Descargue como DOC, PDF, TXT o lea en línea desde Scribd
Descargar como doc, pdf o txt
Está en la página 1/ 14
UNIVERSIDAD SAN FRANCISCO DE QUITO
COLEGIO POLITCNICO Ingeniera Elctrica y Electronica PERFIL DE PROYECTO DE GRADO
1.
TITULO DEL PROYECTO:
Sistema de conteo y clasificacin de vehculos para el analisis de trfico en la ciudad.
2.
NOMBRE DEL (DE LOS) ESTUDIANTE(S):
Mario Alejandro Zambrano Armijos
3.
PROFESOR ASESOR PARA LA ELABORACION:
Diego Bentez PhD.
4.
LOCALIZACION GEOGRAFICA DEL PROYECTO:
Universidad San Francisco de Quito
5.
AREA DE INFLUENCIA DEL PROYECTO:
Universidad San Francisco de Quito
6.
ANTECEDENTES: Moranduzzo, T (2014) desarrollo un proyecto para conteo automatizado de
vehculos mediante vehculos areos no tripulados la cual establece las
dificultades en el conteo de vehculos, estableciendo como principales problemas el reconocimiento y la posterior clasificacin de los vehculos, mayormente debido 1
a que el vehculo areo no tripulado se encuentra en movimiento y a una distancia
considerablemente alta.
En relacin con lo anterior, aunque el sistema a implementar no se
encuentra en movimiento, los vehiculos a los cuales se va a realizar el procesamiento se lo hace, por lo cual se podran encontrar los mismos problemas, los cuales pueden ser resueltos con los algoritmos presentados por Moranduzzo (2014).
Este trabajo toca el aspecto del procesamiento de objetos en movimiento
para su futura aplicacin en sistemas de semaforizacin inteligente, lo cual se considera parte de un grupo de tecnologas a alcanzar para llegar hacia las Smart Cities.
7.
JUSTIFICACION E IMPORTANCIA DEL PROYECTO:
En la actualidad, segn el Instituto Nacional de Estadstica y Censos
(INEC), en el ao 2000 haba 646 040 automviles matriculados en Ecuador. En
2008, el numero haba aumentado a 989 039, de los cuales 953 199 son particulares. En cada calle o avenida de quito, sin importar la hora a que uno se transite, de norte a sur, se puede encontrar una gran cantidad de vehculos. El trfico en la capital es uno de los problemas a los que nos enfrentamos a diario. Uno de los factores que ms influyen en la densidad de trfico en la ciudad es la ineficiencia de la red de semforos en la capital. Tan solo con la desincronizacin de dos semforos en una va principal, el trfico en una hora pico puede llegar a 2
ocupar varias cuadras.
Debido a las razones expuestas anteriormente, se ha visto la necesidad de
crear un sistema que pueda analizar la densidad de trfico en tiempo real y adapte el funcionamiento de los semforos que se encuentran en las intersecciones. Este control se realizar mediante el anlisis del nivel de trfico, basndose en la cantidad de vehculos y la velocidad de desplazamiento del bloque automovilstico y con esos datos realizar el procesamiento de la informacin para determinar el mejor patrn de funcionamiento de los semforos, para de esa manera evitar al mximo las aglomeraciones de vehculos. Adems de esto, el sistema puede estar
8.
OBJETIVO FINAL DEL PROYECTO:
Disear un sistema automtico de conteo y clasificacin de vehculos a
tiempo real para su posible aplicacin en semaforizacin inteligente mediante el
uso de una cmara comercial y procesamiento digital de video con el software LABView.
9. OBJETIVOS ESPECIFICOS DEL PROYECTO, METAS Y ACTIVIDADES DEL PROYECTO:
10.
DETALLE DE LA METODOLOGIA QUE SE PROPONE EMPLEAR:
11.
Adquisicin de la imagen por medio de la cmara.
