CONTROL INTELIGENTE PARA EL TRÁFICO VEHICULAR CON

SISTEMA DE VISIÓN ARTIFICIAL

INTELLIGENT CONTROL FOR VEHICULAR TRAFFIC WITH
ARTIFICIAL VISION SYSTEM
Ing. Juan Pablo Saire Velasco
Docente de Ingeniería Electrónica – juan25saire@gmail.com

RESUMEN

La tecnología de agentes ha demostrado ser una ciencia computacional avanzada

capaz de lograr mejoras sustanciales, en un rango de aplicaciones debido a su
paradigma de la estructura de toma de decisiones, basado en el razonamiento
cognitivos mediante imágenes digitales tomadas. En este sentido una metodología
novedosa que permite incluir un modelo formal, basado en agentes autónomos y
sistemas de regulaciones inteligentes, capaces de manipular las fases de los ciclos
en una infraestructura de semáforos, de acuerdo a las exigencias y limitaciones de
la carretera.
De esta forma se obtiene un modelo de optimización con restricciones de
complementariedad lineal y se analiza en el caso del modelo en el cual los tiempos
de las luces son variables, pero sólo dependen de los flujos de llegada y el caso
dinámico. Se considera que en el semáforo hay sensores que permiten conocer la
cantidad de autos en cada carril, dado el tráfico se mantiene el estado actual por
cuánto tiempo, o si debe cambiar la luz de acuerdo al análisis dela cámara.

Palabras clave

Sistema inteligente, Visión artificial.

ABSTRACT

Agent technology has proven to be an advanced computational science capable of

achieving substantial improvements, in a range of applications due to its paradigm
of decision-making structure, based on cognitive reasoning through digital images
taken. In this sense, a novel methodology that allows to include a formal model,
based on autonomous agents and intelligent regulation systems, capable of
manipulating the phases of the cycles in a traffic light infrastructure, according to the
demands and limitations of the road.
In this way an optimization model with constraints of linear complementarity is
obtained and analyzed in the case of the model in which the times of the lights are
variable but only depend on the arrival flows and in the dynamic case. It is considered
that in the semaphore there are sensors that allow to know the amount of cars in
each lane given the traffic the current state is maintained for how long or if the light
should change according to the analysis of the camera.
KEYWORDS

1
Intelligent system. Artificial vision.
INTRODUCCIÓN
La investigación esta con el fin de
contribuir a la búsqueda
alternativas destinadas a mitigar los
efectos de congestionamientos del
tránsito de vehículos en las
intersecciones con sistemas de control
inteligente mediante la visión artificial
para el control del tráfico vehicular.
Los sistemas de regulación inteligente
para el transporte, están actualmente
en desarrollo, con el objetivo de
solucionar los embotellamientos del
tráfico vehicular en las ciudades, con
mayor afluencia vehicular,
remplazando e instalando así con
semáforos inteligentes de lámparas
con LED’s para la señal luminosa en
lugar de lámparas incandescentes,
como también señalizadores y
contadores de tiempos para la
sincronización de cambio de funciones
de los semáforos de una intersección,
“The Road Traffic Microwave Sensor
(RTMS)”.
Los estudios que se realizan donde el
tráfico vehicular experimenta un
crecimiento tecnológico muy
avanzado, teniendo distintos sistemas
que se encuentran instalados en
distintas ciudades (Gajda. 2009).
El fin de manejar las redes de
transporte de manera eficiente, la
operación de las mismas se ha
convertido en foco de atención
primordial, por lo que se han venido
utilizando los Sistemas Inteligentes de
Transporte con Visión Artificial cómo
herramientas que hacen posible dicha
eficacia. Los sistemas ITSVA aplican
tecnología a los sistemas de
de transporte para solucionar problemas
y lograr un óptimo funcionamiento.
El sistema establece un margen de
tiempo según al número de vehículos
que fueron detectados mediante el
tratamiento digital de imágenes para el
cambio de funciones del semáforo,
como también dar prioridad de tiempo
a vehículos de emergencias a través
de señales de radiofrecuencia,
mejorando así una acción cotidiana
del tránsito vehicular actual. Esta
acción es la de tener que cruzar una
intersección en el menor tiempo
posible.
METODOLOGÍA Y MATERIALES
El desarrollo de este proceso define al
reconocimiento y la ejecución de la
cámara web en función del módulo de
adquisición de imágenes que muestra
la siguiente Figura: 1.1. Esta etapa es
el responsable de visualizar las
imágenes grabadas, permitiendo ver
en cualquier momento las imágenes
sobre las que se está trabajando, con
el objetivo de poder comprobar
visualmente que el algoritmo funciona
correctamente.
Fig: 1.1. Diagrama de bloques para la
Adquisición de imágenes.
2
 CONFIGURACIÓN DE LA CÁMARA imagen digital como se ve en la
siguiente formula.
ADQUISICIONES DE FRAMES 𝑓(𝑥, 𝑦)
𝑓(0,0) 𝑓(0,1) … 𝑓(0, 𝑁 − 1)
𝑓(1,0) 𝑓(1,1) ⋯ 𝑓(1, 𝑁 − 1)
CONVERSIÓN DE FRAMES A IMÁGENES =
⋮ 𝑓(0,0) ⋱ ⋮
[𝑓(𝑀 − 1,0) 𝑓(𝑀 − 1,1) … 𝑓(𝑀 − 1, 𝑁 − 1)]
ALMACENAMIENTO

