Está en la página 1de 38

Ver discusiones, estadísticas y perfiles de autor de esta publicación en: https://www.researchgate.

net/publication/317869924

Inteligente Traf fi c Light System basado en visión artificial

Tesis · Diciembre 2012

CITACIONES LEE

0 1323

1 author:

mahima Weerasinghe

Universidad de Tecnología de Auckland

2 PUBLICACIONES     0 CITACIONES    

VER EL PERFIL

Todo el contenido de esta página siguiente fue subido por mahima Weerasinghe el 25 de junio 2017.

El usuario ha solicitado la mejora del archivo descargado.


Sheffield Hallam University

INGENIERÍA DE PROGRAMA

INTELIGENTE sistema de semáforos

Presentado por

MMAWEERASINGHE

BEE / 09 / M8 / 2828

Supervisado por

El Dr. M.ANVER

B. ENG. (Hons) en INGENIERÍA ELECTRÓNICA

Informe final del proyecto

MÓDULO: 16-6077

DE OCTUBRE DE 2011
2

Prefacio

Este informe describe el trabajo del proyecto llevado a cabo dentro del programa de ingeniería en Sri Lanka Instituto de Información

Universidad de Tecnología entre enero y octubre de 2011.

La presentación del informe está de acuerdo con el requisito de la titulación de Ingeniería Electrónica (Beng)

bajo los auspicios de la Universidad.


3

Reconocimiento

Me gustaría expresar mi sincero agradecimiento a mis padres, Dr.M.Anver (supervisor de proyecto), Dr.Pradeep

Abeygunawardhana (coordinador del máster) y Dr.SPC Perera, por el enorme apoyo que me han dado en la toma de

este proyecto sea un éxito.


4

Abstracto

Alto Aumento de tránsito vehicular, especialmente en zonas urbanas exige un sistema de control de tráfico de optimización

lo que mejoraría la eficiencia del flujo de tráfico. Con el fin de cumplir con esta necesidad hoy en día he desarrollado una

Inteligente sistema de semáforos que ha sido elaborada a lo largo de este documento. Estos conocimientos adquiridos proyecto

en los amplios campos de sistemas basados ​en microcontrolador y procesamiento de imágenes. El objetivo de este proyecto era llegar

con una versión más avanzada del sistema de semáforos, junto con un sistema de iluminación nuevo que habría una

alternativa a la excitante sistema de tres luces de colores que fue inventado en 1920 por el Sr. William .L. Potts.

sistemas de control de tráfico existentes, tales como ciclo fijo tráfico de la luz (FCTL) ha sido incapaz de producir el

exquisita solución para el tráfico de vehículos cada vez mayor .No solamente FCTL sino con cualquier otro sistema alternativo

que ya se han implementado fue estudiada con el fin de adquirir conocimientos con respecto a los pros y los contras de ellos.

Y el desarrollo de este proyecto se centra en la generación de un estado del sistema del arte para ilustrar el prototipo

funcionalidad, que superaría las caídas de los sistemas que ya existen.


5

Tabla de contenido

Agradecimientos ................................................. .................................................. ...................................... yo

Tabla de contenidos ............................................... .................................................. ........................................... ii

Lista de tabla ............................................... .................................................. .............................................. iii

Lista de Figuras ............................................... .................................................. ............................................. iv

Lista de símbolos ............................................... .................................................. .............................................. v

1. Introducción ............................................... .................................................. ............................................. 7

1.1 Introducción general ................................................ .................................................. ................. 7

1.2 Fines y Objetivos ............................................... .................................................. ..................... 8

1.3 Fondo ................................................. .................................................. ................................ 9

1.3.1 Contexto Académico ............................................. .................................................. ................... 9

1.3.1.1 Escala de grises patrón coincidente .............................................. ............................. 9

1.3.1.2 Antecedentes resta ................................................ ................................. 10

1.3.1.3 El enmascaramiento de imagen ................................................ .............................................. 10

1.3.1.4 Filtrado de imágenes ................................................ .............................................. 10

1.3.1.5 Contornos ................................................. .................................................. ...... 10

1.3.1.6 Clasificación Haar ................................................ .......................................... 11

1.3.2 Contexto Industrial ................. .............................................................................................. . 11

2. Revisión de la literatura ............................................... .................................................. ........................... 12

2.1.1 LA-ciclo fijo semáforo COLA ....................................... ....................... 12

2.1.2 sistema de luces de tráfico inteligente por la corporación Denso .............................................................. . 13


6

2.1.3 Intelligent Traffic Control Systems utilizando RFID ......................................... ......................... 13

2.2 Procesamiento de Imágenes ............................................... .................................................. ........................ 14

2.2.1 Método 1 ............................................. .................................................. ............................... 14

2.2.2 Método 2 ............................................. .................................................. ............................... 14

2.2.3 Método 3 ............................................. .................................................. ............................... 14

2.3 FPGA Vs microprocesador .............................................. .................................................. ................ 15

3 Enfoque ................................................ .................................................. .......................................... dieciséis

3.1 descripción básica del proyecto ............................................ .................................................. ....... dieciséis

La unidad de procesamiento 3.2 Imagen .............................................. .................................................. ................. dieciséis

3.2.1 secuencia de imágenes de salida de un sub-programa utilizado para la detección del contorno de una imagen ........ 19

3.2.2 Flow representación del gráfico del programa finalizado para el recuento de vehículo ............................ 20

3.2.2.1 Web Cam inicialización ............................................ .................................................. 20

3.2.2.2 Marco de segmentación ............................................. .................................................. ..... 21

3.2.2.3 detección de contorno de cada trama .......................................... ........................................ 22

resultados unidad de procesamiento 3.2.3Image ............................................ .................................................. . 25

3.3 Unidad de control de semáforos ............................................. .................................................. ............ 26

4 Critique ................................................ .................................................. .............................................. 31

5 Cálculo del coste ................................................ .................................................. .............................................. 33

6 Conclusiones y trabajo futuro ............................................. .................................................. ................ 34

7 Referencia ................................................ .................................................. ........................................... 35


7

1. Introducción

1.1 Introducción

sistemas de luz de tráfico tienen una larga historia que se extiende tan lejos como 1868 que fueron en su mayoría controlada mecánicamente y

comúnmente utilizado en los ferrocarriles. Aunque se introdujeron los modernos sistemas de tres semáforos de color en 1920 por

Sr. William .L. Potts, la patente se obtuvo por Mr.TEHayes bajo el título "guía tráfico combinación y

señal de tráfico de regulación"(Patente # 1447659). Desde la invención de los sistemas de semáforos había habido

numerosas metodologías que se ha estado utilizando con el fin de controlarlos. En la actualidad, es evidente que estos

metodologías se ha estancado la eficiencia del flujo de tráfico con el aumento de vehículos en la carretera no cuesta

sólo el tiempo y dinero, sino también la limpieza del medio ambiente. sistemas de iluminación contemporáneos que han sido

utilizado consistirá en el semáforo de tres colores y un contador externo. Ámbar en el semáforo de tres colores se utiliza

para notificar al conductor que prepararse. ¿Cuál es la necesidad de ámbar en la actualidad de un contador? En la actualidad con mucho

más énfasis en la conservación de energía en la importancia de un sistema de iluminación revolucionaria es inevitable.

