Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificial
- Autores
- Vazquez, Damian Raimundo; Torres, Carlos Marcelo; Marighetti, Jorge Marcelo; Gramajo, Sergio Marcelo; Robledo Sanchez, Alberto Marcelo
- 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.
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 - Materia
-
Ciencias Informáticas
detector de carril
asistencia al conductor
seguridad vial - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/165720
Ver los metadatos del registro completo
id |
SEDICI_c6e21cc5ff50948a1a73905c87efdc6b |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/165720 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Desarrollo de un procedimiento para detectar carriles en vías no señalizadas utilizando visión artificialVazquez, Damian RaimundoTorres, Carlos MarceloMarighetti, Jorge MarceloGramajo, Sergio MarceloRobledo Sanchez, Alberto MarceloCiencias Informáticasdetector 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.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 Operativa2023-09info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/165720spainfo:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/760info:eu-repo/semantics/altIdentifier/issn/2451-7496info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:43:51Zoai:sedici.unlp.edu.ar:10915/165720Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:43:51.9SEDICI (UNLP) - Universidad Nacional de La Platafalse |
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 Vazquez, Damian Raimundo Ciencias Informáticas 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 |
Vazquez, Damian Raimundo Torres, Carlos Marcelo Marighetti, Jorge Marcelo Gramajo, Sergio Marcelo Robledo Sanchez, Alberto Marcelo |
author |
Vazquez, Damian Raimundo |
author_facet |
Vazquez, Damian Raimundo Torres, Carlos Marcelo Marighetti, Jorge Marcelo Gramajo, Sergio Marcelo Robledo Sanchez, Alberto Marcelo |
author_role |
author |
author2 |
Torres, Carlos Marcelo Marighetti, Jorge Marcelo Gramajo, Sergio Marcelo Robledo Sanchez, Alberto Marcelo |
author2_role |
author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas detector de carril asistencia al conductor seguridad vial |
topic |
Ciencias Informáticas 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. 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 |
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 |
2023-09 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/165720 |
url |
http://sedici.unlp.edu.ar/handle/10915/165720 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/url/https://publicaciones.sadio.org.ar/index.php/JAIIO/article/view/760 info:eu-repo/semantics/altIdentifier/issn/2451-7496 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844616306488246272 |
score |
13.070432 |