Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. 6 No. 3
Marzo del 2025
Página 6
DESARROLLO DE UN SISTEMA DE ALERTA PARA LA PREVENCIÓN DE
ACCIDENTES DE TRÁNSITO MEDIANTE RECONOCIMIENTO DE SEÑALES Y VISIÓN
ARTIFICIAL
DEVELOPMENT OF AN ALERT SYSTEM FOR THE PREVENTION OF TRAFFIC
ACCIDENTS THROUGH SIGN RECOGNITION AND ARTIFICIAL VISION
Autores: ¹José Luis Jinez Tapia, ²Paola Alexandra Ortiz Encalada, 3José Luis Erazo Parra y
4Rodrigo Patricio Toasa Jimenes.
¹ORCID ID: https://orcid.org/0000-0002-4113-0579
²ORCID ID: https://orcid.org/0000-0001-8765-2308
3ORCID ID: https://orcid.org/0000-0003-3149-6718
4ORCID ID: https://orcid.org/0000-0001-8744-0794
¹E-mail de contacto: jjinez@unach.edu.ec
²E-mail de contacto: portiz@unach.edu.ec
3E-mail de contacto: jlerazo@unach.edu.ec
4E-mail de contacto: rodrigo.toasa@unach.edu.ec
Afiliación: 1*2*3*4*Universidad Nacional de Chimborazo, (Ecuador).
Articulo recibido: 14 de Enero del 2025
Articulo revisado: 16 de Enero del 2025
Articulo aprobado: 3 de Marzo del 2025
¹Ingeniero en Electrónica y Telecomunicaciones graduado en la Universidad Nacional de Chimborazo, (Ecuador). Máster Universitario
en Ingeniería de Telecomunicaciones graduado en la Università Della Calabria, (Italia). Magíster en Electricidad mención en Energías
Renovables y Eficiencia Energética graduado en la Pontificia Universidad Católica del Ecuador, (Ecuador).
²Ingeniera Industrial graduada en la Universidad Nacional de Chimborazo, (Ecuador). Magíster en Seguridad Industrial mención
Prevención de Riesgos y Salud Ocupacional graduada en la Universidad Nacional de Chimborazo, (Ecuador). Magíster en Producción y
Operaciones Industriales graduada en la Universidad Técnica de Ambato, (Ecuador).
3Tecnólogo en Programación de Sistemas graduado en el Instituto Tecnológico Superior República Federal de Alemania, (Ecuador).
Ingeniero en Sistemas e Informática graduado en la Universidad Regional Autónoma de los Andes, (Ecuador). Magíster en Informática
Empresarial graduado en la Universidad Regional Autónoma de los Andes, (Ecuador).
4Ingeniero Automotriz graduado en la Escuela Superior Politécnica de Chimborazo, (Ecuador). Máster Universitario en Ingeniería
Matemática y Computación graduado de la Universidad Internacional de la Rioja (España). Máster en Diseño Mecánico graduado en la
Escuela Superior Politécnica de Chimborazo, (Ecuador).
Resumen
Los sistemas de visión artificial tienen un rol
fundamental, permitiendo la captura y análisis
de imágenes en las vías. Su integración facilita
la identificación de señales en tiempo real
derivadas del video. El propósito de la
investigación se centró en diseñar y evaluar un
sistema basado en visión por computadora para
detectar señales de tránsito, líneas de carretera
y proximidad entre vehículos. La metodología
se centró en un estudio experimental centrado
en la estructura del sistema, los dispositivos a
utilizarse como cámara, alarmas, el análisis de
las señales de tránsito en PYTHON,
alcoholímetro, así como su evaluación. Dentro
de los resultados, se implementó un prototipo
electrónico de alerta automática para prevenir
accidentes mediante visión artificial, capaz de
reconocer señales de tránsito preventivas y
horizontales, y alertar al conductor sobre
posibles riesgos en la vía. El sistema incluye
seguridad por alcohol y distancia, emitiendo
señales sonoras ante peligros potenciales. Sin
embargo, el reconocimiento de imágenes se ve
afectado por la disminución de la luz natural.
Este proyecto destaca por el uso de visión
artificial y sus librerías, facilitando el
procesamiento de imágenes y abriendo
posibilidades para futuras mejoras, como el
reconocimiento de ojos y tapabocas.