Este proyecto que se ha descrito en este documento tiene la capacidad de dirección de la mayor parte de las cuestiones mencionadas anteriormente

empleando últimos enfoques tecnológicos. El control de la luz del tráfico se realiza de acuerdo con el reconocimiento de prioridad

por resultado el procesamiento de imágenes en gran corte en el tiempo de inactividad de vehículos en los semáforos. Además, este

sistema se complementa con un sistema de iluminación LED que la función voluntad con un mecanismo de recuento incorporado que

También sería excluir ámbar.

1.2 Apuntar y Objetivos


Objetivo del proyecto era presentar sistema tecnológicamente avanzado, completo el tráfico ligero que sería

la alternativa perfecta para los sistemas imperantes. Este sistema de semáforos consiste en un control de semáforo

sistema tiene un aspecto 'inteligente' para el reconocimiento de prioridades y la toma de decisiones por el propio sistema y un Estado de

el sistema de iluminación de tráfico de arte que es el ahorro de energía más simple y más que el sistema existente.

Este proyecto dependía en gran medida de dos campos principales de Digital Image Processing & basada en microcontrolador

Los sistemas. Digital Image Processing se utilizó con fines de detección de vehículos, aunque el curso proporcionó alguna

operaciones básicas usando MATHLAB no fue suficiente. De ahí que el objetivo inicial era obtener una sana

conocimiento de Procesamiento Digital de Imágenes. Después de adquirir este objetivo principal el foco se trasladó a

la construcción de un algoritmo para la detección de vehículos. Esto se logró de manera elaborado progresivamente que

se discutirá más adelante.


8

Sistemas basados ​en microcontroladores era una parte del contenido del curso por lo tanto, el fundamento de esa sección particular

fue establecido ya. Profundo conocimiento de que el objetivo de esta sección fue implementar un microcontrolador

sistema basado en que tendría la capacidad para tomar decisiones utilizando la entrada desde el procesamiento de imágenes

sección y enviar órdenes precisas a los semáforos.

objetivos enumerados:

• Obtener una comprensión adecuada de los sistemas imperantes (EG FCTL)

• Ganar antecedentes teóricos sobre el procesamiento de imágenes digitales

• Los algoritmos del programa para identificar y contar los vehículos

• Implementar circuitos para conectar con el equipo y adquirir los datos necesarios

• Implementar circuitos para controlar las luces de tráfico de acuerdo con los datos

• Crear un prototipo para un empalme de tres manera de ilustrar la funcionalidad de todo el sistema

1.3 Fondo

1.3.1 contexto académico

Los programas más utilizados para los propósitos de procesamiento de imágenes son MATLAB y Open CV. Con el fin de seleccionar

la mejor opción para este proyecto una encuesta en particular la literatura sobre las dos opciones se llevaron a cabo. A través de la investigación

materiales, experiencia y los comentarios a través de foros de discusión en la web las características fundamentales de los dos

opciones se enumeran y OpenCV versión 2.1 fue seleccionado con Visual Studio 2008.

(una) (si)

Figura 1: (a) logo CV Open (b) logo MATLAB


9

Open CV MATLAB

biblioteca especial para la aplicación de procesamiento de imágenes. Inicialmente creado para las operaciones de tipo vectorial y tiene

Por lo tanto funciones se optimizan y se pueden ejecutar en diferentes evolucionado a una simulación de gran alcance y la exploración de datos

plataformas. herramienta. Se utiliza para el procesamiento de señales, redes neuronales,

transformadas de tren de ondas, ecuaciones diferenciales, estadísticas, etc.

Escrito en lenguaje de programación 'C'. Utiliza su propio idioma. (Es decir, mayor nivel de programación

idioma)

Facilidad de integración con otras aplicaciones o dispositivos. Integración con otras aplicaciones o deices no es tan fácil

como OpenCV.

Más empinada curva de aprendizaje debido a los requisitos de Menos empinada curva de aprendizaje debido a la amplia

leer el buen conocimiento manual, de un alto nivel MATLAB ayuda y facilidad de codificación.

idioma, y ​un buen conocimiento en el procesamiento de imágenes.

Utiliza Visual Studio para la codificación y compilación. Por lo tanto Incluido un compilador de 'C' que puede convertir

una ejecución más rápida. MATLAB codificación para 'C'. Pero la ejecución es lenta. Menos

la compatibilidad con el compilador de instrucciones.

Recomendado para desarrollos en tiempo real Recomendado para el diseño de iluminación, la imagen

medio ambiente. el procesamiento de las pruebas de algoritmo, el análisis espectral, y los datos

exploración.

Menos uso de recursos del sistema. mayor uso de los recursos del sistema.

El libre acceso al software y la documentación relacionada. Cargas aplicadas para el software y la documentación relacionada.

Tabla 1: Open CV vs MATLAB

Antes de iniciar la programación que era vital tener una base teórica que se necesita para ser aplicado.

El conocimiento recogida de muchos trabajos de investigación ayudó a producir un algoritmo que sería adecuado para el vehículo

detección y recuento.