Pre-procesamiento de la imagen. Procesamiento de las imgenes adquiridas Obtencin de datos desde el procesamiento. Clasificacin de los datos procesados. Uso de los datos clasificados en el modelo matemtico propuesto. Control de la salida con el resultado de la aplicacin del modelo matemtico. REVISIN DE LITERATURA: Debido a la creciente demanda de vehculos en las zonas urbanas de la ciudad
de quito, se ha podido observar aglomeraciones vehiculares, sobre todo en horas pico,
en las principales arterias viales de nuestra capital. Por esta razn se ha visto necesario realizar un algoritmo el cual reconozca patrones de trfico en nuestra ciudad, para de esta manera optimizar el funcionamiento de semforos y evitar en gran medida este tipo de aglomeraciones. En la presente seccin de este trabajo se presenta una 4
breve revisin literaria la cual abarca varios tpicos desarrollados alrededor del procesamiento de imgenes, as como el seguimiento mediante el uso de cmaras comerciales. 1 Procesamiento de Imgenes De acuerdo con Pratt (2007), durante los ltimos diez aos, los diferentes usos del procesamiento de imgenes han ido en aumento, claro, viendo visibles mejoras en aspectos clave como el tamao, velocidad y rentabilidad de los equipos usados, as como de las tecnologas relacionadas. Debido a esto su uso en la industria cientfica, espacial y gubernamental ha ido en aumento. Segn Esqueda & Palafox (2005), el procesamiento de imgenes digitales tiene su origen a partir de que los recursos tecnolgicos nos permiten capturar y manipular imgenes representndolas de forma matricial. De esta manera sepuede llegar a obtener una imagen manipulable a la cual se la puede utilizar en diferentes aplicaciones, como la visin artificial. Lira (2010) define al procesamiento de imgenes como el conjunto de transformaciones en el espacio donde se encuentran los datos multiespectrales, con el objeto de realzar ciertos patrones, y la considera una de las partes de un proceso ms grande al cual llama Anlisis de Imgenes, al aadir el reconocimiento de patrones al tratamiento de imgenes. Luckac & Plataniotis (2006) menciona que la importancia actual del procesamiento de imgenes, en especial de las imgenes a color se ha producido por los avances en la tecnologa de sensores y cmaras, lo que permite avanzar un paso desde el anlisis de imgenes en escala de grises. El procesamiento de imgenes a color incluye una gran cantidad de procesos, debido a que las matrices con las que se trabaja son mucho ms grande en comparacin con las matrices de imgenes de 5
escala de grises. Yap, Guan, Perry & Wong (2009) Consideran las futuras aplicaciones del procesamiento de imgenes en tecnologas relativamente nuevas, como lo es la inteligencia computacional, usando controles adaptativos, lo cual permite una autonoma del proceso de anlisis de imgenes lo que evita tener una interfaz de usuario para las futuras aplicaciones de este tipo de tecnologa.
2 Seguimiento de objetos
De acuerdo con Passieux, Navarro, Pri, Marguet & Ferrero (2014), al realizar el seguimiento de objetos en planos 2D como una aplicacin para la visin computacional, sedebe considerar factores externos que podran interferir en la captura de imgenes, como la posicin, velocidad y aceleracin del objeto, tanto traslacionales como rotacionales. Nelson (2014) establece las desventajas de trabajar con sistemas de posicionamiento, como radares y visin artificial, debido a que los factores externos como el mal clima pueden hacer menos rentable un proyecto si no se toman medidas en cuanto a mitigar estos factores. Yan & Li (2013) establecen el reto que conlleva el seguimiento a tiempo real para lograr un modelo efectivo y eficiente. Aunque la mayora de los cdigos solo consideran informacin local, se prevee realizar un algoritmo que considere toda la informacin adquirida por medio de la interfaz ptica. Wang, Zhang & Ji (2013) establecen que al trabajar en la extraccin de objetos a partir de una imagen, los objetivos no pueden ser extrados completamente, por lo que la imagen a procesar ser de un bajo nivel y con una cantidad de ruido aceptable. Xiaolin, Licheng & Xiaowei (2014) proponen un mtodo para localizar objetos en movimiento basado en
transformadas un decimadas (UST), lo cual mejora la imagen que se procesa,
reduciendo la cantidad de ruido en ella.
3 Adquisicin de imgenes
Xiao, Wang, Guo & Wu (2014) establecen un sistema de adquisicin de
imgenes con una cmara compuesta por cmara binocular estreo y una cmara a color, para mejorar los datos adquiridos. Segn Nikolaisen, Nilsson, Pettersen, Willems, Lorens, Koopman & Tronstad (2014) se puede realizar un algoritmo de adquisicin de imgenes automtico til para establecer un sistema autnomo de adquisicin de imgenes, tanto en 2D como en 3D.Para la correcta adquisicin de imgenes se necesita usar los equipos adecuados, aunque con un correcto uso del software se puede realizar un trabajo aceptable mediante cmaras comerciales.
14.
BIBLIOGRAFIA CONSULTADA PARA ELABORAR EL PERFIL:
Esqueda, J., Palafox, L. (2005). Fundamentos para el procesamiento de Imgenes.
Baja California: Universidad autnoma de Baja California.
Lira, J. (2010). Tratamiento digital de Imgenes Multiespectrales. Mxico: UNAM.
