Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial

Los accidentes de tráfico son causados principalmente por errores humanos como la falta de atención, mal comportamiento o distracción. Muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducción de siniestros viales. El contexto del tráfico es el principal estímu...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Vazquez, Damian Raimundo, Torres, Carlos Marcelo, Marighetti, Jorge Marcelo, Gramajo, Sergio Marcelo, Robledo Sanchez, Alberto Marcelo
Formato: Objeto de conferencia
Lenguaje:Español
Publicado: 2023
Materias:
Ciencias Informáticas
detector de carril
asistencia al conductor
seguridad vial
Acceso en línea:http://sedici.unlp.edu.ar/handle/10915/165720
Aporte de:
SEDICI (UNLP) de Universidad Nacional de La Plata
id I19-R120-10915-165720
record_format dspace
spelling I19-R120-10915-1657202024-05-07T20:05:18Z http://sedici.unlp.edu.ar/handle/10915/165720 Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial Vazquez, Damian Raimundo Torres, Carlos Marcelo Marighetti, Jorge Marcelo Gramajo, Sergio Marcelo Robledo Sanchez, Alberto Marcelo 2023-09 2023 2024-05-07T17:28:31Z es Ciencias Informáticas detector de carril asistencia al conductor seguridad vial Los accidentes de tráfico son causados principalmente por errores humanos como la falta de atención, mal comportamiento o distracción. Muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducción de siniestros viales. El contexto del tráfico es el principal estímulo para la intención del conductor y puede ser utilizado para predecir una acción futura. Este trabajo desarrolla un procedimiento que permite detectar el carril en vías no señalizadas empleando visión artificial. Se utiliza una cámara de video en un vehículo para obtener imágenes del campo visual del conductor. En los fotogramas obtenidos se establecen cinco regiones comprendidas dentro de la distancia de frenado del vehículo. La primera región se encuentra a la izquierda del automóvil. Las tres siguientes en el centro y la última a la derecha. Luego, se incorporan librerías de deep learning encargadas de analizar estas imágenes. Se utiliza el operador de divergencia en histogramas para cuantificar texturas entre regiones. Los valores obtenidos permitieron clasificar semejanzas entre regiones. Por ejemplo, en el caso donde el automóvil viaja en el carril central se obtienen cinco texturas semejantes. En los casos de traslado en el carril derecho o izquierdo la divergencia aumentaba respecto a las regiones centrales. De esta manera se propone estimar la ubicación del carril del vehículo utilizando como base de comparación los valores de la divergencia entre regiones. Este trabajo realiza un aporte a las tecnologías relacionadas a la percepción del tráfico donde se incluyen la detección de obstáculos, estructura viales y detección de carril. Traffic accidents are mainly caused by human errors such as inattention, misbehavior or distraction. Many companies have developed techniques to improve driving safety and reduce road accidents. The traffic context is the main stimulus for driver intention and can be used to predict future action. This work develops a procedure that allows detecting the lane on unmarked roads using artificial vision. A video camera in a vehicle is used to obtain images of the driver's field of vision. In the obtained frames, five regions included within the braking distance of the vehicle are established. The first region is located to the left of the car. The next three in the center and the last one on the right. Then, deep learning libraries are incorporated in charge of analyzing these images. The histogram divergence operator is used to quantify textures between regions. The values obtained allowed classifying similarities between regions. For example, in the case where the car travels in the middle lane, five similar textures are obtained. In the cases of transfer in the right or left lane, the divergence increased with respect to the central regions. In this way, it is proposed to estimate the location of the vehicle lane using the values of the divergence between regions as a basis for comparison. This work contributes to technologies related to traffic perception, which include obstacle detection, road structure and lane detection. Sociedad Argentina de Informática e Investigación Operativa Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf
institution Universidad Nacional de La Plata
institution_str I-19
repository_str R-120
collection SEDICI (UNLP)
language Español
topic Ciencias Informáticas
detector de carril
asistencia al conductor
seguridad vial
spellingShingle Ciencias Informáticas
detector de carril
asistencia al conductor
seguridad vial
Vazquez, Damian Raimundo
Torres, Carlos Marcelo
Marighetti, Jorge Marcelo
Gramajo, Sergio Marcelo
Robledo Sanchez, Alberto Marcelo
Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
topic_facet Ciencias Informáticas
detector de carril
asistencia al conductor
seguridad vial
description Los accidentes de tráfico son causados principalmente por errores humanos como la falta de atención, mal comportamiento o distracción. Muchas empresas han desarrollado técnicas para mejorar la seguridad en la conducción y reducción de siniestros viales. El contexto del tráfico es el principal estímulo para la intención del conductor y puede ser utilizado para predecir una acción futura. Este trabajo desarrolla un procedimiento que permite detectar el carril en vías no señalizadas empleando visión artificial. Se utiliza una cámara de video en un vehículo para obtener imágenes del campo visual del conductor. En los fotogramas obtenidos se establecen cinco regiones comprendidas dentro de la distancia de frenado del vehículo. La primera región se encuentra a la izquierda del automóvil. Las tres siguientes en el centro y la última a la derecha. Luego, se incorporan librerías de deep learning encargadas de analizar estas imágenes. Se utiliza el operador de divergencia en histogramas para cuantificar texturas entre regiones. Los valores obtenidos permitieron clasificar semejanzas entre regiones. Por ejemplo, en el caso donde el automóvil viaja en el carril central se obtienen cinco texturas semejantes. En los casos de traslado en el carril derecho o izquierdo la divergencia aumentaba respecto a las regiones centrales. De esta manera se propone estimar la ubicación del carril del vehículo utilizando como base de comparación los valores de la divergencia entre regiones. Este trabajo realiza un aporte a las tecnologías relacionadas a la percepción del tráfico donde se incluyen la detección de obstáculos, estructura viales y detección de carril.
format Objeto de conferencia
Objeto de conferencia
author Vazquez, Damian Raimundo
Torres, Carlos Marcelo
Marighetti, Jorge Marcelo
Gramajo, Sergio Marcelo
Robledo Sanchez, Alberto Marcelo
author_facet Vazquez, Damian Raimundo
Torres, Carlos Marcelo
Marighetti, Jorge Marcelo
Gramajo, Sergio Marcelo
Robledo Sanchez, Alberto Marcelo
author_sort Vazquez, Damian Raimundo
title Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
title_short Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
title_full Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
title_fullStr Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
title_full_unstemmed Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
title_sort desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
publishDate 2023
url http://sedici.unlp.edu.ar/handle/10915/165720
work_keys_str_mv AT vazquezdamianraimundo desarrollodeunprocedimientoparadetectarcarrilesenviasnosenalizadasutilizandovisionartificial
AT torrescarlosmarcelo desarrollodeunprocedimientoparadetectarcarrilesenviasnosenalizadasutilizandovisionartificial
AT marighettijorgemarcelo desarrollodeunprocedimientoparadetectarcarrilesenviasnosenalizadasutilizandovisionartificial
AT gramajosergiomarcelo desarrollodeunprocedimientoparadetectarcarrilesenviasnosenalizadasutilizandovisionartificial
AT robledosanchezalbertomarcelo desarrollodeunprocedimientoparadetectarcarrilesenviasnosenalizadasutilizandovisionartificial
_version_ 1807223033462521856

Ejemplares similares