En el lado izquierdo de la ecuación

El análisis de la visión artificial
denota una imagen digital por
respecto al procesado de imágenes.
definición, mientras que en el lado
Respecto a las adquisiciones de los
derecho de la ecuación se tiene a cada
programas para el desarrollo del
uno de los elementos de la imagen y
sistema de control de visión artificial,
estos se definen como un elemento de
se tomó en cuenta la fiabilidad del
la imagen o un pixel. La notación de
proceso de trabajo y la simulación.
coordenadas que se utiliza es
Requerimientos del software en aceptada para este trabajo, por lo que
Windows: es mostrada en la ecuación en donde
la imagen contiene M filas y N
• Matlab R2010a
columnas, determinando el origen
• MikroBasic Pro for PIC
como el punto f(0. 0).
• Look 312p
• PICkit.2 v2.61 El modelo RGB como se ve en la
• ISIS Proteus.7.7so2 Figura: 1.2. (a), tiene una escala de
• Configure Virtual Serial Port Driver. intensidad que define como un arreglo
INGENIERÍA DEL PROYECTO de 3xMxN pixeles, es donde cada pixel
corresponde a los componentes rojo,
Para la aplicación de la visión artificial
verde, azul. Son señales de
se desarrolló bajo el entorno de
luminosidad de aproximación a escala
Matlab. Este programador aunque no
gris a partir de una imagen a color, en
está especializado en entornos
donde 0 es el valor de menor
gráficos (GUI), no ha presentado
intensidad, refiriéndose al color negro
ningún problema para crear un
y 1 es el valor de mayor luminosidad o
entorno eficiente, elegante y sencillo.
el blanco, como se muestra en la
Una imagen es la representación
Figura: 1.2. (b).
visual de un objeto y está definida
como una función bidimensional, f(x, GRAY = (0.30*R) + (0.59*G)+(0.11*B)
y), donde “x” y “y” son coordenadas
espaciales y “f” la amplitud, en un par
de coordenadas (x, y) se llama la
intensidad o nivel gris de la imagen en
ese punto, los valores de “x” y “y”, así
como la amplitud “f”, son cantidades
finitas y discretas se habla de una