1.3.1.1 Escala de grises Pattern Matching

Uno de los métodos más básicos utilizados en la detección de objetos es la escala de grises

la coincidencia de patrones. En primer lugar la imagen del objeto que debe ser identificado

se almacena en la memoria de imagen, esta imagen es conocida como la plantilla. Y

a continuación, la nueva imagen es escaneada, el cálculo de la similitud entre el

plantilla y una parte de la nueva imagen, para ello la ayuda de una lata de núcleo

También se tomarán. Hay varias fórmulas para el cálculo de similitud tal

como coeficiente de correlación. imágenes en gris son conocidos por ser inmune a

cambios en los niveles de brillo. Especialmente en aplicaciones al aire libre

donde el clima juega un papel importante en la fluctuación de la imagen. Pero el


Figura 2: escala coche Igual que varía con la distancia

cuestión está en concordancia con el modelo gris de la escala hay una necesidad de muchas plantillas

ya que el tamaño varía con la distancia incluso en el mismo tipo de coche. Este sistema llevaría más tiempo computacional

haciendo tiempo inutilizable para un proyecto en tiempo real que requiere tiempo de cálculo mínimo posible.
10

1.3.1.2 Antecedentes resta

sustracción de fondo es otro método convencional utilizado en el aislamiento objeto. En vehículo de detección de una imagen de la

de fondo se toma cuando no hay vehículos presentes esto, entonces se resta con una imagen donde los vehículos son

presente que resulta en una imagen donde sólo hay los vehículos. Esto no dejaría imagen perfectamente sustraído,

habrá ruido presente y este ruido se puede reducir el uso de filtros. El inconveniente de este sistema es que el

calidades de imagen de fondo variarían con las condiciones climáticas que conduce a mucho más ruido. Por lo tanto, la

imagen de fondo tiene que ser actualizado con frecuencia, pero esto se convierte en un problema ya que no habría apenas tiempo

sin vehículos en una intersección para capturar una imagen de sólo el fondo.

1.3.1.3 Enmascaramiento de áreas no deseadas de la imagen

Este método está destinado a aislar la parte de la carretera donde los vehículos se mueven en una dirección. Esto es

vital, ya que el enmascaramiento haría que la imagen mucho más fácil de procesar. El enmascaramiento se aplica a cada color RGB por separado.

Es conveniente limitar la máscara de carril mediante el uso de un editor gráfico especialmente creado para la configuración del sistema. Esta

función conecta los puntos agudos dadas por el usuario en curva persistente.

1.3.1.4 Filtrado de imágenes

El filtrado es esencial en la presencia de ruido. Cuando las operaciones tales como la resta se aplican a una imagen

la imagen contendría ambos querían, así como las sustancias no deseadas. El ruido está presente en motas en las imágenes,

la contaminación de la calidad de la imagen. Un método eficaz es el umbral de filtración justo después de la eliminación de fondo.

Hay dos variaciones principales de este método.

1) umbral fijo - cuando se determina empíricamente a partir de la secuencia de prueba,

2) umbral de histograma derivado - cuando éste se selecciona a partir del histograma de brillo de la

región segmentada. El primer método es uno más adaptativa y está generando una imagen adicional en tanto que la segunda

método quita puntos aislados y pequeñas gotas que queda después de la filtración umbral.

En caso si existe algún tipo de filtrado Mediana más ruido se puede utilizar para purificar la imagen.

1.3.1.5Contours

En seguimiento de objetos que es importante hacer que el límite alrededor del objeto, en este proyecto son objetos vehículos. Esta

asignación de vehículos se puede lograr a través de algoritmos de detección de bordes. detección de bordes se realiza mediante la comprobación

si el borde pasa a través de gradientes de un píxel dado -steep son evidencia de un borde, cambios lentos sugieren la

contrario. cálculo de primera derivada es detectar la velocidad de los cambios de intensidad en imágenes de trama. Segundo

derivado se usa para determinar la ubicación de la tasa máxima. Para reducir saltos derivados dentro y cerca de contorno

área de la imagen inicial se suaviza. Una vez asignación de vehículos se realiza

a través de contorno etiquetado se puede obtener el recuento de vehículos.


11

1.3.1.6 Haar clasificador

bibliotecas CV abierta proporciona al usuario con la detección de rostros interesante

manifestaciones. Estas manifestaciones se llevan a cabo a través de una técnica denominada Haar

formación. No sólo la detección de caras pero aparte de detección de objetos también se pueden hacer por Harr

formación. Sin embargo, la capacitación debe hacerse manualmente usando muchas imágenes. Esto es
Figura 3: El vehículo en diferentes ángulos

básicamente utilizado si aparece el mismo objeto en el vídeo (es decir, flujo de imágenes) en

diferentes patrones. Esto se conoce como un método de detección de objetos rápida. Dado que los vehículos se aproxima hacia una

intersección se acerca en un solo patrón de este método no puede ser utilizado.

1.3.2 contexto industrial

congestiones de tráfico tienen un impacto directo en la economía de un país. Países pierden millones cada año como resultado de

este problema. Con costo del combustible aumenta cada día y en una situación actual donde “tiempo iguala el dinero” necesidad de

más sistemas de control de tráfico eficiente es imprescindible. Aunque este sistema no sería capaz de eliminar el tráfico

congestiones por completo, el resultado será una disminución considerable de congestiones de tráfico cuando se compara con

sistemas imperantes tales como el ciclo FIJO cola de tráfico-luz. La congestión del tráfico se puede reducir

el empleo de ingentes infraestructural cambia como de exclusión aérea sobre puentes, carreteras, caminos circulares anillo y rotondas.

Sin embargo el empleo de este tipo de proyectos sería no sólo es caro sino también imposible de implementar con arreglo a

los establecimientos de la entorno particular. Una alternativa mencionada en este documento sería la escala ideal para

reducir las congestiones de tráfico en las intersecciones, ya que podría ser implementado en los sistemas de luces de tráfico que ha sido

ya instalado.

(si)
(una)

Figura 4: alternativas de infraestructura para las congestiones de tráfico (a) volar por encima de puente (b) Roundabouts
12

2 Revisión de literatura

2.1.1 fijo-CICLO semáforo COLA

La luz (FCTL) cola de tráfico de ciclo fijo es uno de los mejor estudiados y más fundamentales modelos de tráfico

Ingenieria. En la mayoría de los sistemas de FCTL se hacen suposiciones de que los vehículos llegan a la intersección de acuerdo con

Distribución de veneno. Y fórmulas se derivan para la longitud media de cola al final de un período y tiempo de retardo verde.

Una de las fórmulas utilizadas comúnmente es “fórmula de retardo de Webster”. Esta fórmula fue desarrollado originalmente en el

Reino Unido y fue modificada por muchos países teniendo en cuenta factores tales como el flujo de tráfico y la infraestructura de

sus propios países.

Fórmula original de Webster

Dónde,

d = Tiempo medio por vehículo en el enfoque particular de la intersección

c = longitud de ciclo

q = Flow

λ = Proporción del ciclo que es efectivamente verde para la fase en cuestión

x = grado de saturación (relación de volumen a la capacidad)

Del mismo modo que hay muchas otras metodologías de cola de retardo que utilizan fórmulas matemáticas (expresión de McNeill,

La expresión de darroch y la expresión de Ohno) y cierta cantidad de suposiciones. Aunque estos diversos métodos

Suena perfecto teóricamente la dependencia de ellos en suposiciones y fórmulas, con el aumento de vehículos en

el camino no proporciona un remedio adecuado. De ahí la necesidad de un control de tráfico “inteligente”, que tiene la capacidad

a las decisiones de hacer por consiguiente es inevitable.


