Trabajo Fin de Grado
Reconocimiento automático de señales de tráfico para asistencia a la conducción
Autor/es | Ballesteros Delgado, Miguel |
Director | Vargas Villanueva, Manuel |
Departamento | Universidad de Sevilla. Departamento de Ingeniería de Sistemas y Automática |
Fecha de publicación | 2023 |
Fecha de depósito | 2023-09-26 |
Titulación | Universidad de Sevilla. Grado en Ingeniería Electrónica, Robótica y Mecatrónica |
Resumen | Este proyecto tiene como objetivo principal abordar la detección y el reconocimiento de señales de tráfico
durante la conducción autónoma, y busca realizar una comparativa entre métodos tradicionales basados en
técnicas ... Este proyecto tiene como objetivo principal abordar la detección y el reconocimiento de señales de tráfico durante la conducción autónoma, y busca realizar una comparativa entre métodos tradicionales basados en técnicas de visión por computador y métodos más actuales. El enfoque tradicional se ha realizado en dos etapas, una primera que se encargaba de asignarle al objeto una clase según su forma para, después, clasificarla en función de la iconografía del interior de la señal. Para ello, se han estudiado diferentes métodos que extrajesen correctamente las características de la imagen como lo eran “SURF” o “GLBP”, sin embargo, debido a su simplicidad y fácil manejo se terminó utilizando el método HOG junto a un clasificador de mínima distancia. Por otro lado, para explorar el estado actual de las técnicas de visión por computador en la detección de objetos, se ha decidido implementar el método "YOLO" (You Only Look Once). YOLO es un modelo de detección de objetos en tiempo real que ha demostrado un excelente desempeño en diversas aplicaciones, incluyendo la detección y clasificación de objetos en imágenes y videos. Para llevar a cabo esta investigación, se ha desarrollado un código en MATLAB que incorpora diversas funciones para aislar las señales de tráfico presentes en las imágenes y asignarles una clase en función de sus características específicas. En el caso de YOLO, se ha optado por utilizar la implementación proporcionada por "Ultralytics" en el framework de “Darknet” para llevar a cabo el entrenamiento del modelo. Finalmente, una parte fundamental del proyecto es la comparación exhaustiva de ambos métodos. Se evaluará la eficacia y precisión de los modelos obtenidos, considerando aspectos como la tasa de detección y clasificación correcta de las señales de tráfico durante la conducción autónoma. Este análisis permitirá obtener conclusiones valiosas sobre la utilidad de las técnicas tradicionales en comparación con los métodos más actuales basados en la visión por computador, y establecer recomendaciones para futuros desarrollos en este campo. En resumen, el proyecto aborda el desafío de reconocer señales de tráfico en un contexto de conducción autónoma, y se enfoca en comparar el rendimiento de métodos tradicionales como HOG junto con clasificador de mínima distancia, frente a técnicas más avanzadas como YOLO. La investigación tiene como objetivo proporcionar una evaluación objetiva de la eficacia de cada método y contribuir al avance en el campo de la detección de objetos en aplicaciones de conducción autónoma. This project aims to address the detection and recognition of traffic signs during autonomous driving and seeks to conduct a comparison between traditional methods based on computer vision techniques and more current ... This project aims to address the detection and recognition of traffic signs during autonomous driving and seeks to conduct a comparison between traditional methods based on computer vision techniques and more current approaches. The traditional approach has been carried out in two stages. First, the object was assigned a class based on its shape, and then it was classified based on the iconography inside the sign. Several methods were studied to extract image features accurately, such as "SURF" or "GLBP." However, due to its simplicity and ease of use, the HOG method was ultimately used along with a minimum distance classifier. On the other hand, to explore the current state-of-the-art computer vision techniques for object detection, the "YOLO" (You Only Look Once) method has been implemented. YOLO is a real-time object detection model that has demonstrated excellent performance in various applications, including object detection and classification in images and videos. To carry out this research, a MATLAB code has been developed, incorporating various functions to isolate traffic signs present in the images and assign them a class based on their specific characteristics. For YOLO, the implementation provided by "Ultralytics" in the "Darknet" framework has been chosen to train the model. Finally, a fundamental part of the project is the comprehensive comparison of both methods. The effectiveness and accuracy of the obtained models will be evaluated, considering aspects such as the detection rate and correct classification of traffic signs during autonomous driving. This analysis will provide valuable insights into the utility of traditional techniques compared to more current methods based on computer vision and establish recommendations for future developments in this field. In summary, the project addresses the challenge of recognizing traffic signs in the context of autonomous driving and focuses on comparing the performance of traditional methods such as HOG along with a minimum distance classifier against more advanced techniques like YOLO. The research aims to provide an objective evaluation of each method's effectiveness and contribute to advancements in the field of object detection in autonomous driving applications. |
Cita | Ballesteros Delgado, M. (2023). Reconocimiento automático de señales de tráfico para asistencia a la conducción. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla. |
Ficheros | Tamaño | Formato | Ver | Descripción |
---|---|---|---|---|
TFG4706_Ballesteros Delgado.pdf | 13.65Mb | [PDF] | Ver/ | |