Structured program=
ming
algorithm, focused on the detection and intelligent counting of vehicles at=
an intersection
Edwin
Fernando Mejía Peńafiel. [1]
Recibido:
13-05-2021 / Revisado: 24-05-2021 /Aceptado: 17-06-2021/ Publicado: 05-07-2=
021
Keywords:
Software
development, Programming, Structured programming, artificial intelligence,
pattern recognition.
Resumen.
Introducción. Se aborda el uso de Matlab a
través de la creación de un algoritmo
con programación estructurada, implementando
un software que determine la presencia y clasificación de vehículos que pasan por una vía a travé=
s de una
cámara, considerándose un
problema de tráfico en las horas
pico. Objetivo. Pla=
ntear
un algoritmo codificado en Matlab que permita reconocer a través de un video
los diferentes autos en una vía
de acuerdo a sus
dimensiones. Metodología. La metodología implementada es una híbrida entre desarrollo de software y desarro=
llo
de sistemas inteligentes.
Se realizaron 8 pruebas
para poder establecer si el algoritmo
nos presenta los resultados esperados
en el reconocimiento de di=
ferentes
autos, utilizando herramie=
ntas
y funciones que vienen con Matlab.
Resultados. El algo=
ritmo
aplicado da un margen de
error de más menos =
8%, pero para llegar a esto s=
e tuvo que ir de un error e=
n la
primera prueba del 80% has=
ta
llegar al 7,5% del mismo, =
ya
que todavía toca hacer algunos ajustes en el desempeńo<=
/span>
del algoritmo respecto a dimensiones de los
Palabras claves: Desarrollo de software, Programación, Programación estructurada, intel=
igencia
artificial, reconocimiento de patrones
Introducción.
En este mundo interactua=
mos
a diario con los semáforos y vemos cada día como la cantidad de vehículos en
las calles sigue en aumento, con su problema de excesivo tráfico en las
ciudades de todo el mundo, con su correspondiente situación de que a veces =
solo
en una vía está llena de autos y en la otra no, entonces nace la pregunta, =
żPor
qué no implementar un software que controle ese tráfico=
?.
En las últimas décadas ha
cobrado fuerza las hipótesis de que porque no se construyen sistemas
inteligentes que ayuden de alguna manera a reorganizar el tráfico en las
ciudades de todo el mundo no solo de Ecuador.
Existen innumerables for=
mas
y maneras de construir sistemas de este tipo, que estén íntimamente ligados=
a
la inteligencia artificial. Se trata de algoritmos que permiten programar de
manera inteligente, basados en una técnica de inteligencia artificial que s=
on
las redes neuronales y dentro de ellas la visión artificial que permite el
reconocimiento de imágenes o lo que es lo mismo el reconocimiento de patron=
es (Gualdron, A. y otros, 2013) que permitan de alguna ma=
nera
mitigar este problema de congestión en las vías de la ciudad de Riobamba,
provincia de Chimborazo, Ecuador.
La visión artificial por
computadora es una disciplina que ha ido creciendo a pasos agigantados en l=
os
últimos ańos, creando máquinas autónomas capaces de interactuar de forma
inteligente con el entorno. Para poder conseguir de una manera adecuada que=
las
máquinas interactúen con su entorno, es necesario que se desarrolle un sist=
ema
que tenga la capacidad de percibirlo e interpretarlo (Branch & Olague, 2001).
La Visión Artificial como
tal, dentro de la Inteligencia Artificial se considera como el conjunto de
todas aquellas técnicas y modelos que nos permiten el procesamiento, anális=
is y
explicación de cualquier tipo de información espacial obtenida a través de
imágenes digitales (Pajares Martinsanz & Sa=
ntos
Peńas, 2006).
La visión artificial den=
tro
su ámbito, utiliza sensores ópticos, como es las cámaras fotográficas y de
video, con el propósito de adquirir fotografías o imágenes, para luego
procesarlas mediante cierto procesador, todo esto con el fin de extraer y
analizar ciertas cualidades o tipo de propiedades de la imagen capturada
(Múnera Salazar & Manzano Herrera, 2012). De lo anterior, podemos concl=
uir
que la visión artificial en su afán de analizar e interpretar imágenes de u=
na
manera igual a como lo hace el ser humano, hace uso de computadoras y cámar=
as
para adquirir dichas imágenes.
