor, no detectando como regin de inters la zona donde

se produce la transicin de sol y sombra. Los pequeos puntos que se

detectan en la zona de carril no tienen importancia ya que son filtrados en

un proceso posterior que estudia la morfologa del los elementos detectados

para comprobar si son vehculos o no.

Figura 22. Segunda comparacin de tcnicas de deteccin de vehculos. (a) Imagen original, (b)

discrepancia por luminosidad y (c) discrepancia por contraste.

(a) (b)

(c)



Mejora en la deteccin del volumen de los vehculos. Ya que la deteccin

de bordes devuelve un permetro fidedigno de los elementos que detecta, se

concluye que este mtodo presenta una mejora a la hora de estimar el

volumen de los vehculos que el sistema detecta y por tanto se pueden dar

valores ms fiables de nmero de vehculos que se aproximan hacia la

interseccin. En la siguiente figura, se muestra una comparacin entre los

mtodos de discrepancia por luminosidad y el mtodo de deteccin de

bordes en el contexto de esta situacin.

Figura 23. Tercera comparacin de tcnicas de deteccin de vehculos. (a) Imagen original, (b)

discrepancia por luminosidad y (c) discrepancia por contraste.

(a) (b)

(c)



Mejora en la deteccin de varios vehculos que se encuentren bastante

lejanos. Como se puede comprobar en la siguiente figura, cuando se

encuentran varios vehculos juntos y algunos de ellos no son bien detectados

se puede llegar a confundir la manera de contar el nmero de vehculos.

Gracias a la tcnica de deteccin de bordes se puede individualizar cada

vehculo para ser procesado de manera independiente.

Figura 24. Cuarta comparacin de tcnicas de deteccin de vehculos. (a) Imagen original, (b) discrepancia

por luminosidad y (c) discrepancia por contraste.

Como resultado de todo lo enunciado en este apartado, esta tcnica de

deteccin de vehculos usando discrepancia por contraste es la utilizada por este

proyecto para el conteo de vehculos. La forma de implementar este mtodo se

encuentra en el apartado 6.3 de esta memoria.

(a) (b)

(c)



6.2 Deteccin de vehculos que se aproximan a la

interseccin

Dado el anterior estudio de las diferentes tcnicas de deteccin de vehculos

mediante tratamiento digital de imgenes se realiza el siguiente desarrollo para

ello. Este primer componente del proyecto es la parte que ha requerido de ms

investigacin y tiempo de desarrollo, debido a su complejidad. Sin embargo es el

componente que mayor beneficio aporta en cuanto al objetivo de reduccin de

coste del sistema final.

Como se ha concluido en apartados anteriores, hay que aplicar una tcnica

diferente segn las condiciones de luz que tenga la imagen de estudio. De esta

manera queda como parmetro necesario, entre otros, el algoritmo a utilizar segn

el estudio de la luz natural de las imgenes.

Un esquema que muestra las entradas, los parmetros de configuracin y las

salidas de este mdulo es el siguiente:

Imagen de entrada

MATLABImage Processing ToolboxParmetros:

-Posicin del carril de estudio

- Algoritmo a usar- Imagen del carril sin

vehculos

Nmero de vehculos detectadosCarril paracorrelacin

Imagen resultado

Figura 25. Esquema de funcionamiento del mdulo de deteccin de vehculos que se aproximan a la

interseccin



Como resultados se encuentran:

Carril de correlacin: es la lnea que describe el movimiento del vehculo

dentro del carril. Este resultado va a ser usado en el apartado 6.8 de esta

memoria para estimar la velocidad de los vehculos que se encuentran en el

carril de estudio.

Imagen resultado: usada para mostrar los resultados en el sistema de toma

de decisiones explicado en el captulo 8.

Por otro lado, los parmetros necesarios para la ejecucin de este algoritmo

y que indica la figura anterior son los siguientes:

Posicin del carril de estudio: utilizando este parmetro slo se procesa el

carril donde se encuentran los vehculos. Como ventajas de realizar esta

reduccin del problema estn las siguientes:

o Menor tiempo de proceso. A menos pxeles de la imagen a procesar,

menos tiempo necesario para procesar la imagen completa. A baja

escala las diferencias son mnimas pero a larga escala el ahorro es

significativo.

o Solucin de errores de deteccin. Sin recortar el carril, hay

elementos que pueden ser detectados como regiones de inters

pero que estn fueras de las zonas por donde circulan los vehculos.

Por esta razn la deteccin de esos elementos es evitada si se

recorta el carril. Por ejemplo evita contar vehculos estacionados y

adems evita confundir los vehculos que se alejan del cruce, de los

que se aproximan a este.

o Tratamiento especial a carriles. En vas de varios carriles permite

contabilizar cada carril independientemente, permitiendo realizar un

tratamiento especial a los carriles de giro obligatorio.

En las siguientes imgenes se puede comprobar la deteccin de elementos

que no deben ser tenidos en cuenta en este proyecto, como por ejemplo los

vehculos aparcados a los laterales de los carriles de estudio. Al recortar el



carril no se detectan estos y se obtienen solamente los datos necesarios

para la toma de decisiones.

Figura 26. Ejemplo de beneficio al recortar el carril para no detectar vehculos aparcados

En este otro caso, al recortar el carril no se tienen en cuenta vehculos que

ya han cruzado la interseccin, o que no van en direccin a la interseccin y

por tanto no deben ser contabilizados para la toma de decisiones.

Figura 27. Ejemplo de beneficio al recortar el carril para no detectar vehculos que no intervienen en la

interseccin



Seleccin automtica del algoritmo a usar: tal y como se ha concluido en los

anteriormente en esta memoria, es necesario utilizar distintos algoritmos

segn la luminosidad que se ha ido observando en las ltimas imgenes

procesados. De esta manera los porcentajes de fiabilidad que se alcanza

giran en torno al 95%. En las siguientes imgenes se puede comprobar las

distintas luminosidades medias de cada imagen, por tanto se puede inferir

que algoritmo a utilizar segn estos valores.

Figura 28. Imgenes que muestran los distintos rangos de luminosidades medias

La manera en que se toma la decisin de qu algoritmo utilizar, no se

basa exclusivamente en la luminosidad de la imagen sino en la progresin a

lo largo del tiempo. El algoritmo ser descrito en el apartado 6.8 de este

documento con el cdigo desarrollado explicado en amplio detalle.

Imagen del carril sin vehculos: es completamente normal que existan

elementos en los carriles de estudio que se encuentren de manera

constante y esttica. Estos elementos pueden ser flechas de direccin,

limitadores de velocidad imprimidos en el pavimento y lneas divisoras de

carril. Todos estos elementos se encuentran en el carril de estudio y al

ejecutar el algoritmo pueden ser detectados y clasificados como vehculos,

siendo errores de contabilizacin que intervienen en el sistema de toma de

decisiones como una desviacin. Para contrarrestar esta desviacin es

necesario una imagen del carril de estudio sin vehculos en l, para

identificar estas zonas de inters estacionarias para no tenerlas en cuenta y

Amanecer

Luminosidad

media = 37.4

Atardecer

Luminosidad

media = 90.7

Medioda

Luminosidad

media = 114.5

Noche

Luminosidad

media = 35.5



discreparlas de las zonas de inters verdaderamente identificadas como

vehculos.

Figura 29. Conjunto de imgenes que muestran los elementos que no deben ser contabilizados

En el siguiente apartado, se detalla exhaustivamente como es utilizada esta

imagen del carril sin vehculos para no contabilizar elementos estacionarios en los

carriles de estudio.

La funcin general para detectar y contabilizar el nmero de vehculos en la

llegada a una interseccin, se ha denominado TEA. Esta funcin realiza el anlisis de

la imagen adquirida por las cmaras IP, de acuerdo al algoritmo de deteccin de da

o de noche y devuelve el nmero de vehculos y una imagen relacionada con el

proceso de clculo. Los detalles de la funcin se presentan en el siguiente apartado.