13

Corparation 2.1.2 INTELIGENTE SEMÁFORO DEL SISTEMA DE DENSO

En este sistema particular, los datos se comunican entre la luz de tráfico y el vehículo entrante, por tanto, mejor

decisiones acerca de cuándo cambiar de señalización ayuda voluntad para maximizar el rendimiento general del vehículo en una intersección. Esta

sistema requiere transmisores inalámbricos de corto alcance montados en vehículos y también una conexión GPRS adicional para

fines de comunicación entre las dos entidades. Esto daría a los semáforos más información acerca de la próxima

vehículos y podría cambiar basado dinámicamente en su velocidad, tipo de vehículo, y el volumen relativo de acercarse

vehículos. El principal inconveniente es la necesidad de equipos GPRS y transmisores inalámbricos que debe ser

facilitado el interior del vehículo. Esto hace que el sistema poco práctico y costoso.

Figura 5: Smart sistema de semáforos por Denso Corp.

2.1.3 Intelligent Traffic Control Systems utilizando RFID

Este sistema requiere de Identificación por Radio Frecuencia (RFID) para su funcionalidad. Cada vehículo está etiquetado en una única

manera utilizando RFID. Y en cada camino que conduce a los lectores RFID intersección están situados ambos lados. Estas

lectores registrar la cantidad de vehículos que pasan por y los datos se transmiten a una central de procesamiento

punto. Todos los datos recogidos serán enviados a la unidad de la toma de decisiones, donde se entregarán los semáforos

comandos en consecuencia. Aquí la mayoría de la toma de decisiones se realiza mediante sistemas de lógica difusa.

Este es un sistema mucho más avanzado que el estándar método tiempo pre-determinado. Las decisiones de los semáforos

se hacen de acuerdo con el volumen de vehículos. característica principal es que, dado que cada vehículo tiene su propia identidad

vehículos de emergencia se pueden acomodar de manera priorizada. Esta es una de las principales características de este sistema.

El problema principal de este sistema se produce cuando se realiza la lectura. Muchos aspectos

tales como la velocidad de los vehículos que haría que el sistema sea vulnerable a

errores de recuento. Y cuando hay múltiples carriles para el mismo lado

podrían producirse errores de recuento. El mantenimiento de los lectores lado de la carretera y

las etiquetas de los vehículos son también considerables inconvenientes de este sistema.

Figura 6: Estructura básica del sistema de control de


tráfico RFID
14

2.2 Procesamiento de Imágenes en reconocimiento de vehículos

2.2.1 Método 1

coincidencia de patrones de nivel de gris se utiliza ampliamente en este tipo de aplicaciones en el campo de procesamiento de imagen digital

debido a la mejor actuación contra el cambio de brillo de una imagen. En este método una imagen de escala de grises es

guardan en la base de datos como una plantilla y las imágenes tomadas se pueden combinar con esta plantilla para el reconocimiento

propósitos. Las similitudes de las dos imágenes de niveles de gris se pueden medir utilizando el Coeficiente de Correlación. Pero

Coeficiente de correlación no es robusto contra el cambio de escala por lo tanto, este método es vulnerable para errores cuando

el recuento se considera. Para superar este problema se requiere una gran base de datos con tener la misma imagen con

diferentes escalas. Sin embargo, esto se traduciría en la necesidad de almacenamiento de datos más grande para las plantillas tanto, mayor tiempo de cálculo

sería necesario para los propósitos características determinadas. Para una aplicación en tiempo real de este tipo de tiempo de cálculo es una clave

elemento que necesita ser tomada en consideración.

(una) (si)
(una) (si)
Figura 7.1: el cambio de brillo en escala de grises (a) Objeto en un
Figura 7.2: Los mismos objetos con diferencias de escala (a) Objeto escala más
entorno más brillante (b) El mismo objeto en una configuración más
grande (b) El mismo objeto con una escala más pequeña
oscura

2.2.2 Método 2

Esta metodología no requiere gran número de plantillas como el proceso anterior. Pero una primera imagen tomada

antes de la presente imagen y estas dos imágenes serán emparejados juntos usando gris coincidencia de patrones nivel. Para esto

búsqueda de seguimiento de la parte delantera del vehículo que incluye faros se necesita. El uso de esta parte frontal

el reconocimiento se utiliza como la base para los vehículos de recuento. Este método no requiere mucho de una base de datos y el

tiempo de cálculo es mucho menor que el método anterior que se ha mencionado. Este método se puede dar en básico

pasos como sigue,

Paso 1
La adquisición de la plantilla inicial de utilizar la cámara.

Paso 2
la búsqueda de objetos de la imagen tomada por la cámara.

Paso 3
Comprobar si se ha completado el seguimiento. Si no retorna a la Etapa 2, proceder de otra manera.

Etapa 4
Contando el número de vehículos.
15

2.2.3 Método 3

En la mayoría de los métodos descritos es esencial para transmitir la imagen tomada a una unidad de procesamiento central con el fin de

proceder. Pero si los objetos podrían ser extraídos por el hardware en el propio sistema de la cámara, no sería necesario

transmitir toda la imagen, pero sólo la información del objeto. Sin embargo, para implementar este método los sensores ópticos

debe obtener una visión clara de la intersección completa. Una imagen inicial sin ningún vehículo en la intersección

se puede guardar como una plantilla, no después de cada imagen se diferenciará con la plantilla. Para esta diferenciación

modelo de color HSV podría ser utilizado. Abordar con respecto a ciertas cuestiones tales cambios rápidos de intensidad de la imagen debido a la

las nubes, la lluvia o la exposición automatizado de control de la cámara es de vital importancia si no dará lugar a la segmentación falsa.

2.3 FPGA Vs microprocesador

En la sección de procesamiento de imágenes simulaciones se realizaron utilizando el software en los ordenadores MATHALAB anteriores a la

aplicación práctica para investigar en el algoritmo. Es esencial que los métodos de transformación son eficientes y

robusta ya que esta aplicación es una aplicación en tiempo real. La necesidad de tanto de software flexible y flexible de hardware

Las soluciones son indispensables. Las posibilidades serían reconnoitered con respecto al hardware que se puede utilizar para la

imagen procedimientos de transformación, Field Programmable Gate Arrays y microprocesadores puede ser considerado como principal

soluciones.