Matlab tiene algunas
herramientas para el reconocimiento de objetos. El reconocimiento de objeto=
s es
una técnica de visión artificial para identificar objetos en imágenes o víd=
eos.
El reconocimiento de objetos constituye una salida clave de los algoritmos =
de deep learning y machine <=
span
class=3DSpellE>learning. Cuando las personas miramos una fotografía o
vemos un vídeo, detectamos con rapidez personas, objetos, lugares y detalles
visuales. El objetivo es enseńar a un ordenador a hacer lo que resulta natu=
ral
para los humanos: adquirir cierto nivel de comprensión del contenido de una
imagen. (Mathworks, 2020)
La herramienta, Computer Vision System Toolbox proporcio=
na
algoritmos, funciones y apps para el diseńo y la realización de pruebas de =
sistemas
de procesamiento de vídeo, visión artificial y visión 3D. Es posible llevar=
a
cabo la detección y el seguimiento de objetos, así como la detección,
extracción y coincidencia de características. En el caso de la visión 3D, l=
a toolbox soporta la calibración de cámaras simples, es=
téreo
y ojo de pez, la visión en estéreo, la reconstrucción 3D y el procesamiento=
de
nubes de puntos lidar y 3D. Las apps de visión
artificial automatizan los flujos de trabajo de etiquetado de validación (<=
span
class=3DSpellE>ground-truth) y de calibración de cámaras. (Mathworks, 2020)
El objetivo principal de
este artículo consiste en la detección automática de objetos, en este caso =
de
diferentes tipos de autos con el uso de algoritmos usando programación
estructurada con funciones que tiene Matlab para implementar un software que
determine la presencia y clasificación de vehículos que pasan por una vía a
través de una cámara, esta investigación plantea un algoritmo muy sencillo =
para
programar con estudiantes de Ingeniería, y así poder reconocer los diferent=
es
autos de acuerdo a sus dimensiones. La metodología con la cual se va a
implementar es una híbrida entre desarrollo de software y desarrollo de
sistemas inteligentes. La importancia radica que basado en esta aplicación
inteligente, el programa va a poder procesar videos captados por una cámara
instalada en una intersección de las vías de la ciudad de Riobamba, los cua=
les
son enviados a un computador a través de WiFi o
cable, con esto se va a poder obtener el flujo vehicular, la clasificación =
de
vehículos que diariamente pasan por ahí y cuáles son las horas pico.
Debemos indicar que la
captura de imágenes sigue siendo un reto y una fuente muy interesante de
oportunidades para el desarrollo de investigaciones y estudios dentro de la
programación. El presente trabajo, busca contribuir con el crecimiento en e=
ste
campo, de nuestros estudiantes y lectores, presentando de una forma muy
sencilla el código que permita reconocer una gran cantidad de autos, utiliz=
ando
técnicas existentes y algoritmos propios de la visión artificial que nos pr=
ovee
la herramienta MATLAB.
Metodologia.
Se emplea una metodología de=
avances
por fases que se presenta en la figura 1:
RECOLECCION DE INFORMACION ANALISIS DE LA INFORMACION DISEŃO DEL ALGORITMO DESARROLLO DE LA SOLUCIÓN PRUEBAS
Figura 1.
Metodologia de avances por fases
Fuente. Elaboración propia
=
Proyecto propuesto
Se pretende dar una so=
lución
para contar vehículos con =
programación
estructurada. El uso de un algoritmo de este ti=
po puede ser genial al momento de ejecutarlo en un ambiente=
real y más aún si los proyectos tienen la adaptabilidad a procesar =
por ellos mismos los diferentes cambios que de=
acuerdo al número de autos que se encuentren
puedan resolverlo p=
or sí
solos.
Infraestructura del proyecto Para este
La idea principal de este proyecto es dar <=
span
class=3DSpellE>solución al tráfico en la=
s vías y para ello se imple=
menta un
algoritmo y código =
con la herramienta Matlab, donde a través de varias
funciones con el uso de visión artificial dentro de la misma, permiten hacer el desarrollo de este proyecto entendible para nuestros =
autores
(Sisalima, F., 2018). La i=
mplementación
del algoritmo se basa en 8 pruebas
las cuáles me permitirán ir corrigiendo sobre la <=
span
class=3DSpellE>marcha cada una de las líneas de código realizadas y que <=
span
class=3DSpellE>además se basan en las
Figura 2. Intersecciones de calles de la c=
iudad
de Riobamba y ubicación de semáforos.