Imagen a procesar

Imagen sin vehculos

Elementos que

no deben ser

contabilizados



6.3 Algoritmo de deteccin de vehculos de da

A continuacin se muestra el cdigo fuente en entorno de desarrollo MATLAB para

la deteccin de vehculos durante la existencia de luz natural. De forma paralela, se

aaden un conjunto de imgenes de ejemplo para ilustrar el proceso. Tal y como se

ha explicado en apartados anteriores de esta memoria, este algoritmo se basa en la

discrepancia por contrastes usando tcnicas de deteccin de bordes.

La funcin que se presenta a lo largo de este apartado es llamada por otra

funcin MATLAB que se presenta en el apartado 6.8 del presente documento. Dicha

funcin es la encargada de hacer el estudio de correlacin para la estimacin de la

velocidad y por tanto necesita de la siguiente funcin, que es llamada TEA con el fin

de simplificar.

function [carrilCorrelacion, vehiculosDetectados, imagenResultado] = TEA (imagen, 1

algoritmo, carrilCoordX, carrilCoordY) 2

La declaracin de la funcin es la correspondiente al esquema presentado en la

figura 26. Como resultados de ejecutar este algoritmo deben estar: el carril para

el estudio de correlacin con las imgenes anteriores (matriz lgica), el nmero

de vehculos detectados (entero) y la imagen resultado para que esta sea

mostrada en el sistema de toma de decisiones de este proyecto (matriz 3D de

enteros en RGB). Anlogamente como argumentos a esta funcin se encuentran:

la propia imagen a ser procesada (matriz de enteros en escala de grises), una

cadena de caracteres indicando el algoritmo a seguir, sea de da o de noche y

las coordenadas del eje de abscisas y de ordenadas para poder recortar el carril

haciendo que este algoritmo sea lo ms efectivo posible (matrices de enteros).

coordenadasCarril = roipoly(imagen,carrilCoordX,carrilCoordY); 3

imagen(~coordenadasCarril) = NaN; 4

carril = imagen; 5



Como primer paso, se encuentra el recorte de la imagen de entrada para

solamente quedarse con el carril por donde circulan los vehculos potenciales que

se quieren detectar. La funcin roipoly recibe la imagen de entrada y las

coordenadas sobre los ejes de abscisas y ordenadas para crear una mscara. Esta

mscara es usada en la lnea 4 y elimina toda la informacin que no pertenece al

carril. Por ltimo la imagen pasa a llamarse carril para su posterior proceso, con el

algoritmo de da o de noche.

Figura 30. Pareja de imgenes que demuestran cmo se extrae el carril. Imagen original a la izquierda y

carril extrado a la derecha

A continuacin se describen los detalles de la deteccin en condiciones de da,

dentro de la funcin general denominada como TEA.

if(strcmp(algoritmo,'Dia')) 6

carrilSobel = edge(carril,'sobel', 0.08); 7

carrilMediaSobel = edge(carrilMedia,'sobel', 0.08); 8

Tras la comprobacin de cul algoritmo hay que ejecutar en funcin de la

luminosidad de la imagen, al pertenecer la imagen al algoritmo de da se procede

a aplicar la discrepancia por contraste utilizando la tcnica de deteccin de

bordes. La funcin edge recibe la imagen a procesar en escala de grises, el

mtodo a aplicar que en este caso es Sobel y un valor de threshold para que slo

devuelva aquellos bordes ms fuertes que el valor indicado de 0.08. La eleccin

del mtodo de Sobel y de ese valor de threshold no son casuales, tras un

exhaustivo proceso de prueba y verificacin de resultados se concluye que Sobel

era el mtodo cuyos resultados son ms simples y claros y que ese valor de

threshold era suficiente para no perder bordes dbiles y para eliminar bordes que

no intervienen a la hora de discrepar entre vehculos.