Lukac, Rastislav; Plataniotis, Konstantinos N. (2006). Color Image Processing: Methods and Applications. Retrieved from http://www.eblib.com
Nelson, R. (2014). Radar targets cars, conscious buildings. EE: Evaluation
Engineering, 53(9), 44. 7
Nikolaisen, J., Nilsson, L. H., Pettersen, I. N., Willems, P. M., Lorens, J. B., Koopman, W. H., & Tronstad, K. J. (2014). Automated Quantification and Integrative Analysis of 2D and 3D Mitochondrial Shape and Network Properties. Plos ONE, 9(7), 116. doi:10.1371/journal.pone.0101365
Passieux, J. C., Navarro, P. P., Pri, J. N., Marguet, S. S., & Ferrero, J. F. (2014). A Digital Image Correlation Method for Tracking Planar Motions Of Rigid Spheres: Application to Medium Velocity Impacts. Experimental Mechanics, 54(8), 1453-1466. Doi:10.1007/s11340-014-9930-y
Pratt, W. (2007). Digital Image Processing, PIKS Scientific Inside. California: Wiley.
Qingsen, Y., & Linsheng, L. (2014). Kernel sparse tracking with compressive sensing. IET Computer Vision, 8(4), 305-315. doi:10.1049/iet-cvi.2013.0095
Xiao, B., Wang, C., Guo, X., & Wu, S. (2014). Image acquisition system for agricultural context-aware computing. International Journal of Agricultural & Biological Engineering, 7(4), 75-80. doi:10.3965/j.ijabe.20140704.008
Xiaolin, T., Licheng, J., & Xiaowei, S. (2014). Tracking with scattering descriptor. IET Computer Vision, 8(3), 195-206. doi:10.1049/iet-cvi.2013.0124
Xili, W., Wei, Z., & Qiang, J. (2014). Image object extraction with shape and edgedriven 8
Markov random field model. IET Image Processing, 8(7), 383-396.
doi:10.1049/ietipr.2013.0020
Yap, Kim-Hui; Guan, Ling; Perry, Stuart William; Wong, Hau San (2009). Adaptive Image Processing: A Computational Intelligence Perspective, Second Edition. Retrieved from http://www.eblib.com
15.
DURACION DE LA ELABORACION DEL PROYECTO (meses ) :
6 meses
16.
INDICE PROPUESTO:
RESUMEN EJECUTIVO......................................................................................................... 3 LISTA DE ACRNIMOS Y SIGLAS.............................................................................. ............ 5 1. INTRODUCCIN.......................................................................................................... ..... 7 2. ANTECEDENTES. ...................................................................... .................................. ..... 7 2.1. Actualidad del Reconocimiento de imgenes.............................................................. 7
2.2. Problemas con el Reconocimiento de
Imgenes.......................................................... 8 3. PROCESAMIENTO DE IMAGENES..................................................................................... 11 3.1 Captura de imgenes.......................................................................................... 17 3.2 Algoritmos de procesamiento de Imgenes............................................... 17 3.3 Procesamiento de Video a tiempo Real 18 4. PROCESAMIENTO DE IMGENES EN LABVIEW. 18 4.1 Software de procesamiento LABView.......................................................................... 18 4.2 Programacin y uso de IMAQ tolos............................................................................ 19 5. Procesamiento de Datos...................................................................................... 19 5.1 Modelo matemtico de patrn de trafico . ............... 23 5.2 Clasificacin de datos adquiridos 23 5.2 Aplicacin del modelo matemtico a los datos obtenidos......................... 23
10
5.3 Optimizacin del modelo matemtico y adaptacin a los datos adquiridos a
tiempo real. .................................... ................... 24 6. CONCLUSIONES Y RECOMENDACIONES......................................................................... 24 7. REFERENCIAS............................................................................................................. ..... 25 8. ANEXOS ..................................................................................................................... .... 257
17. PRESUPUESTO PARA ELABORACION DEL PROYECTO, SI ES QUE EXISTE ALGO: $ 47.99 18.
CRONOGRAMA DEL PROYECTO (ANEXO 2):
19.
FECHA DE INICIACION DEL PROYECTO:
1 Enero 2015
20.
FECHA ESTIMADA DE PRESENTACIN DEL INFORME FINAL:
28 de Mayo de 2015
11
21.
FIRMA DEL (DE LOS) ESTUDIANTE(S) Y FECHA:
_________________________ Alejandro Zambrano 2014 diciembre 15 _____________________________________________________________________ 22.
DICTAMEN DEL PROFESOR INFORMANTE 1ero. FIRMA Y FECHA:
