DETECCIÓN DE AUTOMÓVILES EN UN ESTACIONAMIENTO UTILIZANDO RED ICM Y GLCM (CAR DETECTION IN A PARKING LOT USING ICM AND GLCM)

Víctor Romero Bautista, Aldrin Barreto Flores, Salvador E. Ayala Raggi, Verónica Edith Bautista López, José Francisco Portillo Robledo

Resumen


Resumen
Los sistemas de visión por computadora cada vez están siendo empleados con mayor frecuencia para desempeñar tareas en ambientes urbanos, siendo la detección de automóviles uno de los principales objetivos, ya que permiten ser utilizados para diferentes aplicaciones, por ejemplo, para identificar tráfico vehicular o bien identificar lugares disponibles en estacionamientos, entre otras aplicaciones; algunos inconvenientes que se presentan en la detección de automóviles, es la variedad de tonalidades de color que pueden presentar los autos, así como los efectos de oclusión y cambios de posición de la cámara de captura. En este trabajo se presenta un método de detección de automóviles en un estacionamiento basado en el uso de red ICM para segmentación y la GLCM en la extracción de características de textura para el reconocimiento de los automóviles. Se realizaron pruebas con 57 imágenes obteniendo una efectividad del 90% en la detección de los automóviles.
Palabras Clave: aprendizaje, detección, reconocimiento, segmentación, textura.

Abstract
Computer vision systems have been increasing the use for urban environments tasks, where car detection is one of the principal objectives, because it lets been using for different applications like, vehicular traffic detection, or available parking lots at parking lots, and others more. Some inconvenient presented during car detection are, the color variety that cars can present, as well as occlusion effects, and camera position changes. This work presents a method for car detection in a parking lot based in the use of ICM for segmentation and GLCM on texture features extraction used for car recognition. Test were performed using 57 images, reaching 90% effectivity on the car detection.
Keywords: detection, learning, recognition, segmentation, texture.

Texto completo:

668-683 PDF

Referencias


Acharya, Debaditya & Yan, Weilin & Khoshelham, Kourosh. Real-time image-based parking occupancy detection using deep learning. Proceedings of the 5th Annual Research Conference, Adelaide, Australia, 2018.

Bibi, Nazia & Majid, Muhammad & Dawood, Hassan & Guo, Ping. (2017). Automatic Parking Space Detection System. 10.1109/ICMIP.2017.4.

Da Silva I. Artificial neural networks, Springer, 2017.

Ekblad U., Kinser J., Atmer J. & Zetterlund N. The interceting cortical model in image processing. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 525. 392-396.

Ganesan, P., Raijini, V., Sathish, B.S. y Shaik, K. B. (2014). HSV Color Space Based Segmentation of Region of Interest in Satellite Images. IEEE International Conference on Control, Instrumentation, Communication and Computational Technologies, 101-105.

Haralick R., K. Shanmugam and I. Dinstein, Textural Features for Image Classification, in IEEE Transactions on Systems, Man, and Cybernetics, vol. SMC-3, no. 6, pp. 610-621, Nov. 1973, doi: 10.1109/TSMC.1973.4309314.

Li H., Guo L., Yu P., Chen J. & Tang Y. Image segmentation based on Iterative Self-organizing Data Clustering threshold of PCNN. 2016 2nd International Conference on Cloud Computing and Internet of Things (CCIOT), 2016, pp. 73-77, doi: 10.1109/CCIOT.2016.7868306.

Lindblad, T., Kinser, J. y Taylor, JG. (2013). Image processing using pulse-coupled neural networks. Springer.

Mitchell T. Machine learning, McGraw-Hill Science EngineeringMath, March 1, 1997.

Ou Q. et al. (2018) Feature Extraction of Electrical Equipment Identification Based on Gray Level Co-occurrence Matrix. In: Qiao F., Patnaik S., Wang J. (eds) Recent Developments in Mechatronics and Intelligent Robotics. ICMIR 2017. Advances in Intelligent Systems and Computing, vol 690. Springer.

Rangel E., Lavalle M., Sossa H. Filtrado de ruido Gaussiano mediante redes neuronales pulso-acopladas. Computación y Sistemas, Vol. 21, No. 2, 2017, pp 381-395.

Shi Z. & Hu J. Image edge detection method based on a simplified PCNN model with anisotropic linking mechanism, 2010 10th International Conference on Intelligent Systems Design and Applications, 2010, pp. 330-335, doi: 10.1109/ISDA.2010.5687242.

Tatulea, P., Calin, F., Brad, R., Brâncovean, L. y Greavu, M. An image feature method for parking lot occupancy. Future Internet, 11(8):169. 2019.

Xu Y., Wang S. & Li X. Vehicle Video Detection Based on Pulse Coupled Neural Network. 7th International Congress on Image and Signal Processing. 2014.






URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Barra de separación

Licencia Creative Commons    Pistas Educativas está bajo la Licencia Creative Commons Atribución 3.0 No portada.    

TECNOLÓGICO NACIONAL DE MÉXICO / INSTITUTO TECNOLÓGICO DE CELAYA

Antonio García Cubas Pte #600 esq. Av. Tecnológico, Celaya, Gto. México

Tel. 461 61 17575 Ext 5450 y 5146

pistaseducativas@itcelaya.edu.mx

http://itcelaya.edu.mx/ojs/index.php/pistas