Figura 31. Imgenes que representan la aplicacin del mtodo de Sobel sobre el carril con vehculos

(arriba) y sobre el carril sin vehculos (abajo)

carrilSobelCorrelacion = edge(carril, 'sobel', 0.08, 'horizontal'); 9

Como caso particular de la aplicacin del mtodo de deteccin de bordes, se

encuentra la aplicacin de dicho mtodo a la hora de obtener el carril que se usa

para el estudio de correlacin. Las anteriores aplicaciones del mtodo de Sobel

detectan bordes tanto de manera horizontal como vertical, pero para el estudio

de correlaciones es necesario que los bordes verticales no aparezcan. La razn de

este proceder es que los bordes verticales pueden inducir errores a la hora de

realizar el estudio de correlacin tal y como se explica en el apartado 6.8 de este

documento.

Figura 32. Imgenes que muestran como es la aplicacin del mtodo de Sobel pero slo de manera

horizontal



coordenadasCarrilDilatadas = imerode(coordenadasCarril,strel('disk',2)); 10

carrilSobelSinBordes = carrilSobel; 11

carrilMediaSobelSinBordes = carrilMediaSobel; 12

carrilSobelCorrelacionSinBordes = carrilSobelCorrelacion; 13

carrilSobelSinBordes(~coordenadasCarrilDilatadas) = 0; 14

carrilMediaSobelSinBordes(~coordenadasCarrilDilatadas) = 0; 15

carrilSobelCorrelacionSinBordes(~coordenadasCarrilDilatadas) = 0; 16

carrilCorrelacion = carrilSobelCorrelacion; 17

Al aplicar la deteccin de bordes, obviamente se introduce otro borde propio

alrededor del carril que se extrae ya que existe un contraste muy pronunciado

entre el carril y el fondo negro que se crea al extraer el carril. Las anteriores lneas

se encargan de eliminar este borde usando la funcin imerode que se encarga de

eliminar ese borde indicndole como argumentos las coordenadas del carril y una

estructura de disk de radio 2 pxeles para eliminar ese borde extra que se

introduce y sus alrededores. Un conjunto de imgenes que ilustra lo anterior se

presenta a continuacin.

Figura 33. Resultado tras eliminar el borde extra que se introduce al recortar el carril en cada una de las

imgenes anteriores.



carrilDilatado = imdilate(carrilSobelSinBordes,strel('disk',3)); 18

carrilMediaDilatado = imdilate(carrilMediaSobelSinBordes,strel('disk',3)); 19

Una vez preparado el carril con los bordes de los vehculos ya detectados, se

procede a dilatar los bordes (usando imdilate) para llegar a unir bordes difusos

que no se han detectado e intentar conseguir crear elementos lo ms completos

posibles.

Figura 34. Pareja de imgenes donde se puede comprobar la ganancia al dilatar los bordes encontrados

carrilClosed = imclose(carrilDilatado,strel('disk',3)); 20

carrilMediaClosed = imclose(carrilMediaDilatado,strel('disk',3)); 21

carrilFilled = imfill(carrilClosed,'holes'); 22

carrilMediaFilled = imfill(carrilMediaClosed,'holes'); 23

El siguiente paso sirve para cerrar los bordes que se encuentran cercanos (usando

imclose) as como para rellenar los huecos que existen entre los bordes

(mediante imfill). Gracias a estos dos procedimientos se consigue, hasta cierto

grado, la morfologa completa del vehculo que se detecta. En la siguiente pareja

de imgenes se comprueba que el vehculo que se encuentra en la parte de arriba

se ha detectado de manera casi perfecta su morfologa. En cambio en el vehculo

en la parte de abajo, an estando ms cerca, su morfologa no se detecta en su

totalidad. Esto es debido a que los bordes detectados no se encuentran

suficientemente cercanos para que sean unidos, y que la seleccin de carril

recorta el vehculo a la mitad. An as, ya que el nmero de pxeles que se

detectan para el vehculo que se encuentra abajo y adems su tamao



corresponden con los de un vehculo, en posteriores pasos de clasificacin es

contabilizado como vehculo. Queda latente que con imgenes tomadas desde

una parte ms superior del carril, la deteccin sera mucho ms fiable.