Fuente. Elaboración propia
Resultados.
En la tabla 1 se muestra el rankin de los lengua=
jes
de programación más usados en el ańo 2018 2019: https=
://www.tiobe.com/tiobe-index/ (tiobe,
2019) [12]
Tabla 1. Rankin de los lenguajes de programación ańo 20=
18
2019
Fuente: índice TIOBE 2019
Como vemos en la tabla 1, se listan los 15 prime=
ros
lenguajes de programación más usados en el 2018 (codin=
ghub,
2018) https://codinghub.es/lenguajes-de-programacion-mas-usados/ [12], ahora=
en la
figura 3 tenemos a Matlab como uno de los lenguajes de programación para vi=
sión
artificial desde hace ańos:
Figura 3. Estadística del lenguaje Matlab desde 2002 has=
ta
2018
Fuente: índice TIOBE 2019
En la figura 3 se muestra como el lenguaje Matlab
escogido para este proyecto ha venido siendo uno de los mejores durante var=
ios
ańos hasta la actualidad. The Importance
Of Being Earnest (TIOBE) comprueba más de 502 millones de líne=
as de
código de software para sus clientes en todo el mundo, en tiempo real, cada
día.
3.2. Características del proyecto=
Nuestro sistema tiene las siguientes característ=
icas
mostradas en la Tabla 2:
=
Tabla
2. Características del proyecto
|
SISTEMA
PARA CONTAR AUTOS |
|
|
CARACTERISTICAS |
DESEMPEŃO |
|
Tipo
de inteligencia |
El
reconocimiento de patrones lo hace como las mismas personas |
|
Capacidad
sensorial |
Recibe
comunicaciones del entorno mediante del empleo de una cámara |
|
Objetivo |
Contar
autos en una vía principal |
|
Reglas
de actuación |
Interpreta
las imágenes adquiridas dentro del sistema y las compara con los tipos de
autos |
|
Sistematización |
Correlación
entre los subsistemas que tiene el proyecto para permitir el mejor desemp=
eńo |
|
Robustez |
Reglas
de inferencias bien definidas |
Fuente: Elaboración propia
Reconocimiento
de patrones
En el caso del protot=
ipo
resultó bastante eficiente el algoritmo planteado, ya que como contamos con=
una
cámara de alta definición, entonces funcionó correctamente.
El sistema de reconoc=
imiento
tiene la capacidad de determinar la presencia de los diferentes tipos de au=
tos
en las dos áreas que se definieron con el propósito de extraer la informaci=
ón
que permita contar cuantos autos pasan por esa vía.
Fases
del reconocimiento de patrones
Con
el propósito de emplear reconocimiento de patrones se tiene a bien hacer us=
o de
una cámara web para obtener imágenes dentro de un video de la realidad en la
intersección de la vía. Con esta información se envía para poder realizar u=
na
comparación de las características de cada imagen de autos, en donde se deb=
en
extraer del video las mismas, pero eliminando datos que nada tienen que hac=
er
con el estudio o redundantes. En la figura 4 se muestra las fases por las
cuales deben pasar un reconocimiento de este tipo:
Figura 4. Etapas
del reconocimiento a patrones
Fuente=
: Elab=
oración
propia
=
Elementos
del proyecto propuesto
Para el proyecto se
utilizó todos los elementos que se observan en la figura 5, donde se muestr=
a el
proceso mismo del sistema en mención
=
=
Figura
5.
Elementos del proyecto propuesto
=
Fuente=
: Elaboración
propia
=
=
Diseńo
y representación del proyecto
En la figura 5 se obs=
erva
como es el funcionamiento del proyecto propuesto y en donde también se enma=
rca
los procesos por donde seguirá la transformación de las imágenes del video
capturado y bajo las reglas de inferencia permitidas dentro del mismo.
