La base de datos se vertebra en una estructura de directorios organizada jerárquica- mente por color y forma geométrica. La estructura se organiza de acuerdo a la gura 3.5, teniendo en cuenta que las señales pueden ser segmentadas por cuatro colores típi- cos: azul(`BSg'), rojo(`RSg'), blanco (`WSg') y amarillo (`YSg'), y que pueden presentar tres formas geométricas: `Círculo', `Triángulo' y `Rectángulo'. Debido a que las señales de advertencia de peligro y numerosas señales de reglamentación contienen una orla exter- na roja alrededor de un fondo blanco o amarillo, éstas pueden ser segmentadas por dos colores. De esta manera, podemos encontrar muestras de una misma señal en diferentes directorios (como un ejemplo, encontraremos patrones de señales de límite de velocidad dentro del directorio `Círculo' de color rojo(`RSg') y en el directorio `Círculo' de color blanco (`WSg')). En cualquier caso, por cada muestra se generan tres archivos con la siguiente información:
Imagen de la escena completa. Imagen de la escena vial completa que incluye la señal.
Figura 3.5: Estructura de directorios por color y forma en la base de datos.
Patrón de la señal. Imagen de la muestra recortada de la señal de tráco, la cual es extraída de la imagen completa. Cada blob es normalizado en tamaño, en concreto a 31×31 píxeles.
Anotación. Archivo que contiene información complementaria asociada a la mues- tra. Incluye la ruta y el nombre de la imagen original a partir de la cual ha sido extraída, la forma geométrica de la señal, el color por el que ha sido segmentada, la matriz de transformación que permite realizar la extracción del blob a partir de la imagen de la escena completa y el tipo de señal.
En la tabla 3.2 se describe la distribución de patrones en la base de datos creada, detallando para cada combinación de color y forma el número de clases consideradas, el número de muestras totales, el número medio de muestras por clase, la desviación estándar en el número de muestras por clase y el número total de muestras ruidosas. A tenor de la tabla 3.2, se puede armar que las señales que aparecen con mayor frecuencia son las de prohibición (circular con orla roja y fondo blanco) y las de advertencia de peligro (triangular con orla roja y fondo blanco). Por el contrario, las señales de tramos de obra con fondo amarillo son excepcionales. El hecho de que la base de datos no sea balanceada
se reeja a dos niveles: 1) el número de muestras totales entre combinaciones de color y forma es muy diferente y 2) el número de muestras entre clases dentro de una combinación de color y forma es también muy diferente. Es previsible que las clases con un número de muestras poco signicativo crearán modelos de aprendizaje de escasa generalización y los resultados tendrán validez limitada. A modo de ejemplo de distribución de muestras, en la Tabla 3.3 se detalla el número de patrones de cada clase para las señales rojas circulares.
Combinación # Clases #Muestras no ruidosas # Muestras
(Color-Forma) no ruidosas Total Promedio Desv. Estándar ruidosas
Rojo Circular 62 14 536 230 406 3895 Rojo Triangular 45 9246 204 345 3066 Azul Circular 54 2160 40 180 610 Azul Rectangular 99 2709 27 64 890 Blanco Circular 114 6695 59 235 1574 Blanco Triangular 44 8133 181 492 778 Amarillo Circular 47 374 8 19 1162 Amarillo Triangular 26 415 16 62 152
Clase #Muestras Clase #Muestras Clase #Muestras 68 1141 164 146 138 120 136 148 178 45 44 94 107 140 27 87 169 122 1218 185 3 1 2 107 1 95 87 74 65 50 2 51 65 87 93 188 137 2138 448 909 625 170 287 189 1
Clase #Muestras Clase #Muestras Clase #Muestras 191 298 275 114 1934 130 123 186 41 55 21 47 431 87 227 1 3895
Tabla 3.3: Distribución de patrones en la base de datos para las señales rojas circulares.
Capítulo 4
Sistema para Detección y
Reconocimiento de Señalización
Vertical
Una vez enmarcada esta tesis dentro de los Sistemas Inteligentes de Transporte, se puede armar que la detección de señales en carretera es un reto desaante y un campo que, a pesar de haber sido muy explotado en la última década, se encuentra aún abierto a la investigación al no contarse a día de hoy con un TSDRS denitivo. En esta tesis se ha apostado por desarrollar un sistema para detección y reconocimiento de señalización basado en visión articial, denominado RESET (Reconocimiento de Señales de Tráco).
El sistema en el que se basa la investigación de esta tesis doctoral se ha estructurado en varias etapas de acuerdo a una arquitectura modular. De esta manera, se garantiza el funcionamiento independiente de cada tarea y se facilita la conguración de la fase experimental para la ejecución de diferentes algoritmos. Asimismo, la estructura modular permite trabajar con cada una de las etapas por separado a pesar de la estrecha relación que existe entre ellas, ya que cada módulo alimenta la entrada del siguiente.
En la gura 4.1 se presenta el diagrama de bloques del trabajo propuesto, el cual está estructurado en los siguientes módulos:
Adquisición para captura de información. Detección.
Clasicación de acuerdo a las características geométricas. Reconocimiento del pictograma.
Seguimiento.
En las próximas secciones se irán describiendo los algoritmos en los que se basa esta tesis doctoral, donde las SVM han cobrado gran relevancia en este trabajo de investiga- ción como herramienta de clasicación. En el apéndice B se describen los fundamentos
Figura 4.1: Arquitectura modular del sistema.
matemáticos en los que están basadas y sus propiedades para un sistema de clasicación binario.
4.1. Módulo de captura
El módulo de adquisición se encuentra instalado a bordo de un vehículo experimental para la captura y almacenamiento de imágenes de entornos viales de forma eciente y sincronizada (ver gura 4.2). Debido a la gran cantidad de datos a manejar en la aplicación, el diseño del hardware de adquisición debe mantener una eciente vía de comunicación entre las cámaras (ver gura 4.2(b)) y el soporte de almacenamiento, tanto de las imágenes capturadas como de la información del GPS. El sub-sistema de adquisición consta de varias cámaras rewire, ordenadores portátiles, una placa con un microcontrolador, un receptor GPS y un odómetro (ver gura 4.2(c)), donde este último permite obtener medidas de la distancia cubierta por el vehículo en un trayecto. En realidad, el odómetro genera pulsos eléctricos a medida que el vehículo se desplaza y estos pulsos son contabilizados por la placa.
La información del odómetro obtenida por el microcontrolador sincroniza las cámaras, las cuales son controladas mediante los ordenadores portátiles. Debido a que el vehículo en el que se encuentra instalado el módulo de captura está en movimiento mientras se produce la grabación, las cámaras deben estar perfectamente sincronizadas para garantizar
que ambas capturan la misma escena. Todos los parámetros de la grabación son ajustados mediante software y cada imagen es almacenada junto con la correspondiente posición GPS y la posición relativa del odómetro.
(a) (b)
(c) (d)
Figura 4.2: Vehículo con sistema de captura a bordo. (a) Vehículo de prueba. (b) Sistema de cámaras. (c) Odómetro para medida de distancias. (d) Sistema interno de adquisición. La captura de la escena mediante varias cámaras sincronizadas permite construir una imagen panorámica a partir del establecimiento de píxeles de correspondencia. Si se tra- baja, por ejemplo, con tres cámaras, la correspondencia se establece entre cada par de imágenes: par izquierda-central y par central-derecha. Las zonas de solapamiento entre imágenes permiten conocer la correspondencia mediante la transformación de las coorde- nadas de una y otra imagen. En la gura 4.3 se muestra la escena panorámica construida a partir de las imágenes captadas por las cámaras.