Implementación de un algoritmo para la detección de señales de tránsito del Ecuador: Pare, Ceda el paso y Velocidad

• Autores: Marco Javier Flores Calero, Cristian Conlago, Jhonny Yunda, Milton Rodrigo Aldás Sánchez, Carlos Alberto Flores Vázquez
• Localización: Ingenius: Revista de Ciencia y Tecnología, ISSN 1390-650X, ISSN-e 1390-860X, Nº. 20 (Julio-diciembre), 2018, págs. 9-20
• Idioma: español
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Este artículo presenta un prototipo de un sistema embarcado en un vehículo para la detección de señales de tránsito (SDST). Por lo tanto, un nuevo enfoque para la construcción de un SDST se presenta usando las siguientes innovaciones, i) un método eficiente de segmentación por color para la generación de regiones de interés (ROI) basado en los algoritmos k-NN, con Km-means, ii) una nueva versión del descriptor HOG para la extracción de características, y iii) el entrenamiento del algoritmo SVM no-lineal para multiclasificación. El enfoque propuesto ha sido probado sobre un subconjunto de las señales de tránsito ecuatorianas de regulación (Pare, Ceda el paso y Velocidad). Varios experimentos han sido desarrollados en condiciones reales de conducción en varias ciudades ecuatorianas, bajo tres condiciones de iluminación: normal, soleado y nublado. Este sistema ha mostrado un desempeño global del 98,7 % para la segmentación, 99,49 % para la clasificación y una precisión global del 96 % en la detección.

  • English

    This paper presents a prototype for a traffic sign detection system (TSDS) on-board a moving vehicle. Therefore, a new approach to the development of an TSDS is presented, using the following innovations: i) an efficient method of color segmentation for the generation of regions of interest (ROIs) based on k-NN with Km-means , ii) a new version of the HOG descriptor for feature extraction and iii) SVM training for stage multi-classification. The proposed approach has been specialized and tested on a subset of regulatory Ecuadorian signs (Stop, Give-way and Speed). Many experiments have been carried out in real driving conditions, under different lighting changes such as normal, sunny and cloudy. This system has showed a global performance of 98.7% for segmentation, 99.49% for classification and an accuracy of 96% for detection.