3

Fig: 1.2. Imagen con su representación
matricial de RGB y la escala gris.
El objetivo no es solamente reducir el
tamaño, también hay que tener en
cuenta que podríamos perder
información vital para el procesado.
Con escala de grises se consigue
eliminar el color sin perder
prácticamente información, pudiendo
distinguir claramente todas las formas
de la imagen así como sus contornos
y diferentes tonalidades que aún
siguen variando entre 0 y 255,
Fig: 1.3. Proceso de la imagen original a la
escala gris.
Es importante a la hora de extraer la
información deseada de una imagen.
Una ADI o Imagen Diferencial
Acumulativa consiste en la creación
de una nueva imagen a partir de la
comparación de una imagen de
referencia con cada imagen
consiguiente en la secuencia, de la
diferencia entre el mismo píxel de las
imágenes es superior al umbral. De
esta manera, inicialmente tenemos
una imagen en negro que poco a poco
4
se va pintando con el recorrido del
movimiento. La imagen acumulativa
presenta un nivel de intensidad igual al
número de veces que la imagen nueva
ha sido diferente a la de referencia en
esa posición en concreto. Existen tres
tipos de ADIs:
ADI absoluta: capta tanto los niveles
de intensidad mayores y menores al
color de fondo a partir de un umbral
que se muestra en la función.
𝐴𝑘 (𝑥, 𝑦) {
𝐴𝑘−1 (𝑥, 𝑦) + 1 → 𝑖𝑓|𝑅(𝑥, 𝑦) − 𝑓(𝑥, 𝑦, 𝑘)| > 𝑇
𝐴𝑘−1 (𝑥, 𝑦) 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
Donde A (x, y) k = ADI y k = número de
frame; R(x, y) = imagen de referencia; f (x,
y, k) = frame actual a comparar y T =
umbral.
ADI negativa: capta los niveles de
intensidad inferiores al color del fondo
como muestra la función.
𝐴𝑘−1 (𝑥, 𝑦) + 1 → 𝑖𝑓[𝑅(𝑥, 𝑦) − 𝑓(𝑥, 𝑦, 𝑘)] > 𝑇
𝐴𝑘 (𝑥, 𝑦) {
𝐴𝑘−1 (𝑥, 𝑦) 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
ADI positiva: capta los niveles de
intensidad superiores al color del
fondo que muestra la función.
𝐴𝑘−1 (𝑥, 𝑦) + 1 → 𝑖𝑓[𝑓(𝑥, 𝑦, 𝑘) − 𝑅(𝑥, 𝑦)] > 𝑇
𝐴𝑘 (𝑥, 𝑦) {
𝐴𝑘−1 (𝑥, 𝑦) 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
En la realización del algoritmo que
crea la ADI para el caso en especial
que se estudia en el proyecto, se ha
una ADI absoluta, ya que tanto
tenemos vehículos más claros que la
calzada como más oscuros, aunque
hemos aplicado un pequeño cambio.
En la ADI absoluta, el umbral es el
mismo tanto para los valores positivos
como para los negativos, por tanto
este caso no se adaptaba
exactamente a las necesidades del
proyecto, así que se utilizará a la vez
tanto la positiva como la negativa,
utilizando dos umbrales diferentes
Tlight y Tdark. En la ilustración de la
Figura: 1.4. se puede ver los
resultados de esta función.
combo lución que permite multiplica
dos imágenes de diferente tamaño
para generar una imagen del mismo
tamaño, regularmente la combo lución
genera pixeles de salida en una
combinación lineal de los pixeles de
entrada como se determina en la
función.