Palabras clave: Sistema de alerta,
Prevención, Accidentes de tránsito,
Reconocimiento, Señal artificial, Visión
artificial.
Abstract
Artificial vision systems play a fundamental
role, allowing the capture and analysis of
images on the roads. Its integration facilitates
the identification of real-time signals derived
from the video. The purpose of the research
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 7
focused on designing and evaluating a system
based on computer vision to detect traffic signs,
road lines and proximity between vehicles. The
methodology focused on an experimental study
focused on the structure of the system, the
devices to be used such as cameras, alarms, the
analysis of traffic signs in PYTHON, a
breathalyzer, as well as their evaluation.
Among the results, an electronic automatic
alert prototype was implemented to prevent
accidents through artificial vision, capable of
recognizing preventive and horizontal traffic
signs, and alerting the driver about possible
risks on the road. The system includes alcohol
and distance safety, emitting sound signals in
case of potential dangers. However, image
recognition is affected by the decrease in
natural light. This project stands out for the use
of artificial vision and its libraries, facilitating
image processing and opening possibilities for
future improvements, such as eye and mask
recognition.
Keywords: Warning system, Prevention,
Traffic accidents, Recognition, Signal vision,
Artificial vision.
Sumário
Os sistemas de visão artificial desempenham
um papel fundamental, permitindo a captura e
análise de imagens nas estradas. Sua integração
facilita a identificação em tempo real de sinais
derivados do vídeo. O objetivo da pesquisa
centrou-se em projetar e avaliar um sistema
baseado em visão computacional para detectar
sinais de trânsito, linhas rodoviárias e
proximidade entre veículos. A metodologia
centrou-se num estudo experimental focado na
estrutura do sistema, nos dispositivos a utilizar
como câmaras, alarmes, na análise de sinais de
trânsito em PYTHON, bafômetro, bem como
na sua avaliação. Entre os resultados, foi
implementado um protótipo de alerta
eletrônico automático para prevenção de
acidentes por meio de visão artificial, capaz de
reconhecer sinais de trânsito preventivos e
horizontais, e alertar o motorista sobre
possíveis riscos na via. O sistema inclui álcool
e segurança à distância, emitindo sinais
sonoros em caso de potenciais perigos. No
entanto, o reconhecimento da imagem é afetado
pela diminuição da luz natural. Este projeto se
destaca pela utilização da visão artificial e suas
bibliotecas, facilitando o processamento de
imagens e abrindo possibilidades para
melhorias futuras, como reconhecimento de
olhos e máscaras.
Palavras-chave: Sistema de alerta,
Prevenção, Acidentes de trânsito,
reconhecimento, sinalização artificial, Visão
artificial.
Introducción
Los sistemas de apoyo visual para conductores
por medios electrónicos son de gran
importancia, ya que son dispositivos que
ayudan a la seguridad en la carretera. Su
aplicación en los vehículos aporta comodidad y
permite la reducción de accidentes, los cuales
generalmente se producen por cansancio y falta
de claridad de las señales de tránsito. Estos
sistemas alertan al conductor y mejoran su
visualización de las señales viales, las cuales
cumplen funciones informativas, preventivas y
reglamentarias (Mateo, 2017). Diferentes
estudios se han enfocado en la detección de
señales de tránsito, especialmente aquellas de
intersección como "Pare" y "Ceda el paso"
(Flores et al., 2018), así como en señales
informativas presentes en calles y carreteras
(Chicaiza, 2017). Estos sistemas resultan
indispensables para la seguridad de conductores
y pasajeros.
Los sistemas de visión artificial tienen un rol
fundamental, permitiendo la captura y análisis
de imágenes en las vías. Su integración facilita
la identificación de señales en tiempo real
derivadas del video (Gamán, 2015). Se propone
el desarrollo de un sistema basado en visión por
computadora para detectar señales de tránsito,
líneas de carretera y proximidad entre
vehículos. Se integra un de detector de alcohol
para los conductores. El sistema operará en
tiempo real con el objetivo de emitir alertas
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 8
sonoras, permitiendo a una conducción más
segura y confiable.
