Contenido principal del artículo

Juan Feijóo Rodríguez
Universidad de Sevilla
España
Francisco R. Rubio
Universidad de Sevilla
España
Núm. 45 (2024), Visión por Computador
DOI: https://doi.org/10.17979/ja-cea.2024.45.10806
Recibido: may. 29, 2024 Aceptado: jul. 1, 2024 Publicado: jul. 24, 2024
Derechos de autor

Resumen

El desarrollo y la valoración de los programas de visión se suele realizar en equipos reales, pero recientemente, la disponibilidad de emuladores realistas y software orientado a aplicaciones robóticas ha hecho factible emplear escenarios virtuales. Este enfoque facilita el ajuste de los sistemas de reconocimiento, permite valorar múltiples casuísticas con un mínimo tiempo y dinero, y evita los problemas de compatibilidad entre los elementos de un sistema real. En este artículo se muestra el entorno sintético desarrollado en ROS y Gazebo, que incluye la creación de un repositorio de señales 3D fielmente modeladas acorde a la normativa española. Las técnicas de reconocimiento son tradicionales; es novedoso el ajuste óptimo de los discriminadores de color que evita especificar explícitamente valores numéricos. El clasificador de formas usa los momentos de Hu y una medida de oquedad, y la identificación de serigrafías se lleva a cabo con una red MLP de reducidas dimensiones.

Detalles del artículo

Citas

AbdelHamed, A., Tewolde, G., Kwon, J., 2020. Simulation framework for development and testing of autonomous vehicles. 2020 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS), 1–6. DOI: 10.1109/IEMTRONICS51293.2020.9216334 DOI: https://doi.org/10.1109/IEMTRONICS51293.2020.9216334

Goodfellow, I., Bengio, Y., Courville, A., 2016. Deep Learning. MIT Press.

Hu, M.-K., 1962. Visual pattern recognition by moment invariants. IRE Transactions on Information Theory 8 (2), 179–187. DOI: 10.1109/TIT.1962.1057692 DOI: https://doi.org/10.1109/TIT.1962.1057692

Ishida, H., Takahashi, T., Ide, I., Mekada, Y., Murase, H., 2007. Generation of training data by degradation models for traffic sign symbol recognition. IEICE - Trans. Inf. Syst. E90-D (8), 1134–1141. DOI: 10.1093/ietisy/e90-d.8.1134 DOI: https://doi.org/10.1093/ietisy/e90-d.8.1134

Kiran, C., Prabhu, L. V., V., A. R., Rajeev, K., 2009. Traffic sign detection and pattern recognition using support vector machine. 2009 Seventh International Conference on Advances in Pattern Recognition, 87–90. DOI: 10.1109/ICAPR.2009.58 DOI: https://doi.org/10.1109/ICAPR.2009.58

Kuo, W.-J., Lin, C.-C., 2007. Two-stage road sign detection and recognition. 2007 IEEE International Conference on Multimedia and Expo, 1427–1430. DOI: 10.1109/ICME.2007.4284928 DOI: https://doi.org/10.1109/ICME.2007.4284928

Mathias, M., Timofte, R., Benenson, R., Van Gool, L., 2013. Traffic sign recognition — how far are we from the solution? International Joint Conference on Neural Networks (IJCNN), 1–8. DOI: 10.1109/IJCNN.2013.6707049 DOI: https://doi.org/10.1109/IJCNN.2013.6707049

Prabhu, N., Min, S., Nam, H., Tewolde, G., Kwon, J., 07 2020. Integrated framework of autonomous vehicle with traffic sign recognition in simulation environment, 514–521. DOI: 10.1109/EIT48999.2020.9208241 DOI: https://doi.org/10.1109/EIT48999.2020.9208241

Ren, F., Huang, J., Jiang, R., Klette, R., 2009. General traffic sign recognition by feature matching. 2009 24th International Conference Image and Vision Computing New Zealand, 409–414. DOI: 10.1109/IVCNZ.2009.5378370 DOI: https://doi.org/10.1109/IVCNZ.2009.5378370

Soendoro, D., Supriana, I., 2011. Traffic sign recognition with color-based method, shape-arc estimation and svm. Proceedings of the 2011 International Conference on Electrical Engineering and Informatics, 1–6. DOI: 10.1109/ICEEI.2011.6021584 DOI: https://doi.org/10.1109/ICEEI.2011.6021584

Wali, S. B., Abdullah, M. A., Hannan, M. A., Hussain, A., Samad, S. A., Ker, P. J., Mansor, M. B., 2019. Vision-based traffic sign detection and recognition systems: Current trends and challenges. Sensors 19. DOI: 10.3390/s19092093 DOI: https://doi.org/10.3390/s19092093