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
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/165720

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