Para medir la similitud entre dos

Fig: 1.4. Procesamiento de la imagen en la
función de Imagen Diferencial
Acumulativa.
El primer paso a realizar será la
aplicación de la ADI positiva. Cómo se
puede apreciar en la figura anterior del
bloque 1, se aplicó el ADI positiva, y
en el bloque 2 se aplica el ADI
negativa aplicada a las mismas
imágenes. A partir de las dos
imágenes se juntan para crear una
sola, respetando los diferentes
umbrales, podemos crear una ADI
como se muestra en el bloque 3, `por
lo que se ve tanto los vehículos claros
como los oscuros son representados
perfectamente, por lo que interesa
tener cuantas más regiones en blanco
sin negro mejor.
objetos xi y xj se usará una función de
distancia denotada por d (xi, xj),
siendo la distancia Euclídea la más
sencilla. Así la distancia entre dos
elementos diferentes como se ve en la
función donde, xi=(xi1,…,xiD) y
xj=(xj1,…,xjD).
Estas funciones fueron desarrolladas
para el análisis de la programación en
Matlab, la cual tiene un Toolbox de
“Image Processing” procesamiento de
imagen, teniendo una gran variedad
de funciones típicas de este ámbito
previamente definida para la ejecución
de este software.

El procesamiento de imágenes
también se basa en el filtrado de
ecuaciones diferenciales de tipo de
combolución, esto para desvanecer
imágenes removiendo detalles y
ruidos. Este filtro es un operador de

5

Fig: 1.5. Diagrama de flujo para
adquisición de imágenes.
RESULTADOS
El diseño del sistema de control de
visión artificial, está en función del
análisis de una imagen capturada por
la cámara web, para la contabilización
de los vehículos, y un radiotransmisor
para la detección de un vehículo de
emergencia, todo respecto en el
estudio de una intersección del
tránsito vehicular, obteniendo toda la
información del estado en la que se
encuentra, por lo que coordinara el
tiempo de funcionamiento, para el
cambio de funciones del semáforo de
una vía de la intersección.
Fig: 1.6. Diagrama de bloques del sistema
de control inteligente de visión artificial
Para el módulo de ala adquisición y
procesamiento de imágenes, es
la
mediante la función de los programas
desarrollados en Matlab, y para el
sistema del control de los vehículos,
es de acuerdo a la función de la toma
de decisiones conjuntamente con el
radiotransmisor para vehículos de
emergencias, que están en función
delos programas desarrollados en
MikroBasic pro for PIC, también se
diseñó el sistema de potencia para la
ejecución del circuito.
CONCLUSIONES
De acuerdo al trabajo de investigación
se tiene las siguientes conclusiones.
La regulación de los semáforos con
patrones de tiempos pre establecidos,
es efectiva pero puede ser mejorada
sensiblemente con la implementación
de la visión artificial.
Se desarrolla un sistema de
regulación inteligente, teniendo
recursos mínimos, con la aplicación de
cámaras de fácil instalación que
permite obtener el número de
vehículos mediante el tratamiento
digital de imágenes.
6
La implantación e instalación de un
sistema de regulación inteligente,
mejora el rendimiento de regulación
tradicional.
Con la disminución de arranques de
los vehículos, las emisiones de gases
contaminantes se redujeron ya que los
vehículos esperan un menor tiempo
en la intersección.
BIBLIOGRAFÍA
Adreone, L., Antonello, P.C., Bertozzi, M.,
Broggi, A., Fascioli, A., Ranzato, D., (2012)
“Vehicle detection and localization in infra-red
images”, The IEEE 5th International
Conference on Intelligent Transportation
Systems. Peru.
Kastrinaki, V. (2011). Zervakis, M.,
Kalaitzakis, K., “A survey of video processing
techniques for traffic applications”, Image and
Vision Computing, vol. 21, pp. 257-261.
[1]:
http://www.unicrom.com/Tut_diodo_led.asp.
[2]: Dirección General de Infraestructura vial
del transporte y Obras Públicas [en línea]:
http://www4.ElAlto.gov.ec/spirales/9_mapas_t
ematicos/9_10_movilidad/mapas/mapa_10_2
_2.jpg. [Consulta: 25 de octubre del 2013].
[3]
http://digital.ni.com/public.nsf/allkb/03900125
8CEF8FB686256E0F005888D1#Serial.