Tabla 2: FPGA Vs microprocesador


dieciséis

3 Enfoque

3.1 descripción básica del proyecto

En las etapas iniciales del proyecto fue una gran importancia para tener una visión general del proyecto con el fin de averiguar

el punto de partida. Una vez que el panorama se presenta a los sectores críticos del proyecto fue identificado y priorizado. En

este proyecto, la sección de Procesamiento Digital de Imágenes fue identificado como el más importante y por lo tanto fue seleccionado como el

punto de partida.

Semáforo Inteligente

Procesamiento de imágenes Toma de decisiones Sistema de iluminación

- Estudio sobre el campo de - La selección y la compra de - La selección y la compra de


los recursos necesarios los recursos necesarios
procesamiento de imágenes

- La adquisición de software
necesario - programación basada en - programación basada en
microcontrolador microcontrolador

- Programación
- Pruebas - soldadura
- Pruebas
- La aplicación de interfaz
de usuario.

- Pruebas

Figura 8: Arquitectura del Sistema


17

3.2.1 Procesamiento de Imágenes

Este proyecto consta de tres unidades básicas

1) Unidad de procesamiento de imágenes

2) unidad de toma de decisiones

3) Desarrollo de la Unidad de iluminación

Se dio prioridad a la unidad de procesamiento de imágenes, ya que todo el proyecto se basó en que en gran medida y también era

la unidad que no estaba familiarizado. El principal problema era encontrar fuentes fiables para obtener los antecedentes teóricos

necesario. Para este estudio de la literatura propósito se llevó a cabo a través de Internet y fue capaz de obtener una valiosa

información sobre el tema. Aparte de los trabajos de investigación que se encontraron fuera había otras dos principales

fuentes teóricas que fueron recomendados en gran medida por los expertos

1) Ciclo de conferencias por el Prof. PKBiswas (Departamento de Electrónica y Eléctrica Comunicación

Ingeniería, IIT, Kharagpur) en la teoría de procesamiento de imágenes

2) Digital Image Processing Segunda edición por Rafael C. González (Universidad de Tennessee), Richard E.

Woods (MedData interactivo)

En el próximo número era averiguar el software adecuado para el desarrollo del programa, como se mencionó anteriormente a través de una

encuesta literaria; OpenCV versión 2.1 en colaboración con Visual Studio 2008 fue seleccionado e instalado en el

computadora. Con la ayuda de la recomendada manual “Aprendizaje OpenCV” y tutoriales en www.willowgarage.com

la comprensión de las teorías básicas, se hizo directores de procesamiento de imágenes.

Tras el desarrollo de programas de ejemplo, se desarrolló un programa de entrada de agarre de una cámara web, ya

cámaras web se pueden utilizar como una alternativa a las cámaras de circuito cerrado de televisión. Otro programa fue desarrollado para asignar un coche de una

otro en la imagen. Pero el equipo de configuración de la cámara no se puede aplicar a los lugares donde están presentes varios carriles; por lo tanto, la

configuración de la cámara se ha cambiado para dar una visión general de los vehículos entrantes y en consecuencia el desarrollo de programas

empezado. Inicialmente, el programa se desarrolla para detectar y contar los vehículos en una imagen desde la ingesta de captura de la cámara y

técnicas de manipulación de fotograma de vídeo ya se han desarrollado como se mencionó anteriormente estos dos desarrollado por separado

programas se fusionaron en este último. Los mecanismos de procesamiento tales como la segmentación, el filtrado y el borde

detección se dispusieron y utilizado, que contorno del vehículo asignado dentro de la zona de observación de la imagen. Y entonces

Se necesitaba etiquetado contorno que se ha hecho, lo que ayuda a la marca y calcular una serie de objetos que se mueven en el

zona de observación, y por lo tanto la congestión carril estimación. Además se necesita más la mejora RAM del ordenador, debido a la

dificultades en la ejecución de algunos de los programas.


18

La idea despertó a priorizar el carril que tenía la mayor cantidad de contorno de lo que sería mucho más rápido, pero debido

a vehículos de diferentes tamaños (EG camiones ocupan mucho más área que los coches de motor) haría que este sistema de

inexacta y por lo tanto, esta idea no se llevó a cabo más.

Figura 9: Configuración de la cámara para la captura de vídeo

3.2.2 Lista de CV subprogramas ABRIR

• La lectura y la escritura de imágenes

Para la comprensión de los trámites utilizados en la apertura de las imágenes a través de Open CV.

• La lectura y la escritura vídeos

Tomar conciencia de la manipulación de los vídeos.

• La apertura de una cámara web / apertura de varias cámaras web

Debido a los altos precios de las cámaras de circuito cerrado de televisión comerciales el foco se hizo en el uso de cámaras web para el

prototipo.

• La asignación y liberación de imágenes

Para la asignación de imágenes hay funciones especiales en OpenCV lo que le da la oportunidad al usuario

determinar el tamaño de la imagen, los píxeles profundidad de la imagen en bits y número de canales por asignado

imagen, etc.

• La aplicación de las diversas funciones disponibles en OpenCV para la comprensión de allí viene a cabo. Algunos de

las funciones ejecutadas para el ensayo de reproducción de la imagen purposes-, las conversiones de escala de la imagen, Calcular

diferencia entre dos imágenes, las conversiones de color de las imágenes, la manipulación umbral de imágenes, escritos en

imágenes, imagen de contorno de extracción etc.


19

3.2.1 secuencia de imágenes de salida de un sub-programa utilizado para la detección del contorno de una

imagen

(si)
(una)

Figura 10.1: (a) imagen de fondo de una cámara fija (b)


Imagen de un vehículo desde la misma cámara

(si)
(una)

Figura 10.2: imagen de diferencia (b) imagen de diferencia de umbral (a)


20

(si)
(una)

Figura 10.3: (a) Imagen de contorno del vehículo (b) Dibujo de un rectángulo alrededor de la

región de interés (ROI)

3.2.2 Flow representación del gráfico del programa finalizado para el recuento de vehículos

inicialización de levas 3.2.2.1 Web

comienzo

La inclusión de

archivos de cabecera

Crear una estructura de Crear una estructura de

imagen para el frame captura de vídeo para la

buffer de entrada de entrada de web cam ' IplImage'

cámara web. ' CvCapture'

Inicialice la
cámara web. ' cvCapture
FromCAM'

Mensaje de error de
La inicialización
No visualización
de éxito?