Siendo una etapa esen=
cial
el reconocimiento de patrones dentro de la inteligencia artificial y visión
artificial específicamente, esto implica que se debe contar con imágenes co=
n el
menor ruido posible para poder detectar a los autos que pasan en la vía y a=
sí
poder evitar errores en la detección. (Lopez, G=
., 2016)
El uso de filtros ayu=
da
mucho en este aspecto, pero si las imágenes que nos llegan de la cámara son=
de
mala calidad nuestro sistema podrá tener errores que en un próximo artículo
estaremos publicando. (Toledano, L., 2019)
Como los cuadros de
entrada son monoculares (tomados de una sola cámara), el método de calibrac=
ión
más simple consiste en seleccionar cuatro puntos en la vista en perspectiva=
y
asignarlos a las esquinas de un rectángulo a vista de pájaro. Esto, para el
sistema, significará que cada auto está parado en el mismo plano. (Meza, D., 20=
20)
Algoritmo
Usado
El algoritmo con el q=
ue
se ejecutó el prototipo tiene la forma siguiente:
o
Captación del Video
o
Visualización de imagen
o
Configurando la posición a través de
líneas de conteo
o
Configura la fuente del video
o
Se puede detectar alg=
unos
vehículos?
§=
Sisi:
Rastrear vehículos dentro de la imagen
§=
Contar
vehículos de acuerdo a la línea de conteo
§=
Se
genera el reporte de acuerdo con el conteo vehicular
§=
Se
debe exportar el reporte de este conteo
§=
Actualizar
y presentar resultados en la vista preliminar del conteo de los vehículos
captados
ˇ&nb=
sp;
Fin
Este
algoritmo se traslada con la siguientes líneas de
código:
Las líneas de código =
que
se encuentran aquí, en especial algunas son tomadas del libro de Matlab bás=
ico
para ingenierías (Mejía et al., 2019)
Pruebas
Las
pruebas que se realizaron al prototipo fueron las siguientes:
Para la prueba No. 1 =
se
contó con las
siguientes situaciones, como se muestra en la tabla3:
Tabla 3. Prueba
con video1
|
Observación |
Información |
|
Video |
Video1.mp4 |
|
Duración |
4.50 minutos |
|
Conteo automático |
84 vehículos |
|
Conteo manual |
46 vehículos |
|
Error |
82,60% |
Fuente: Elaboración propi=
a
Para
la prueba No. 2 se contó
con las siguientes situaciones, como se muestra en la tabla4:
Tabla 4. Prueba
con video2
|
Observación |
Información |
|
Video |
Video2.mp4 |
|
Duración |
3.50 minutos |
|
Conteo automático |
73 vehículos |
|
Conteo manual |
40 vehículos |
|
Error |
82,50% |
Fuente: Elaboración propi=
a
Para
la prueba No. 3 se contó
con las siguientes situaciones, como se muestra en la tabla5:
Tabla 5. Prueba
con video3
|
Observación |
Información |
|
Video |
Video3.mp4 |
|
Duración |
4.50 minutos |
|
Conteo automático |
63 vehículos |
|
Conteo manual |
46 vehículos |
|
Error |
36,95% |
Fuente: Elaboración propi=
a
Para
la prueba No. 4 se contó
con las siguientes situaciones, como se muestra en la tabla6:
Tabla 6. Prueba
con video4
|
Observación |
Información |
|
Video |
Video4.mp4 |
|
Duración |
3.50 minutos |
|
Conteo automático |
56 vehículos |
|
Conteo manual |
40 vehículos |
|
Error |
40% |
Fuente: Elaboración propi=
a
Para
la prueba No. 5 se contó
con las siguientes situaciones, como se muestra en la tabla7:
Tabla 7. Prueba
con video5
|
Observación |
Información |
|
Video |
Video5.mp4 |
|
Duración |
4.50 minutos |
|
Conteo automático |
51 vehículos |
|
Conteo manual |
46 vehículos |
|
Error |
10,87% |
Fuente: Elaboración propi=
a
Para
la prueba No. 6 se contó
con las siguientes situaciones, como se muestra en la tabla8:
Tabla 8. Prueba
con video6
|
Observación |
Información |
|
Video |
Video6.mp4 |
|
Duración |
3.50 minutos |
|
Conteo automático |
46 vehículos |
|
Conteo manual |
40 vehículos |
|
Error |
15% |
Fuente: Elaboración propi=
a
Para
la prueba No. 7 se contó
con las siguientes situaciones, como se muestra en la tabla9:
Tabla 9. Prueba
con video7
|
Observación |
Información |
|
Video |
Video7.mp4 |
|
Duración |
4.50 minutos |
|
Conteo automático |
50 vehículos |
|
Conteo manual |
46 vehículos |
|
Error |
8,70% |
Fuente: Elaboración propi=
a
Para
la prueba No. 8 se contó
con las siguientes situaciones, como se muestra en la tabla10:
Tabla 10. Prueba con video8
|
Observación |
Información |
|
Video |
Video8.mp4 |
|
Duración |
3.50 minutos |
|
Conteo automático |
43 vehículos |
|
Conteo manual |
40 vehículos |
|
Error |
7,50% |
Fuente: Elaboración propi=
a
Como podemos observar=
se
tuvo que replantear las líneas de división para que el algoritmo pueda real=
izar
de manera correcta la detección de los autos que pasan por las dos vías tom=
adas
en los videos, tal cual como se muestran los datos desde las tablas6 hasta =
la
10.
