Algoritmo de reconocimiento de señales de tráfico en entorno simulado

• Feijóo Rodríguez, Juan ^[1] ; Rubio, Francisco R. ^[1]
  1. [1] Universidad de Sevilla

     Universidad de Sevilla

     Sevilla, España

     
• Localización: Jornadas de Automática, ISSN-e 3045-4093, Nº. 45, 2024
• Idioma: español
• Títulos paralelos:
  • Simulator and algorithm development for traffic sign recognition
  • Traffic sign recognition algorithm in a simulated environment
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    In this paper, a traffic sign recognition system developed within the ROS and Gazebo frameworks is presented. The main objective is the incorporation of vision capabilities into more complex navigation systems, which are still in the simulation stages. One contribution to the community is a 3D repository of the most relevant traffic signs, thoroughly following the Spanish normative. The structure of the identification algorithm is traditional, nevertheless, the approach to the color discriminator as an optimization problem is groundbreaking. The geometric classifier is especially fast, using the first invariant Hu moment and acavity descriptor. Finally, sign identification is carried out by a small MLP.