Proceder a segmentación de trama


21

3.2.2.2 segmentación de trama


Crear una ventana para la

secuencia de vídeo de entrada ' cvNamedWindow'

siempre
bucle

Coge un marco de la entrada


Video en directo ' cvQueryFrame'

búfer creado

Mostrar el contenido del buffer.

'CvShowImage'

Asignar el marco a la

Suelte el marco " cvQueryFrame'

Fin del
¿Video en directo?

Salir del bucle


22

3.2.2.3 detección de contorno de cada trama

fotograma de vídeo de entrada

Actualizar el promedio de ejecución


Convertir la imagen en marco a
de la secuencia ' cvRunningAvg'
No Sí una 3channel, 32-bit único
¿Es el marco inicial? flotante de precisión
punto de la imagen ' cvConvertScale'

Obtener la diferencia absoluta


entre el promedio de
funcionamiento y la trama de
entrada presente
'CvAbsDiff'

Girar la imagen resultante en


una imagen de escala de grises

'CvCvtColor'

Convertir la imagen para obtener

el umbral binario
'CvThreshold'

Dilatar la imagen mediante el uso de un

elemento específico estructuración

'CvDilate'

(Diagrama de flujo continuo a la página siguiente)


23

Erosionar la imagen mediante el uso de un

elemento específico estructuración

'CvErode'

Encuentra los contornos de la

imagen resultante
'' cvFindContours

Obtener un punto de píxel promedio

del contorno se mueve

Es el punto de contorno de píxeles

mayor que el punto de contorno

píxel anterior?

Sí No

Su vehículo en movimiento hacia la Su vehículo en movimiento a la izquierda,

derecha, aumenta el vehículo no aumentan la memoria intermedia de

cuenta del búfer por uno recuento de vehículos

Note- dada anteriormente es un breve enfoque paso a paso utilizado en el algoritmo para el recuento de vehículo. Solo aquí

una cámara se toma en consideración. El proyecto se desarrolla para un empalme de tres manera, por tanto, los pasos mencionados

anteriormente se expande tres veces en el escenario práctico, ya que el prototipo utiliza tres cámaras web.

Inicialmente, el programa fue desarrollado para distinguir tres categorías de objetos en movimiento

1) automóviles de turismo (coches incluyendo, furgonetas, etc.)

2) vehículos largos

3) motocicletas
24

Una vez que el contorno en movimiento está delimitado por un rectángulo de la anchura de que se utilice en tres rangos diferentes para distinguir

entre las categorías mencionadas anteriormente. Por lo tanto estos parámetros varían con la posición de la cámara.

Sin embargo teniendo en cuenta tres parámetros separados crean inmensa complejidad en el algoritmo de la unidad de control y por lo tanto

sin el uso de tres parámetros separados se ajustó el programa para detectar cualquier en venir vehículo y aumento una

tampón solo. Por lo tanto los tres webcams utilizados pasa tres recuentos de vehículo separado en el programa de control.

El tamaño de cuadro empleado aquí es de 240 × 320 gama pixel. Es imprescindible la utilización de cámaras web en el que se produce el mismo marco

tamaño de lo contrario el programa funcione correctamente. Básicamente, cuando se monta una cámara hay una posibilidad de captura

vehículos en movimiento fuera de la intersección, así (es decir, mover a la izquierda), ya que es irrelevante pesar de que son

detectan que no se cuentan. Esto se consigue mediante la obtención de la posición media del contorno en movimiento. Si el

posición contorno media anterior es mayor a la posición media presente el vehículo se está moviendo a la izquierda por lo que es

no se tiene en consideración.

estrategia inicial era adquieren imágenes de los carriles separados y contar el vehículo en cada imagen, contando objeto de una

imagen fija generó muchas complejidades. De ahí que el foco se trasladó hasta la aproximación de procesamiento de vídeo. A fin de que

contar el número de vehículos de los vehículos debe estar en movimiento, si los vehículos son todavía no es posible contar.

Por lo tanto la cámara debe ser posicionado antes de la intersección de manera que el algoritmo mencionado anteriormente se

funcionar correctamente.

El programa de conteo de vehículos está implementado y ejecutado en un 'Formulario de Solicitud de Windows'. Consta variedad de

aplicación que se puede utilizar en un programa en este caso se utiliza un reloj temporizador. Pasos utilizados en la comprobación del vehículo

recuentos se mencionan a continuación,

1) Inicialmente comprobar los tres aspectos.

2) Asignar cada vez semáforo proporcional al recuento de vehículos.

3) Borrar todos los tres cargos.

4) Ajustar el reloj a tiempo de manera adecuada y verificar los conteos de vehículos en el cabo del tiempo.

(Es decir, si cada una de las tres luces de tráfico se asignan x, y, z segundos el reloj se ajusta a

el tiempo de espera en x + y + z = k sec, la próxima vez los recuentos serán comprobados después de k segundos)

5) Cada uno del tiempo asignado se transmite a la unidad de control a través de serie

comunicación.
25

3.2.3 Resultados de la unidad de procesamiento de imágenes

contorno acotado de vehículos en movimiento

a la izquierda

de vehículos a largo

contorno acotado de vehículos en

movimiento a la derecha

recuento motocicleta recuento

recuento de automóvil

Figura 11: trama de vídeo de programa con tres parámetros


en uso

Como se muestra arriba que delimita la región de interés se consiguió con éxito y como el conteo. A pesar de que

los vehículos en movimiento fuera de la intersección (Se supone que la intersección está en a la derecha) está delimitada que son

sin contar. Los tres parámetros utilizados aquí se reducen en un solo parámetro en la implementación real.

Hora Ya sea Tráfico vehículos medidos Medio Error (%)

Día Soleado Ligero 477 1.8

Pesado 1988 2.1

Lluvioso Ligero - -

Pesado 1803 3.0

Crepúsculo Soleado Ligero 59 2.0

Pesado 1103 2.7

Lluvioso Ligero - -
Pesado 1002 2.2

Tabla 3: Resultados de las pruebas de procesamiento de imágenes


26

3.3 El tráfico unidad de control de la luz

la circuitería de

comunicaciones serie

El tráfico de circuitos

de manipulación de la

luz

Tráfico circuitos de Tráfico circuitos de Tráfico circuitos de

conducción de luz conducción de luz conducción de luz

#1 #2 #3

Figura 12: Arquitectura del sistema

3.3.2 unidad de comunicación de serie

Para el propósito de la comunicación en serie un conjunto de circuitos se construyó empleando un microcontrolador PIC 16F628A

y una max232 controlador dual / receptor IC como componentes principales. aplicación formulario de Windows está programado para directamente

comunicarse con esta circuitería. En este circuito microcontrolador PIC 16F628A utiliza 8 salidas para comunicarse con

el tráfico microcontrolador de conducción de luz.

Figura 13: DB9 pin (hembra)


configuración
27

(una)
(si)

Figura 14: (a) Diagrama esquemático de la disposición de circuito (b) PCB del circuito

3.2.3.2 Tráfico manipulación de la luz

DB9 (hembra)

16F628A PIC

MAX 232

Puerto de salida

Figura 15: la circuitería de comunicaciones serie


28

La sección de comunicación en serie descrito anteriormente produce ocho salidas con el fin de comunicarse con el paralelo

circuito descrito en esta sección. Esto se considera como unidad de control del semáforo principal. Los semáforos se encienden

en consecuencia a los datos recibidos por un programa incorporado en el microcontrolador PIC16F877A. básicamente, el

duración de la luz verde sería directamente proporcional al recuento de vehículos pasó por al microcontrolador.

Los semáforos árbol reciben cinco entradas cada uno. La arquitectura de diseño se muestra a continuación.

PIC16F877A
PIC16F628A

Las entradas paralelas a la

PIC16F877A

semáforo # 1 semáforo # 2 semáforo # 3

Figura 16: Esquema de conexión

Figura 17: Representación esquemática del tráfico principal PIC16F877A

circuito de la unidad de control


29

3.2.3.3 tráfico de circuitos de conducción de luz

Este diseño de las luces de tráfico requiere una matriz de LED de ocho por ocho, que es accionado por el conductor ULN2803 IC. Cada

semáforo (matriz de LED) está provisto de dos circuitos integrados del controlador. Los dieciséis entradas a los circuitos integrados del controlador se proporcionan a través de

CD4514BE que es una de cuatro en dieciséis decodificador IC. Las entradas para el decodificador IC es proporcionada por el PIC16F877A

microcontrolador. El sistema consta de tres semáforos, por tanto, tres circuitos de conducción separados eran

implementado.

ULN2803 8 × 8 Matrix LED

Conductor

CD4514BE

Descifrador

ULN2803

Conductor

Figura 18: Descripción del mecanismo semáforo conducir

Figura 19: 8 × 8 LED de matriz de puntos


30

La funcionalidad del semáforo se puede explicar de la siguiente manera: Si el conductor se va a indicar para detener el todo

la matriz se iluminará en rojo. De acuerdo con el tiempo para esperar la matriz de LED se apagará fila por fila a partir de

abajo hacia arriba que indica al conductor para prepararse adecuadamente. Una vez que la última fila (fila superior) se ilumina en rojo la próxima

etapa sería para iluminar todas las filas de verde y viceversa.

Figura 20: 8 × 8 LED de matriz de puntos conductor diseño de la PCB de circuito

Figura 20: 8 circuito de excitación × 8 LED de matriz de puntos


31

4 Crítica
La unidad de procesamiento de imagen es suficientemente precisa para una aplicación de este tipo. En los resultados de las pruebas dadas en

la sección 3.2.3 se proyecta claramente la precisión del sistema, dando el error medio de la invariancia de conteo de vehículos

la hora del día y las condiciones climáticas.

Uno de los principales problemas de la sección de procesamiento de imágenes se puede considerar como la cuestión de los vehículos que delimitan

viajando en estrecha aproximada como un solo vehículo. Esto se ilustra claramente en la siguiente figura.

Saltando muchos vehículos

Figura 21: Detección de error

Esta complicación se produce debido a la utilización de intervalos de píxeles para que delimita rectángulos en el algoritmo y por lo tanto este

se puede minimizar hasta cierto extender por recalibrar esos rangos pixeles. Pero esto debe hacerse una vez que la

Las cámaras están debidamente calibrados y montados. vectores de prueba deben ser extraídos de estas cámaras para ajustar el

pixel oscila para una mayor precisión.

Otro contratiempo del algoritmo puede ser considerado como un recuento erróneo de vehículos con colores particulares. Una vez que el color

del vehículo es mucho más cercano al color del fondo en la imagen umbral de nivel de trama acondicionado

apenas consistir de este vehículo que conduce a la miscounting. Este problema se minimiza al máximo nivel por

el ajuste de los niveles de umbral, pero no se elimina por completo.

(una) (si) (do)

Figura 22: (a) La imagen real la imagen en escala de grises (b) (c) Imagen umbral binario
32

El algoritmo de procesamiento de imagen desarrollado en el desempeño de los proyectos mejor bajo la luz del día, una vez allí en ningún día

la luz que el programa no funciona en los niveles de precisión esperada. La falta de iluminación de fondo y la iluminación brillante

de los faros de los vehículos en movimiento hace que sea difícil distinguir los contornos móviles del resto de la

fondo.

(si)
(una)

Figura 22: (a) imagen gris en la ausencia de luz día (b) Imagen umbral binario resultante
33

5 Costos

Para conocer los requisitos de software - Rs. 1125

Las matrices de LED Dot - Rs. 600

sistema de iluminación de cubierta exterior - Rs. 500

Otros componentes de circuito - Rs. 3750

otros gastos - Rs. 2000

Total - Rs. 7975


34

6 Conclusiones y Trabajo Futuro

Prevalece el tráfico de control de sistemas no han sido capaces de producir soluciones eficientes para el creciente tráfico

congestiones. Este sistema de semáforos inteligentes, básicamente, reducir el tiempo de inactividad del vehículo en los cruces resultantes

ahorro de combustible, tiempo y respeto al medio ambiente. El ahorro de combustible beneficiaría a los usuarios integrales de vehículos ya que el dinero que haría

se gasta en combustible se reducirá. También factor de ahorro de tiempo dará lugar a transporte eficiente, beneficiando no sólo el

los usuarios de vehículos, sino también a los sectores gubernamentales y no gubernamentales del país. Dado que los vehículos pasarían

menos tiempo en las intersecciones, más favorable al medio ecológico se creará hasta levantar el nivel de vida de todos

los seres. Posteriormente este método sería capaz de sustituir gran infraestructura cambia hasta cierto extender,

que queda mucho por hacer para reducir congestiones de tráfico que daría lugar a ayudar a la economía.

Es una necesidad puntual de tener un tipo de un sistema mencionados en estos documentos. Se señala en estos documentos son los más básicos

ventajas que pueden lograrse a través de un sistema de este tipo, el éxito de este proyecto se llevará a muchos

posible aplicación en el futuro, como los sistemas de venta de entradas por exceso de velocidad, conducción temeraria, desobediencia a las normas de circulación

etc. También por motivos de seguridad y para proporcionar evidencia con respecto a los accidentes de tráfico son algunos más futuro

implementaciones de esta aplicación.


35

7 referencias

[1] “El reconocimiento del vehículo mediante el procesamiento de imágenes” actas de la conferencia .IEEE. IEEE. 5 Nov, 2009

[2] Salama, AS Saleh, BK Eassa, MM


Comput. De & Inf. Syst. Dept., Sadat Acad. para Administrar. Sci. (SAMS), El Cairo, Egipto
La tecnología informática y Desarrollo (ICCTD), 2.010 segundo Internacional
Conferencia sobre
Fecha de emisión: 2-4 de noviembre de 2010

El Página (s): 27 - 31 Ubicación: El Cairo

Imprimir ISBN: 978-1-4244-8844-5 INSPEC Número


de Acceso: 11675483
Identificador de Objetos Digitales: 10.1109 / ICCTD.2010.5646059 Fecha de la
versión actual: 29 Noviembre 2010

[3] K. Takahashi, T. Kitamura, M. Takatoo, Y. Kobayashi, Y. Satoh


“Flujo de Tráfico Sistema de medición por procesamiento de imágenes”
Laboratorio de Investigación de Hitachi, Hitachi, Ltd. 7-1-1 Omika, Hitachi,
Ibaraki, 319-12 JAPÓN Omika Obras, Hitachi, Ltd

5-2- 1 Omika, Hitachi, Ibaraki, 319- 12 JAPÓN

[4] Marco Wiering, Jelle van Veenen, Jilles Vreeken, y Arne Koopman
Grupo de Sistemas Inteligentes
Instituto de Ciencias de la Información y Computación de la Universidad de
Utrecht
Padualaan 14, 3508TB Utrecht, Países Bajos 9 de julio de, de 2004

[5] Michael Bramberger1, Romano Pflugfelder2, Bernhard Rinner1, Helmut Schwabach3, Bernhard Strobl3
“Sensor de tráfico de vídeo inteligente: Arquitectura y Aplicaciones”
Instituto Técnico de Informática 1 2 Reconocimiento de patrones y procesamiento de imágenes de vídeo Grupo 3 y Tecnología de Seguridad

Universidad Tecnológica de Graz Universidad Tecnológica de Viena Investigación de Austria

centros Seibersdorf
AUSTRIA AUSTRIA AUSTRIA

1 1

[6] Meffert B., Blaschek R., Knauer U., Reulke R., Winkler F., Schischmanow A.
“POR EL CONTROL DE TRÁFICO sensores ópticos”
Universidad Humboldt de Berlín, Unter den Linden 6, 10099 Berlín, Alemania
1

Centro Aeroespacial Alemán (DLR), Rutherfordstr., 12489 Berlín, Alemania

[7] Amrita RAI y Govind Singh PATEL

“Múltiple Control de Tráfico El uso de sensores inalámbrica y densidad de medición de la cámara”

Lingyas Instituto de Gestión y Tecnología

Nachauli, Viejo Faridabad- 121002

Recibido: 23 May 2008 / Aceptado: 21 Julio 2008 / Publicado: 31 de Julio 2008


36

[8] Actas de la Conferencia Nacional sobre


Dispositivo, sistema inteligente Departamento de comunicación y redes de
Electrónica y Comunicaciones (Acreditado por la NBA) Asansol Facultad de
Ingeniería

Kanyapur, Asansol, Burdwan, Bengala Occidental, India


Conjuntamente con NIT Durgapur y Kalyani Gobierno. Engg. Universidad, Colaboración
Kalyani Bajo técnica con IEEE & IE (I) EXCEL INDIA

[9]”Un sistema de gestión de tráfico que utiliza los servicios de información de tráfico en tiempo real”

El Foro de Cooperación Asia Euro-sudeste de la investigación TIC Bruselas -


Octubre 6-7, 2008 Supakorn Siddhichai (Tailandia) Investigador Senior

Centro de Tecnología Informática (NECTEC) Nacional de Electrónica y Desarrollo de


la Tecnología Nacional de Ciencia y (NSTDA)

[10] Broek, MS van den, JSH van Leeuwaarden, IJBF Adan, DO Boxma (2004). Límites y aproximaciones para la cola semáforo de
ciclo fijo. Para aparecer en Ciencias de Transporte.

[11] Masakatsu Higashikubo (1) Toshio Hinenoya (2) Kouhei Takeuchi (3)

(1) Sumitomo Electric Industries, Ltd., 1-1-3, Shimaya, Konohana-ku, Osaka, 554, Japón.

(2) Sumitomo Electric Industries, Ltd., 1-1-3, Shimaya, Konohana-ku, Osaka, 554, Japón.

(3) Sociedad de Gestión de Tráfico Universal de Japón, 2-6, Ichigayatamachi Shinjyuku-ku, Tokio, 162, Japón.

“ Longitud de la cola el tráfico de medición utilizando un Sensor de Imagen Procesamiento”

[12] Tommy Chheng


Departamento de Ciencias de la Computación de UCSD

San Diego, CA
“Identificación de atascos de detección de señales a través de la imagen”

[13] American Journal of Applied Sciences 5 (11): 1487-1493, 2008


ISSN 1553-345X 2008 Ciencia
Publicaciones 1Cheonshik Kim, 2Usted-Sik
Hong
Universidad 1Anyang, Facultad de Major en Ingeniería Digital Media, Anyang-si,
Gyeonggi-do, Corea del Sur
Universidad 2Sangji, Facultad de Ciencias de la Computación, Usan-dong, Wonju-si, Corea del Sur

[14] En tiempo real Autónoma Detección de Vehículos de un medio-Nivel UAV


Toby P. Breckon, Stuart E. Barnes, Marcin L. Eichner y Ken Wahren

[15] Un tráfico SÓLIDO vigilancia del sistema para la detección y seguimiento de vehículos en la noche por el profesor Hung Nguyen, el Dr. Getian
Ye, el Dr. Zhang Jian
37

[16] Un ÁRBOL DE DETECTOR impulsado clasificadores DE TIEMPO REAL DE DETECCIÓN DE OBJETOS Y


SEGUIMIENTO
Rainer Lienhart, Luhong Liang, y Alexander Kuranov Microinformáticos
Research Labs, Intel Corporation de Santa Clara, CA, 95052

{Rainer.lienhart, lu.hong.liang, alexander.kuranov}@intel.com

Ver publicación
estadísticas de publicación
Estadísticas Ver las