Materiales y Métodos
En la siguiente sección se detalla la estructura
del sistema, los dispositivos a utilizarse como
cámara, alarmas, el análisis de las señales de
tránsito en PYTHON, alcoholímetro. La
implementación del sistema se lo ejecuto
siguiendo el esquema que presenta a
continuación, en la figura 1. Para el desarrollo
del prototipo electrónico de alerta automática,
se desarrolla diferentes códigos de
programación para el reconocimiento de señales
preventivas, líneas de carril y un sistema de
seguridad de distancia y alcoholímetro. Este
proyecto cuenta con una cámara y sensores
conectados a la tarjeta Raspberry Pi.
Figura 1: Esquema general del sistema
Instalación del software OpenCV en tarjeta
Raspberry Pi
Para el desarrollo de un código de programación
para la detección de colores y figuras en
OpenCV, se realizaron los siguientes procesos;
crear un algoritmo para el reconocimiento de
señales de tránsito preventivas, desarrollo de un
algoritmo de programación para detectar las
líneas de carril. Diseño de un sistema de
seguridad para detectar el nivel de alcohol del
conductor y distancia entre vehículos, pruebas
de funcionamiento del prototipo para la
verificación de su funcionamiento y análisis de
resultados.
Instalación de la librería OpenCv de Python
en la tarjeta Raspberry Pi
OpenCv es una herramienta muy indispensable
en el proyecto que vamos a realizar ya que nos
facilita al momento de desarrollar nuestro
algoritmo Una vez instalado el sistema
operativo Raspberry Pi OS en la tarjeta
Raspberry Pi procederemos abrir la ventana de
comandos para digitalizar python3 con este
comando pretendemos ver que Python tenemos
instalado en la tarjeta Raspberry Pi.
Detección de colores y figuras en OpenCV
Para el desarrollo del siguiente código de
programación, nos permitirá el reconocimiento
de un color en específico el cual será el amarillo,
se desglosa en los siguientes pasos para la
detección del color; la imagen o fotograma a
procesar, trasformar la imagen de BGR a HSV,
determinar el rango del color y visualización.
Lo primero que se realiza es la importación de
las librerías después la lectura de la imagen,
también se lo realiza en tiempo real para lo cual
se activa la cámara y se reconoce la imagen.
Cuando una imagen es reconocida por OpenCV
por defecto la lee en BGR por ello es necesario
la trasformación a HSV (Matiz, Saturación,
Brillo). Se emplea este espacio de color ya que
es más sencillo el reconocimiento del color
Amarillo. Se necesita dos valores límites para
determinar el rango del color uno inicial y uno
final, se busca H ya que S y V toman valores
entre 100 a 255 y de 20 a 255 respectivamente,
el valor de H toma valores de 15 y 45. Y por
último se visualiza los resultados de la
detección del color amarillo.
Detección de figuras
Se realizó la detección de bordes Canny para
identificar la figura geométrica siguiendo una
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 9
serie de pasos. En primer lugar, se filtró la
imagen utilizando un filtro gaussiano con el fin
de reducir el ruido y suavizar los bordes.
Posteriormente, se aplicó el cálculo de
detección de bordes Canny, seguido de la
supresión de píxeles fuera del borde para
eliminar respuestas no deseadas. Finalmente, se
implementó la umbralización por histéresis, la
cual empleó dos umbrales, uno máximo y otro
mínimo, con el objetivo de determinar si un
píxel formaba parte de un borde. La operación
de filtrado se llevó a cabo mediante la
convolución, la cual consistió en recorrer píxel
a píxel la imagen utilizando una máscara de N
× N, donde N representó el número de píxeles
empleados en el procesamiento. La imagen fue
convolucionada con el filtro gaussiano en las
direcciones “X” y “Y” para mejorar la detección
de bordes.
Detección de objetos mediante Haar
Cascades en Python
La aplicación del método de Haar Cascade se
dividió en dos partes: el cálculo de
características de Haar y la creación de
imágenes integrales. Para su implementación,
se requirió una gran cantidad de imágenes tanto
positivas como negativas. El cálculo de
características de Haar consistió en realizar
operaciones en regiones rectangulares dentro de
una ventana específica, donde se calculó la
suma de las intensidades de los píxeles en cada
región y se determinó la diferencia entre dichas
sumas. Para el reconocimiento de señales de
tránsito preventivas, se empleó este método,
para lo cual se creó una base de datos
conformada por imágenes positivas, que
contenían señales de tránsito preventivas, e
imágenes negativas, que no las incluían.
