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

Autores
Vázquez, Raimundo; Torres, Carlos; Marighetti, Jorge Omar; Gramajo, Sergio; Robledo Sanchez, Alberto Andrés
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
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.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Gramajo, Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.
Fil: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Materia
Detector de carril
Asistencia al conductor
Seguridad vial
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Acceso abierto
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/11707
Acceder
id RIAUTN_0ffd8bcd2ee1076fc22a5e9ef0cdbc12
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/11707
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificialVázquez, RaimundoTorres, CarlosMarighetti, Jorge OmarGramajo, SergioRobledo Sanchez, Alberto AndrésDetector de carrilAsistencia al conductorSeguridad vialLos 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.Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaFil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaFil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaFil: Gramajo, Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.Fil: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; ArgentinaSociedad Argentina de Informática (SADIO)2024-11-29T19:39:51Z2023-12-01info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdf52 Jornadas Argentinas de Informática. Memorias De Las JAIIO, 9(12)2451-7496https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/760https://ria.utn.edu.ar/handle/20.500.12272/11707spaCCUTIRE0007685TCDesarrollo de un modelo para predecir la intención acción de un conductor en la entrada de una rotonda o glorietainfo:eu-repo/semantics/openAccessAcceso abiertoreponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:44:13Zoai:ria.utn.edu.ar:20.500.12272/11707instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:44:13.362Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
title Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
spellingShingle Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
Vázquez, Raimundo
Detector de carril
Asistencia al conductor
Seguridad vial
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
dc.creator.none.fl_str_mv Vázquez, Raimundo
Torres, Carlos
Marighetti, Jorge Omar
Gramajo, Sergio
Robledo Sanchez, Alberto Andrés
author Vázquez, Raimundo
author_facet Vázquez, Raimundo
Torres, Carlos
Marighetti, Jorge Omar
Gramajo, Sergio
Robledo Sanchez, Alberto Andrés
author_role author
author2 Torres, Carlos
Marighetti, Jorge Omar
Gramajo, Sergio
Robledo Sanchez, Alberto Andrés
author2_role author
author
author
author
dc.subject.none.fl_str_mv Detector de carril
Asistencia al conductor
Seguridad vial
topic Detector de carril
Asistencia al conductor
Seguridad vial
dc.description.none.fl_txt_mv 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.
Fil: Vázquez, Raimundo. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Torres, Carlos. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Marighetti, Jorge Omar. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
Fil: Gramajo, Sergio. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Centro de Investigación Aplicada en Tecnologías de la Información y Comunicación; Argentina.
Fil: Robledo Sanchez, Alberto Andrés. Universidad Tecnológica Nacional. Facultad Regional Resistencia. Grupo Universitario de Automatización; Argentina
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.
publishDate 2023
dc.date.none.fl_str_mv 2023-12-01
2024-11-29T19:39:51Z
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv 52 Jornadas Argentinas de Informática. Memorias De Las JAIIO, 9(12)
2451-7496
https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/760
https://ria.utn.edu.ar/handle/20.500.12272/11707
identifier_str_mv 52 Jornadas Argentinas de Informática. Memorias De Las JAIIO, 9(12)
2451-7496
url https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/760
https://ria.utn.edu.ar/handle/20.500.12272/11707
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv CCUTIRE0007685TC
Desarrollo de un modelo para predecir la intención acción de un conductor en la entrada de una rotonda o glorieta
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Acceso abierto
eu_rights_str_mv openAccess
rights_invalid_str_mv Acceso abierto
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv Sociedad Argentina de Informática (SADIO)
publisher.none.fl_str_mv Sociedad Argentina de Informática (SADIO)
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230873050349568
score 13.24418

Publicaciones similares