Se
realizaron 8 pruebas dando como resultado las tablas que se pudieron observ=
ar
anteriormente. Entonces nos toca medir bien los autos en la realidad para
ingresar con la escala correspondiente al sistema.
La toma de decisiones=
la
debe generar el algoritmo planteado para presencia o ausencia de vehículos =
en
la vía, en el caso planteado que es la de contar los vehículos que llegan al
semáforo en la vía principal, resulta muy beneficioso utilizar esto.
La dimensión del tiem=
po
en cuanto a respuesta del sistema esta medido en segundos.
El algoritmo aplicado=
da
un margen de error de más menos 8%, pero para llegar a esto se tuvo que ir =
de
un error en la primera prueba del 80% hasta llegar al 7,5% del mismo, ya que
todavía toca hacer algunos ajustes en el desempeńo del algoritmo respecto a
dimensiones de los vehículos, especialmente cuando tenemos mayor cantidad de
ellos y de diferente tipo. A pesar de esto el algoritmo planteado está dando
resultado en la medición del tráfico y el conteo de los vehículos, con la
altísima responsabilidad de que cuando el sistema esté completo pueda dar
prioridades a los semáforos para cambiar de verde a rojo y viceversa.
Un resultado final
inesperado fue que cuando se quiso aplicar otra cámara, el algoritmo no pod=
ía
asumir muy bien qué tipo de autos eran ya que las entradas en el sistema ti=
enen
un tipo de dimensión y con este otro tipo de cámara pues no había como lleg=
ar a
detectar que auto mismo era y entonces dicho objetivo no se estaba cumplien=
do.
Como dijimos
anteriormente, ya, en el momento de ejecutar el prototipo, se tiene que ver
bien las dimensiones de los autos. Hay que prever que los automóviles tienen
una dimensión, las camionetas, las busetas, los buses, camiones y tráileres
tienen otras; por eso se tomó la situación sólo para automóviles.
Como trabajos futuros=
se
propone realizar para todos los vehículos pero u=
sando
ya reconocimiento de patrones pero para diferentes tipos de vehículos, es d=
ecir
usando 2 cámaras inalámbricas para el conteo de autos y usando algoritmos p=
ara
el día y otro para la noche. Se estará mostrando las simulaciones realizadas con ejemplos <=
span
class=3DSpellE>prácticos y ya con semáforos que cambien de =
color verde a rojo y viceversa.=
Conclusiones.
ˇ&nb=
sp;
En este artícul=
o
se ha realizado una presen=
tación
del prototipo, basado en un
algoritmo usando
ˇ&nb=
sp;
El uso de cámar=
a
web es de gran ayuda para este tipo de proyectos, pero hay que saber escogerla, =
al momento de realizarlo en =
la realidad.
ˇ&nb=
sp;
Los problemas
por donde hemos ido=
en este
campo de la creación del p=
royecto
de investigación son muy grandes pero no complejos ya que en el ca=
mino vamos encontrando las sol=
uciones deseadas.