Figura 35. Pareja de imgenes que muestra el proceso de las funciones imclose e imfill

carrilFinal = bwareaopen(carrilFilled,1500); 24

carrilMediaFinal = bwareaopen(carrilMediaFilled,1500); 25

El ltimo paso es limpiar los resultados de elementos que claramente no son

vehculos. Los grupos de pxeles que no superan 1500 pxeles son eliminados

(mediante la funcin bwareaopen) para reducir el nmero de zonas de inters de

estudio as como para eliminar posibles casos errneos. En el siguiente par de

imgenes se muestra como se eliminan algunos conjuntos de pxeles ya que no

superan este lmite de 1500 pxeles, lmite que est fijado para imgenes de

640x480 ya que son las imgenes que suele devolver una cmara IP.

Figura 36. Imgenes que muestran el proceso de limpieza de elementos que no superan el tamao mnimo

en pxeles de un vehculo

[labelled,nComponents] = bwlabel(carrilFinal); 26



Mediante la funcin bwlabel se separan definitivamente los elementos que se

han detectado antes de pasar a la clasificacin e identificacin como vehculos. En

las siguientes imgenes se comprueba como los dos elementos son coloreados

con distintos tonos para diferenciarlos.

Figura 37. Imgenes donde se muestra como se pasa a identificar de manera separada a los dos

componentes.

caracRegion = regionprops(labelled,'basic'); 27

vehiculosEsperando = 0; 28

vehiculosEsperandoLongitud = 0; 29

arrayIndicesProcesados = zeros(nComponents,1) 30

for indice=1:nComponents 31

Una vez realizado todos los procesos anteriores, se obtienen una serie de

elementos que, en las siguientes lneas de cdigo, van a ser estudiados, uno por

uno, sobre su morfologa gracias a la funcin regionprops. Esta devuelve el

centroide del elemento y el rectngulo que mejor envuelve al elemento

(denominado minimum bounding box) facilitando el clculo de su morfologa.

Tambin se puede comprobar que en las lneas anteriores se inicializan las

variables para el conteo de vehculos.