Después de obtener la base datos de las
imágenes se entrenó el clasificador, el cual fue
utilizado para reconocer las señales de tránsito
preventivas empleando el método de Haar
Cascade. Para entrenar el clasificador se empleó
el software Cascade Trainger Gui. En la ventana
se procede a configurar tres aspectos
fundamentales para el entrenamiento que son;
abrir la ubicación donde se encuentra la carpeta
de las imágenes positivas y negativas,
especificar el número de imágenes positivas que
se obtuvo en este caso fueron 45 e insertar el
número de imágenes negativas que se obtuvo en
nuestro caso fueron 300. Una vez realizado el
entrenamiento se genera una carpeta llamada
clasiffier, donde está ubicado el clasificador
nombrado en este caso como cascade.xml.
Empleando este clasificador se construyó el
código de programación para detectar las
señales de tránsito preventivas en tiempo real
Detección de líneas de carretera con
OpenCV
Para detectar las líneas de carril, se llevaron a
cabo los siguientes pasos. En primer lugar, se
realizó la importación de las librerías
necesarias, entre ellas OpenCV, NumPy y
Matplotlib. Posteriormente, se procedió a la
lectura de la imagen utilizando la función
“cv2.imread” de OpenCV, lo que permitió
cargar la imagen para su posterior
procesamiento. Posteriormente se convirtió la
imagen a escala de grises por lo que se utiliza la
función de opencv “cv2.cvtColor”. Para poder
eliminar el ruido de la imagen se aplica la
función de “Gaussianblur” para lo cual se debe
tener en cuenta los valores del tamaño Kernel
como también la desviación estándar. Para
aplicar la detección de bordes, se utilizó la
función “cv2.Canny”. Primero, se realizó la
lectura de la imagen y se transformó a escala de
grises para facilitar el procesamiento.
Posteriormente, se establecieron dos valores
importantes: el umbral bajo y el umbral alto, los
cuales permitieron definir los bordes de la
imagen. En este caso, la detección de bordes
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 10
permitió resaltar y dibujar las líneas de la
carretera de manera efectiva.
Tabla 1. Especificación de valores Canny
Parámetros
Valor
Umbral bajo
50
Umbral alto
150
Fuente: Elaboración propia.
Región de interés
Se delimitó una región en (X,Y) donde se dibujó
un triángulo con el objetivo de que, dentro de
esta área, solo se encontraran las líneas del
carril. Para ello, se determinaron los vértices del
triángulo. Una vez hallados los vértices, la
región contenida dentro del triángulo se
consideró como la región de interés,
permitiendo la detección precisa de las líneas
del carril. Para la detección de líneas rectas, se
empleó el espacio de Hough mediante la
función “HoughLinesP” de OpenCV. Este
método permitió identificar y trazar líneas
dentro de la región de interés previamente
delimitada, facilitando así la detección precisa
de las líneas del carril en la imagen procesada.
Para la detección de líneas rectas, se utilizó el
espacio de Hough mediante la función
“cv2.HoughLinesP” de OpenCV.
Tabla 2. Parámetros para el espacio de Hough
Parámetros
Valor
rho(ρ)
1
Theta(θ)
1° = πrad/180
Umbral mínimo de votos
15
Longitud mínima de línea
7
Espacio máximo entre líneas
3
Grosor de línea
1
Fuente: Elaboración propia.
Este método permitió identificar segmentos de
línea en la imagen procesada, basándose en la
transformación de Hough probabilística. La
detección se realizó dentro de la región de
interés previamente delimitada, lo que facilitó la
identificación precisa de las líneas del carril en
la imagen. Después de aplicar la trasformada
Hough según los parámetros ya establecidos
sobre la imagen se observa la detección de las
líneas del carril.
Figura 2: Detección de las líneas del carril
Distancia de seguridad entre vehículos
Se realizó un código de programación para
determinar la distancia de seguridad entre
vehículos, para evitar una posible eventualidad
proporcionando al conductor la capacidad de
reaccionar de manera oportuna ante posibles
imprevistos y así evitar accidente de tránsito.
