Automatización del monitoreo de un Sistema BRT
mediante Computer Vision
Camilo Torres Mestra
Estudiante Ingenierı́a Mecatrónica
Universidad Nacional de Colombia
Bogotá
juctorresme@unal.edu.co
Resumen—La congestión presentada en Sistemas de Buses
de Tránsito Rápido (BRT por sus siglas en inglés) se debe
en esencia a una ineficiente distribución de la flota y de la
frecuencia de los buses, que no logra atender a las demandas
reales de los usuarios en las horas más crı́ticas de operación.
Sin embargo, los métodos actuales carecen de la capacidad
técnica para analizar y evaluar los escenarios de operación,
puesto que el comportamiento orgánico de los usuarios hace
difı́cil definir adecuadamente horarios de salida de los buses.
Esta investigación propone aprovechar los sistemas de vigilancia
actualmente disponibles en el Sistema TransMilenio (TM) de la
ciudad de Bogotá, y mediante la implementación de una red
neuronal convolucional, obtener en tiempo real datos acerca de
los usuarios que esperan en las plataformas de abordaje y en las
estaciones, logrando una aproximación al comportamiento real
de los mismos y facilitando la distribución logı́stica de la flota con
datos veraces, proporcionados automáticamente por el sistema.
También se propone una arquitectura de red para conectar las
cámaras a diversos centros de cómputo donde se procesarán las
imágenes. Finalmente, se obtuvieron resultados de precisión de
tanto porciento para las imágenes analizadas, capturadas en una
estación del sistema.
Index Terms—BRT, TransMilenio, intervalos, frecuencia, visión
por computador, análisis de multitudes
I. I NTRODUCCI ÓN
Los Buses de Tránsito Rápido se presentan como una solu-
ción al problema de movilidad urbana y de transporte masivo
ya que cuentan con un carril exclusivo para su recorrido, lo
cual disminuye el tiempo de los trayectos al compararlo con
el sistema tradicional de buses que transitan por el tráfico
mixto. Además, su costo de operación y de construcción de
infraestructura es muchı́simo menor al de otros sistemas de
transporte masivo como el metro. No obstante, la ineficiente
asignación de la flota que ocasiona el aumento en el tiempo
de espera de los usuarios, es uno de los principales factores
de percepción del mal servicio del transporte. Además, la
acumulación de los usuarios en las puertas y plataformas de
abordaje causan embotellamientos que a su vez ocasionan
retrasos.
El objetivo de una operación óptima será reducir el tiempo de
espera, y de usuarios que se queden esperando a un segundo
bus, mientras se utiliza la flota disponible de manera adecuada.
Para lograr estos objetivos, los operadores logı́sticos de TM
se apoyan de estadı́sticas de usuarios recopiladas por méto-
dos convencionales de estimación de multitudes mediante el
monitoreo de circuitos cerrados de televisión. No obstante, a
medida que el tamaño de estos sistemas se incrementa, se hace
más complejo para los operadores supervisar todos los datos
disponibles. En el caso especı́fico de Bogotá, esta tarea es
asumida por el C-4 de la policı́a, cuya misión principal está
enfocada en la seguridad y no en la planeación de operaciones
logı́sticas.
Lo anterior plantea la necesidad de automatizar el proceso de
análisis de multitudes en el Sistema TransMilenio, haciendo
uso de las herramientas tecnológicas disponibles, tales como
las cámaras de seguridad instaladas en las distintas estaciones
del STM.
Existen actualmente 4 tipos de técnicas principales utilizadas
para esta tarea. La primera de ellas está basada en la detección
de rasgos caracterı́sticos proporcionados por un dataset anota-
do. Este tipo de algoritmos escanean caracterı́sticas comunes al
compararlas contra un clasificador, con el fin de encontrar un
patrón de identidades (como siluetas de personas). Estos son
los algoritmos predilectos para sistemas basados en detección
de rostros, sin embargo su desempeño resulta ser muy pobre
al implementarse sobre sistemas de vigilancia debido a la baja
resolución de las imágenes.