ˇ&nb=
sp;
Del 80% de erro=
res
al principio, ahora tenemo=
s
un más menos 8%, qu=
e es
superable y entendible, ha=
sta
que el algoritmo y las dimensiones correctas de los autos cumplan
con el objetivo para la cu=
al
fue creado.
ˇ&nb=
sp;
La importancia<=
/span>
radica que basado en esta =
aplicación
inteligente, el programa p=
rocesa
videos captados por=
una cámara instalada en una <=
span
class=3DSpellE>intersección los cuales s=
on enviados a un computador a través de WiFi
o cable, con esto se puede=
obtener flujo vehicular c=
on hasta un 92% de efectividad, clasificación de vehículos diariamente y en horas pi=
co.
Considero que es una herramienta muy
útil para que el problema del flujo vehicular <=
span
class=3DSpellE>tenga solución
Referencias
bibliográficas.
Branch, J. & Olague,
G. (2001). La visión por computador: Una aproximación al estado del arte. R=
evista
Dyna, 133.
Gualdron, O., Duque, M. and Chacón, A. (2013). Diseńo de=
un
sistema de reconocimiento de rostros mediante la hibridación de técnicas de
reconocimiento de patrones, visión artificial e IA, enfocado a la seguridad=
de
interacción robótica social. Revista Dialnet edición 6, pág. 16-28.
López, G. (2016). Sistema inteligente de
reconocimiento de patrones con visión artificial para la alerta automática =
de
intrusos en las áreas de almacenamiento de las pymes. Ambato: Universidad
Técnica de Ambato.
Mejia, F., Jaramillo, K. and Gutiérrez, J. (2019=
).
Matlab básico para Ingenierías. CIDEPRO Editorial. Ecuador.
Meza, D. (2020). Esta inteligencia artificial pu= ede detectar si las personas están guardando la sana distancia. Consultado el= 20 de enero de 2021 en: https://nmas1.org/news/2020/04/22/vision-ia-distancia<= o:p>
Pajares Martinsanz, =
G. and
Santos Peńas, M. (2006). Inteligencia artificial e ingeniería del conocimie=
nto.
México: Alfaomega Grupo Editor
Salazar, M. and Manzano Herrera, D. A. (2012).
Sistema de visión artificial para conteo de objetos en movimiento. El Hombr=
e y
la Máquina - Facultad de Ingeniería, Universidad Autónoma de Occidente, 87-=
101.
Sisalima, F. (2018). Sistema para la detección y
conteo vehicular aplicando técnicas de visión artificial. Tesis previa la
obtención del título de ingeniero en sistemas. Loja: Universidad Nacional de
Loja. Consultado el 15 de febrero del 2021 de: http://192.188.49.17/jspui/b=
itstream/123456789/20892/1/Sisalima%20Ortega%2C%20Fabricio%20Roberto.pdf
TIOBE. (2017) Historia a largo plazo de los mejo=
res
lenguajes de programación. http://www.tiobe.com/tiobe-index//?6671423=3D1
Toledano, L. (2019). Desarrollo de App en Matlab
para rehabilitación de espasticidad con ayuda del robot colaborativo Kuka LBR IIWA. Universidad Carlos III. Madrid Espań=
a.
PARA
CITAR EL ARTÍCULO INDEXADO.
Mejía Peńafiel, E. F.
(2021). Algoritmo de programación estructurada, enfocado a la detección y
conteo vehicular de manera inteligente en una intersección. ConcienciaDigital,
4(3), 141-155. https://doi.org/10.33262/concienciadigital.v4i3.1776
El artículo que se publica es de
exclusiva responsabilidad de los autores y no necesariamente reflejan el
pensamiento de la Revista Concienc=
ia
Digital.
El artículo qu=
eda
en propiedad de la revista y, por tanto, su publicación parcial y/o total en
otro medio tiene que ser autorizado por el director de la Revista Conciencia Digital.
[1] Escuela Superior Politécnica=
de
Chimborazo, Facultad de Ciencias, Carrera de Ingeniería Ambiental, Chimbora=
zo
Riobamba, efmejia@espoch.edu.ec, msmejiaedwinf@yahoo.com,
https://orcid.org/0000-0001-6888-4621
www.concienciadigital.org
=
Vol. 4, N°3, p. 141-155, julio - septiembre, 20