1. En el caso segmentación, una de las características predominantes, en el espectro visible, es el color, donde se han utilizado espacios de color y distintas técnicas de visión por computador para generar regiones con alta posibilidad de contener una señal de tránsito.

   Tanto es así que la mayoría de las técnicas basadas en color buscan ser robustas frente a las variaciones de iluminación durante el día, en distintos escenarios como pueden ser soleados, nublados, etc. Así Salti et al. [14] han utilizado tres espacios de color derivados de RGB, el primero para resaltar las señales de tránsito con predominancia de los colores azules y rojos, el segundo es para las señales con rojo intenso y el tercero para los azules vivos. Li et al. [15] han construido un espacio donde resaltan los objetos dominados por los colores azul-amarillo y verde-rojo, sobre el cual, utilizando el algoritmo de agrupamiento K-means [16] construyen un método de clasificación por color para la generación de ROI. Nguyen et al. [6] han utilizado el espacio HSV con varios umbrales para generar un conjunto de ROI buscando colores rojos y azules. Lillo et al. [17] han utilizado los espacios L*a*b* y HSI para detectar señales donde predominan los colores rojo, blanco y amarillo, usando las componentes a* y b* han construido un clasificador para estos colores. Chen and Lu [18] han utilizado multirresolución y técnicas AdaBoost para fusionar dos fuentes de información, visual y localización espacial; en la visual construyen dos espacios de color basados en RGB denominados mapas salientes de color, en la espacial han usado el gradiente con distintas orientaciones. Finalmente, Han et al. [19] han usado la componente H del espacio HSI, para generar un intervalo, donde resaltan las señales de tránsito, y construir una imagen en grises donde se localizan las ROI. Villalón et al. [20] han implementado un filtro usando el espacio de color RGB normalizado, sobre el cual, mediante el cálculo de parámetros estadísticos han generado las regiones de color rojo y así han obtenido las ROI.

2. En el escenario reconocimiento/clasificación se han utilizado algunos métodos para la extracción de características en conjunto con un algoritmo de aprendizaje-máquina ^[11], ^[12], ^[13], para así clasificar y reconocer los distintos tipos de señales.

   Esta etapa se divide en dos partes: i) método de extracción de características y, ii) elección del algoritmo de clasificación. En el primer caso se tiene una amplia variedad de propuestas. Así, Salti et al.^[14], Huang et al.^[21], Shi and Li ^[22] han utilizado el descriptor HOG ^[23] con tres variantes especializadas en señales de tránsito. Li et al. ^[15] han usado el descriptor PHOG, que es una variación de HOG en sentido piramidal. Lillo et al.^[17] han implementado la extracción de características usando la transformada discreta de Fourier. Han et al.^[19] han utilizado el método SURF ^[24]. Chen and Lu ^[18] emplearon DSC iterativo para la generación del vector de características. Mongoose et al.^[9] implantaron en conjunto ICF y ACF para generar las características. Pérez et al.^[10] han usado la técnica PCA para la reducción de la dimensión y la elección de características dominantes. Finalmente, Lau et al. ^[25] han usado una ponderación de los píxeles vecinos para resaltar las características del objeto de interés. En la segunda cuestión, los algoritmos preferidos son: SVM ^[13], ^[16], utilizado en los trabajos de Salti et al.^[14], Li et al.^[15], Lillo et al.^[17] y Shi and Li ^[32]. SVR usado en Chen and Lu ^[18], ^[13] implementado en las investigaciones de Han et al.^[19]. Redes neuronales artificiales, empleadas por Huang et al.^[21] con el caso ELM y Pérez et al.^[10] con la implementación MLP. Adaboost con árboles de decisión utilizados en el trabajo de Mogelmose et al.^[9]. Villalón et al.^[20] han desarrollado una plantilla estadística basada en un modelo en probabilidad ajustado sobre los espacios YCbCr y RGB normalizado. En los últimos años, las técnicas basadas en aprendizaje profundo van ganando mayor importancia, tanto es así que CNN y sus variaciones son utilizadas para la clasificación automática, donde el vector de características se extrae sin la intervención humana directa, en este caso están los trabajos de Lau et al. ^[25], Zhu et al.^[26] y Zuo et al.^[36].

3. Respecto a las bases de datos de señales de tránsito se puede mencionar que cada país tiene sus propias normativas en cuanto a su señalética, divida en las categorías de informativas, obligatorias, prohibitivas y advertencia ^[9], ^[14], ^[17], ^[18], ^[26]. En la actualidad, las principales bases de datos, presentes en la bibliografía, corresponden a países como Alemania ^[10], ^[21], Italia ^[14], España ^[17], Japón ^[6], Estados Unidos ^[9], Suecia ^[26], Malasia ^[25]; aisladamente se tiene el caso de Chile ^[20]. Esta revisión bibliográfica demuestra que no existe información importante, y menos aún, confiable de los países en desarrollo, como es el caso del Ecuador, en lo que respecta a las bases de datos de señales de tránsito; esto genera un reto para levantar este tipo de información, que además debe ser relevante para garantizar la seguridad vial y el mantenimiento de la infraestructura vial.