En segunda instancia están los métodos basados en Clusters,
cuyo principio se basa en asumir que una caracterı́sitca dada
es constante para todos los individuos en el grupo, y que por lo
tanto, al rastrear su movimiento se pueden obtener pequeños
conjuntos que representan entidades que se mueven de manera
indepente. A pesar de que estos modelos no requieren datos de
entrenamiento anotados, presentan serias desventajas cuando
los sujetos de análisis permanecen quietos durante mucho
tiempo, o existen varios individuos que comparten trayectorias,
por lo tanto no resultan óptimos para el análisis de multitudes
en un sistema de buses en donde muchos pasajeros permane-
cerán de pie en su sitio mientras esperan la llegada de un bus.
Existen también técnicas basadas en Regresión de Carac-
terı́sticas, que consisten en extraer de una imagen los rasgos
de bajo nivel (low-level features) tales como los pixeles del
fondo o los bordes de la imagen, estos datos después se
pasan por un modelo de regresión junto con el número de
personas presentes, como parte de los datos de entrada de
entrenamiento. Pese a que este método es uno de los más
usados en la actualidad debido a la baja complejidad de su
implementación, son modelos que son extremadamente sensi-
bles a los cambios en la perspectiva. Lo anterior implica que
la implementación sobre un sistema de cámaras de seguridad
requerirı́a de la implementación y entrenamiento para cada
una de las cámaras de seguridad que existan, resultando en
el aumento exponencial de la complejidad que requiere su
instalación.
Finalmente introducimos los modelos basados en redes neu-
ronales, cuya principal ventaja radica en la capacidad de
“descubrir” patrones ocultos que pueden ser de utilidad en la
tarea de contar personas y que no son por defecto intuitivos,
además pueden ajustarse a caracterı́sticas de la imagen que
dificultan su evaluación, tales como la resolución, la escala,
la perspectiva e incluso la iluminación. Debido a esto, los
método basados en redes neuronales pueden ser aplicados
incluso en otras escenas, lo que representa una ventaja ya
que el entrenamiento puede realizarse en una fase previa
a la implementación fı́sica e inclusive pueden aprovecharse
conjuntos de datos ya existentes para su entrenamiento sin
la necesidad de crear y anotar uno nuevo para una tarea en
especı́fico. Una ventaja adicional con respecto a los métodos
basados en regresión, es la capacidad de ubicar espacialmente
a un individuo, lo cual se traduce en mejores resultados al
analizar escenas con distintas densidades.
II. T RABAJOS R ELACIONADOS
El problema de la eficiencia de los Sistemas BRT siempre se
ha enfocado como un estudio de optimización de los métodos
utilizados para asignar la frecuencia de salida de los buses. En
[1] se desarrolló un modelo del SITP de la ciudad de Pereira y
se resolvió usando un algoritmo genético. Este trabajo enfatiza
en el uso de una función multiobjetivo que pueda satisfacer
al mismo tiempo la demanda de los usuarios (minimizando
los tiempos de espera y aumentando el cupo en los buses) y
al mismo tiempo disminuyendo los costos de operación del
sistema (distribuyendo eficientemente la flota y trabajándola a
su capacidad óptima). El modelo de entrenamiento utilizado
otorga penalizaciones por cada pasajero que no alcanza a
abordar el bus, lo cual denota una alta dependencia de las
estadı́sticas de la cantidad de pasajeros que esperan en la
plataforma, pero además, de los que están dentro del bus.
La situación anterior presenta la necesidad de buscar estra-
tegias para contar multitudes de manera óptima y en tiempo
real.
En [2] se propone un sistema que monitorea los hábitos
de viaje de los usuarios de un sistema BRT, a partir de la
información aportada por los torniquetes de las estaciones y
los buses. El procesamiento de esta información se hace en
tiempo real mediante técnicas de minerı́a de datos. El sistema
implementado reporta estadı́sticas del uso de las distintas rutas
del sistema en tiempo real. No obstante, esto es posible debido
a la baja complejidad del sistema, en donde la mayorı́a de
estaciones solo disponen de una única ruta.