if(arrayIndicesProcesados(indice) == 0) 32

[filasFirst, columFirst] = find(labelled == indice,1,'first'); 33

[filasLast, columLast] = find(labelled == indice,1,'last'); 34

filas = (filasFirst+filasLast)/2; 35

coordX = caracRegion(indice).Centroid(1); 36



coordY = caracRegion(indice).Centroid(2); 37

volumen = 0; 38

longitud = 0; 39

arrayIndicesProcesados(indice) = 1; 40

41

for indiceCercano=indice:nComponents 42

if(arrayIndicesProcesados(indiceCercano) == 0) 43

coordXSiguiente = caracRegion(indiceCercano).Centroid(1); 44

coordYSiguiente = caracRegion(indiceCercano).Centroid(2); 45

46

if(coordY < 200) 47

separacionOKCoordX = 20; 48

separacionOKCoordY = 20; 49

elseif(coordY >= 200 && coordY < 300) 50



elseif(coordY >= 300 && coordY < 400) 53



elseif(coordY >= 400) 56



end 59

60

if( abs(coordXSiguiente - coordX) < separacionOKCoordX && 61

abs(coordYSiguiente - coordY) < separacionOKCoordY) 62

arrayIndicesProcesados(indiceCercano) = 1; 63

volumen = volumen + length(find(labelled == indiceCercano)); 64

[filasLastSiguiente, columLastSiguiente] = find(labelled == 65

indiceCercano,1,'last'); 66

if(filasLastSiguiente > filasLast || columLastSiguiente > columLast) 67

filasLast = filasLastSiguiente; 68



columLast = columLastSiguiente; 69

coordX = caracRegion(indiceCercano).Centroid(1); 70

coordY = caracRegion(indiceCercano).Centroid(2); 71

end 72

73

longitudSiguiente = abs(filasLast - filasFirst); 74

75

if(longitudSiguiente > longitud) 76

longitud = longitudSiguiente; 77

end 78

end 79

end 80

end 81

En la parte de cdigo que precede se comparan los elementos entre s con el fin

de contabilizar alguno de ellos de manera conjunta. Tras numerosas pruebas se

concluye que este proceso es necesario ya que en algunos casos los vehculos

aparecen divididos en dos objetos muy prximos pero disjuntos. En la realizacin

de este proceso intervienen una serie de parmetros fijos, tales como la

separacin permitida entre elementos para ser unidos. Estos parmetros fijos han

sido calculados en funcin de pruebas, todas ellas en imgenes de tamao

640x480 pxeles que es el tamao estndar que devuelven las cmaras IP y el

recomendando para intentar detectar el mximo nmero de vehculos.

Figura 38. Imgenes donde se muestra como el vehculo que se muestra a la izquierda, es dividido en dos

elementos debido a un reflejo.



volumen = volumen + length(find(labelled == indice)); 82

83

if(volumen > 20000) 84

pxNecesarios = 7000; 85

vehiculosEsperando = vehiculosEsperando + floor(volumen / 86

pxNecesarios); 87

88

elseif(filas >= 0 && filas < 135) 89




pxNecesarios); 93

elseif (volumen > 800) 94

vehiculosEsperando = vehiculosEsperando + 1; 95

end 96

97





pxNecesarios); 102

elseif(volumen > 1000) 103


end 105


if(volumen > 2800) %2500 107

pxNecesarios = 2800; % 2500 108


pxNecesarios); 110



end 113



elseif(filas >=250 && filas < 300) 114




pxNecesarios); 118



end 121

122

elseif(filas >=300) 123




pxNecesarios); 127



end 130

end 131

El proceso anterior realiza la primera aproximacin para contabilizar los vehculos

detectados. En primer lugar calcula el nmero de pxeles que tiene la

componente que se est estudiando en ese momento, de todas las que haya. Una

vez calculado el nmero de pxeles se hace una primera comprobacin con un

nmero de pxeles elevado, concretamente 20.000. Este valor es un valor

estimado de nmero de pxeles para un elemento de un tamao muy grande,

tales como autobuses o camiones largos.

En el caso de superar ese valor de 20.000, el nmero de pxeles detectados

es dividido entre 7.000, valor de nmero de pxeles medio de un vehculo

para transformar ese posible vehculo de gran tamao en varios vehculos de

tamao normal. De aqu se puede inferir la regla de que 1 camin equivale a

entre 2 y 3 vehculos de tamao normal a la hora de contabilizar vehculos

por este algoritmo.



En caso contrario, el nmero de pxeles es estudiado en funcin de su

posicin ya que es muy importante la posicin en la que se encuentre la

componente que se est estudiando. No es lo mismo 3.000 pxeles en la

parte de alta (lejana) del carril, ya que podran ser dos vehculos, que 3.000

pxeles en la parte baja (cercana) del carril, ya que solamente puede ser un

vehculo de bajo tamao.

Figura 29. Imagen que muestra el volumen en pxeles de dos vehculos

longitudActual = caracRegion(indice).BoundingBox(4); 132

if(longitudActual > longitud) 133

longitud = longitudActual; 134

end 135

136

if(longitud > 550) 137

longNecesaria = 50; 138

vehiculosEsperandoLongitud = vehiculosEsperandoLongitud + 139

floor(longitud / longNecesaria); 140

141


if(longitud >= 40) 143




elseif (longitud > 20) 147

Volumen = 2.331 pxeles

Volumen = 9.769 pxeles



vehiculosEsperandoLongitud = vehiculosEsperandoLongitud + 1; 148

end 149

150


if(longitud >= 55) 152




elseif (longitud > 20) 156

vehiculosEsperandoLongitud = vehiculosEsperandoLongitud + 1; 157

end 158

159


semf imagenes y blue toot.pdf

Documents