A) Segmentación por color y generación de ROI

• La Figura 1 (izquierda) muestra el esquema de segmentación que se describe a continuación.

  La segmentación se realiza discriminando el color rojo del fondo, es decir, del resto de colores. Experimentalmente se ha elegido el espacio de color RGB normalizado (RGBN) porque presenta una distribución más compacta en los canales B_n y G_n , cuyos valores se encuentran en los intervalos [20;90] y [0;90] respectivamente. La Figura 2 (a) muestra la distribución del color rojo en función de las condiciones de iluminación, normal, soleado y oscuro. Figura 2 (b) muestran las distribuciones de las clases, donde el rojo representa la clase de interés y el azul identifica la clase de no interés.

• 1) Puntos representativos en el espacio B_n y G_n : Para generar un número reducido de puntos representativos de cada clase se utiliza el algoritmo de agrupación K_m -means [12]; de esta manera, se obtienen K_m centroides para cada una de las clases.

  Utilizando los métodos de Calinski- Harabasz [27], Davies-Bouldin [28], Gap [29] y Silhouettes [30] se ha llegado a determinar experimentalmente el valor eficiente de K_m , obteniéndose los siguientes valores, 30 y 40 para las clases rojo y no rojo (otros colores), respectivamente. La Figura 2(b) muestra los centroides de las dos clases generadas con K_m . Para generar esta figura se han utilizado muestras en tres condiciones de iluminación: soleado, normal y oscuro.

• 2) Diseño del clasificador basado en K-NN: Para diseñar este clasificador es importante elegir un valor de K adecuado que permita la mejora discriminación entre las clases de interés y el fondo. En este sentido, se ha usado el valor del área bajo la curva, conocido como índice AUC, de la curva ROC [31]. Los valores utilizado para este procedimiento están entre 1 y 8. La Tabla 2 muestra los resultados para elegir el mejor valor de K.

• 3) Postprocesamiento de cuerpos: Posteriormente, utilizando los operadores morfológicos de dilatación y erosión ^[32] se eliminan ciertos cuerpos que no cumplen con características específicas de tamaño para ser candidatos a señales de tránsito. Experimental se ha fijado varios umbrales para este procedimiento.

• 4) Restricciones geométricas: Finalmente, se eliminan los cuerpos que no cumplen la relación alto/ancho, usando umbrales determinados experimentalmente; en la Tabla 3 se presentan los parámetros necesarios en función de la distancia de referencia. Esta distancia es parte de la zona de riesgo de colisión de un vehículo.

• B) Reconocimiento de las señales de tránsito

  En esta etapa se clasifican las ROI provenientes de la etapa de segmentación, para determinar si corresponden a una señal de Pare, Ceda el paso, Velocidad u otro objeto que no sea de interés.

  En la Figura 1 (derecha) se muestra el esquema de reconocimiento, el mismo que consta de las siguientes partes:

• 1) Preprocesamiento de los candidatos: Se transforma las imágenes correspondientes a las ROI a escala de grises, después se normalizan al tamaño 32x32 píxeles y posteriormente se realiza la ecualización del histograma para obtener una imagen con una distribución uniforme de los niveles de gris. Este proceso permite aumentar el contraste de la imagen y disminuir los cambios abruptos de iluminación.

• 2) Extracción de características: Se utiliza una nueva versión del descriptor HOG [33] para encontrar las características representativas de una señal de tránsito. La innovación desarrollada sobre este descriptor se centra en variar el tamaño de las celdas y las orientaciones, y encontrar la mejor combinación adaptada a las señales de tránsito. En este sentido, las celdas toman valores de 2x2, 4x4, 8x8 y 16x16 píxeles. La Figura 3 muestra esta forma de división en los cuatro casos. La orientación se obtiene dividiendo al rango de orientación sin signo de [-90°;90°] o en 3,6,9,12 y 15 intervalos.

• 3) Entrenamiento del clasificador basado en SVM: Se utiliza SVM [11], [12], [13] con tres núcleos diferentes para experimentar la mejor opción: lineal, polinómico y RBF. Para el entrenamiento se usan tres conjuntos de datos que corresponden a las señales Pare, Ceda el paso, Velocidad y otros elementos que no pertenecen a los casos anteriores.

  Sobre esta gama de parámetros se escoge la mejor opción usando el índice AUC [31]. En total se evalúan 60 casos combinando los puntos 2 y 3, de los cuales se extraen los que generan mejores resultados en la siguiente sección.