El trabajo realizado por [3] propone un método para detectar
personas haciendo uso de sistemas de vigilancia, implementan-
do un modelo de regresión Bayesiana, que se entrena a partir
de modelos 3D de figuras humanas. La innovación de este
modelo está en que el modelo rechace el fondo de la imagen y
empareje los objetos no rechazados con los modelos humanos
anteriormente aprendidos, en contraposición a otros modelos
que se basaban en detectar el movimiento de un objeto y
emparejarlo con el movimiento natural de una persona. Este
estudio concluye además, que utilizar esta estrategia resulta
ser más eficiente a nivel computacional.
El principio teórico detrás de la aplicación de una red neuronal
se basa en el concepto de un mapa de densidad, en donde la
integral (suma) sobre una subregión es igual al número de
objetos en esa región. Los valores de densidad se estiman a
partir de los datos de bajo nivel (low-level features), por lo
tanto se comparte cierta afinidad con los modelos basados en
regresión. Este método fue propuesto por primera vez en [3],
en donde se usó un modelo de regresión lineal para predecir
el valor de la densidad de pixeles en un arreglo usando MESA
como función objetivo.
En [Cross-scene Crowd Counting via Deep Convolutional
Neural Networks] se utiliza por primera vez una red neuronal
convolucional , para predecir los valores de densidad sobre una
imagen. El principal avance de esta investigación fue proponer
un marco y una arquitectura que fuese útil para analizar
múltiples escenas, de manera que o fuesen necesarias nuevas
anotaciones para analizar una nueva imagen. Este es uno de los
primeros trabajos en utilizar las ventajas del deep learning para
extraer caracterı́sticas (features) de las imágenes. Este trabajo
propone llevar a cabo la operación de normalización de los
datos de entrada mediante métodos distintos a la aplicación
de filtros Gaussianos, debido a que estos resultan en varias
distorsiones y en resultados ineficientes. La red propuesta
(CNN-patch) obtuvo un MAE de 467.0 y un MSE de 498.5
sobre el dataset de UCF CC 50.
Wang, et al. [4] estudiaron el uso de una red neuronal
convolucional para solucionar problemas relacionados con la
implementación de las técnicas de computer vision, como la
distorsión de la cámara o la oclusión, presente en escenarios
densos. Para solucionarlo, se propone calcular la densidad
espacial del escenario mediante el análisis sobre parches
de pequeño tamaño, junto con información espacial de la
perspectiva. Esta técnica logra obtener mapas de densidad
mucho más precisos que otros métodos.
Este trabajo estará especialmente enfocado en implementar
la solución propuesta por [5], en donde se diseña una red
neuronal convolucional (CSRNet), basada en VGG-16, capaz
de obtener un mejor rendimiento en la tarea de contar personas
que modelos similares, sobretodo en ambientes altamente
congestionados, sino que además permitı́a muchı́sima más
felxibilidad con respecto a la resolución y al tamaño de
las imágenes de entrada. Debido a que implementa solo
ciertas secciones de las capas internas del VGG-16, e incluso
prescinde del uso de su capa de clasificaión, CSRNet obtiene
resultados mucho más rápidos, especialmente en el proceso
de entrenamiento, que otras soluciones basadas en la misma
arquitectura. Durante el proceso de entrenamiento se evidenció
un desempeño altı́simo al utilizar el dataset de ShangaiTech
[6], al obtener un error medio MAE muchı́smo menor que
el obtenido mediante la solución predominante llamada CP-
CNN.
III. M ETODOLOG ÍA
Se optó por utilizar una metodologı́a tipo AGILE, en este
caso SCRUM para llevar a cabo el desarrollo de este proyecto.
