20 
Home Page  

  • SciELO

  • SciELO


Ingenius. Revista de Ciencia y Tecnología

 ISSN 1390-860X ISSN 1390-650X

FLORES-CALERO, Marco et al. IMPLEMENTACIÓN DE UN ALGORITMO PARA LA DETECCIÓN DE SEÑALES DE TRÁNSITO DEL ECUADOR: PARE, CEDA EL PASO Y VELOCIDAD. []. , 20, pp.9-20. ISSN 1390-860X.  https://doi.org/10.17163/ings.n20.2018.01.

^a

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 , con -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.

^les^a

This paper presents a system prototype for traffic sign detection (SDST) on-board a moving vehicle. Therefore, a new approach to the development of an SDST is presented, using the following innovations: i) an efficient method of color segmentation for regions of interest (ROIs) generation based on with -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 (Stop, Give-way and Velocity) Ecuadorian signs. 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.

^len

: .

        · | |     · |     · ( pdf )