El Proyecto está dividido principalmente en 3 sprints:
1. Primer Sprint: Investigación Inicial y revisión del Estado
del Arte.
2. Segundo Sprint: Implementación de la Red Neuronal
Convolucional y el algoritmo de conteo.
3. Tercer Sprint: Diseño y Simulación de la Red WAN.
III-A. Implementación de la Red Neuronal Convolucional
Para el desarrollo de este proyecto se tomó como base el
modelo CSR-Net, que puede ser entendido como un generador
de mapas de densidad y está basado en la arquitectura VGG-
16. Para reducir la complejidad de la red, se utilizan pequeños
filtros convolucionales (3x3) en todas las capas, una ventaja
de implementar únicamente filtros convolucionales es que el
modelo se vuelve más flexible frente a imágenes de entrada
de distintas resoluciones.
III-A1. Arquitectura front-end: Para este diseño en parti-
cular, se omite el uso de la capa de clasificación de VGG-16,
y se utilizan únicamente las primeras 10 capas, limitando el
número de capas de reducción (pooling) a 3 en lugar de 5 con
el fin de reducir los efectos detrimentales sobre la precisión
de la salida ocasionados por la operación de reducción.
Figura 1. Arquitectura VGG-16
La salida de esta primera etapa es un mapa de densidad que
tiene 1/8 del tamaño de la entrada. Se utiliza interpolación
bilineal para escalar de nuevo la imagen y asegurar que
tenga las mismas dimensiones de la entrada, de esta mane-
ra pueden compararse con los datos reales (ground thruth)
usando técnicas como PSNR (Peak Signal-to-Noise Ratio) y
SSIM(Structural Similarity in Image).
III-A2. Entrenamiento: Debido a las condiciones de alta
densidad de las imágenes que se pretenden analizar, se generan
kernels geométricamente adaptativos, en este caso se usa un
kernel Gaussiano (normalizado a 1) para hacer borrosas las
cabezas en la imagen.
Cada imagen es segmentada en 9 parches que tienen 1/4 de
la imagen original. Los primeros 4 segmentos contienen a la
imagen sin traslapes, mientras qu elos otros 5 corresponden
a un segmento aleatorio dentro de la misma. Este dataset se
refleja para obtener el doble de datos de entrada.
Para entrenar la red se usa el enfoque de Descenso de
Gradiente Estocástico (SGD) con una tasa de aprendizaje de
1e-6. Las imágenes utilizadas para el entrenamiento fueron
suministradas por del dataset de ShangaiTech [6] [6].
III-B. Implementación en python
Basados en el repositorio proporcionado por [7] y usando
Google Colab, se implementó mediante el uso de una máquina
virtual con acelerador gráfico. Haciendo uso del archivo ma-
ke dataset.ipynb, se importaron los datos proporcionados por
el dataset de ShangaiTech [6].
IV. D ISCUSI ÓN DE R ESULTADOS
IV-A. Implementación en python
Debido al alto tiempo que conlleva el entrenamiento, se
optó por usar parámetros pre-entrenados y se obtuvo un MAE
de 75.69 sobre el dataset evaluado. Se realizaron pruebas con
diversas imágenes obtenidas en internet de diversos escenarios
en las estaciones y plataformas de abordaje del sistema Trans-
Milenio. Se evidenció que el modelo no funciona muy bien
con imágenes donde los usuarios aparecen altamente dispersos,
sin embargo el desempeño parece mejorar cuando aumenta el
número de usuarios presentes en la imagen. No se observó
que factores como la iluminación, la distancia a la cámara
o el ángulo de inclinación, tuviesen impacto significativo en
el desempeño, de la misma manera, los resultados parecen ser
independientes del tamaño de la imagen usada, sin embargo se
evidencia la obtención de un mapa de densidad más suavizado
en imágenes tomadas desde arriba con alta resolución. Para
la imagen de la Figura 2, se evidencia una prueba de una
situación tı́pica de prueba para el sistema. En la imagen
aparecen 106 usuarios, y el sistema detecta 116 personas,
representando un error del 9.43 %.
Figura 2. Imagen obtenida de una estación del Sistema y analizada con
CSRNet
El la figura 3 se muestra otra situación tı́pica del sistema
en donde la perspectiva y la resolución son distintas a las
analizadas en la imagen anterior. En este caso No obstante
en la Figura 4 se puede observar una situación en donde la

Figura 3. Prueba con una imagen de baja resolución y una perspectiva distinta.
densidad de los pasajeros es menor, y el ángulo de inclinación
es menor. Resultando en un error de 5.83 %.
[10] D. B. Sam, S. Surya, and R. V. Babu, “Switching convolutional neural
[11] J. S. J. Junior, S. Musse, and C. Jung, “Crowd analysis using computer
[12] “Rapid transit system,” Dictionary Geotechnical Engineering/Wörter-
[13] C. Santhini and V. Gomathi, “Crowd scene analysis using deep learning
Figura 4. Prueba con una imagen con baja densidad.
V. C ONCLUSIONES
CSRNet es el marco de trabajo más sencillo de imple-
mentar de los revisados en el estado del arte debido a la
reducción de capas en su implementación.
Las redes neuronales convolucionales resultan aptas para
situaciones de análisis de sistemas masivos como Trans-
Milenio.
Se requiere un alto poder computacional para poder
procesar las imágenes, por ende se propone un sistema
de distribución y procesamiento de datos en la nube.
R EFERENCIAS
[1] D. A. G. Guancha, J. A. S. Mejı́a, and S. Estrada, “Asignación de
frecuencias Óptimas, A Través De Un Modelo Multiobjetivo, Para Un
Sistema BRT,” Revista EIA, vol. 13, no. 26, 2017.
[2] F. Dzikrullah, N. A. Setiawan, and S. Sulistyo, “Implementation of
scalable k-means clustering for passengers temporal pattern analysis
in public transportation system (brt trans jogja case study),” 2016 6th
International Annual Engineering Seminar (InAES), 2016.
[3] L. Wang and N. H. Yung, “Crowd counting and segmentation in
visual surveillance,” 2009 16th IEEE International Conference on Image
Processing (ICIP), 2009.
[4] J. Wang, L. Wang, and F. Yang, “Counting crowd with fully convolutio-
nal networks,” 2017 2nd International Conference on Multimedia and
Image Processing (ICMIP), 2017.
[5] Y. Li, X. Zhang, and D. Chen, “Csrnet: Dilated convolutional neural
networks for understanding the highly congested scenes,” in Proceedings
of the IEEE Conference on Computer Vision and Pattern Recognition,
2018, pp. 1091–1100.
[6] Y. Zhang, D. Zhou, S. Chen, S. Gao, and Y. Ma, “Single-image
crowd counting via multi-column convolutional neural network,” in
Proceedings of the IEEE conference on computer vision and pattern
recognition, 2016, pp. 589–597.
[7] Y. Li, “Csrnet-pytorch,” https://github.com/leeyeehoo/CSRNet-
pytorch.git, 2018.
[8] C. Zhang, H. Li, X. Wang, and X. Yang, “Cross-scene crowd counting
via deep convolutional neural networks,” 2015 IEEE Conference on
Computer Vision and Pattern Recognition (CVPR), 2015.
[9] X. Dong, G. Xiong, B. Hu, F. Zhu, and Z. Shen, “Efficient expression
and deep analysis platform of massive traffic video data,” 2017 IEEE
20th International Conference on Intelligent Transportation Systems
(ITSC), 2017.
network for crowd counting,” 2017 IEEE Conference on Computer
Vision and Pattern Recognition (CVPR), 2017.
vision techniques,” IEEE Signal Processing Magazine, 2010.
buch GeoTechnik, p. 1079–1079, 2014.
network,” 2018 International Conference on Current Trends towards
Converging Technologies (ICCTCT), 2018.