De acuerdo al Art.175 de la ley de tránsito se
determina una distancia mínima entre vehículos
de 3 metros a una velocidad de 60km/h. Se
realizó un dispositivo con la capacidad de emitir
alertas sonoras en función a la distancia, está
conformado por un sensor ultrasónico para
obtener la distancia, una tarjeta Raspberry Pi 4
para procesar la información y un buzzer para
emitir las alertas sonoras. El código de
programación se desarrolló en el lenguaje
Python, se realizó los siguientes pasos; importar
las librerías GPIO y Time, declarar los puertos
como entrada o salida, asignar las variables y
ejecutar el código de programación. Para
obtener la distancia se conectó el sensor
ultrasónico a la Raspberry pi en los puertos
GPIO configurados como entrada. Los datos del
sensor ultrasónico son procesados por código de
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 11
programación realizado en el lenguaje Python y
ejecutado por la tarjeta Raspberry Pi.
Detección del nivel de alcohol en un
conductor
Según el código orgánico integral penal, el
límite máximo establecido es de 0.3 mg/L de
alcohol en la sangre (El Universo, 2020). Se
desarrollo un dispositivo que permite medir el
nivel de alcohol del conductor, para asegurarse
que se encuentre dentro de los límites
permitidos por la ley y así evitar posibles
sanciones o accidentes de tránsito que se puedan
ocasionar por el estado etílico del conductor.
El dispositivo está conformado por un sensor
para medir el nivel de alcohol, un buzzer para
emitir alertas sonoras y una tarjeta Raspberry Pi
para procesar la información. El sensor de
alcohol se encuentra conectado a la raspberry Pi
4B en los puertos GPIO configurados como
entrada. Los valores analógicos obtenidos del
sensor no son directamente los valores de
alcohol en el aire, se debe aplicar la ecuación
para traducir las lecturas del sensor en
miligramos por litro (mg/L). A continuación, se
observa la ecuación 1:
𝒂𝒍𝒄𝒐𝒉𝒐𝒍 = 𝟎.𝟒𝟎𝟗𝟏(𝑹𝒔
𝟓𝟒𝟔𝟑)−𝟏.𝟒𝟗𝟕
Código de programación para la toma de
imágenes positivas y negativas
import cv2
import numpy as np
import imutils
import os
Datos = 'n'
if not os.path.exists(Datos):
print('Carpeta creada:', Datos)
os.makedirs(Datos)
cap = cv2.VideoCapture(0,
cv2.CAP_DSHOW)
x1, y1 = 190, 80
x2, y2 = 450, 398
count = 0
while True:
ret, frame = cap.read()
if ret == False: break
imAux = frame.copy()
cv2.rectangle(frame,(x1,y1),(x2,y2),(255,0,
0),2)
objeto = imAux[y1:y2,x1:x2]
objeto = imutils.resize(objeto, width=38)
k = cv2.waitKey(1)
if k == ord('s'):
cv2.imwrite(Datos+'/objeto_{}.jpg'.form
at(count),objeto)
print('Imagen
almacenada:','objeto_{}.jpg'.format(coun
t))
count = count + 1
if k == 27:
break
cv2.imshow('frame', frame)
cv2.imshow('objeto', objeto)
cap.release()
cv2.destroyAllWindows()
Código de programación para el
reconocimiento de señales preventivas
import cv2
import numpy as np
from matplotlib import pyplot as plt
cap = cv2.VideoCapture(0,cv2.CAP_DSHOW)
path =
'C:\\Users\\EDISON\\PycharmProjects\\Openc
vTest\\classifier\\cascade.xml'
faces = cv2.CascadeClassifier(path)
while True:
ret,frame = cap.read()
gray = cv2.cvtColor(frame,
cv2.COLOR_BGR2GRAY)
toy = faces.detectMultiScale(gray
scaleFactor=5,
minNeighbors=91,
minSize=(70,78))
for (x,y,w,h) in toy:
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 12
cv2.rectangle(frame, (x,y), (x+w,y+h),
(0, 255, 0), 2)
cv2.putText(frame,'Curva_Abierta_Dere
cha',(x,y-
10),2,0.7,(0,255,0),2,cv2.LINE_AA)
cv2.imshow('frame',frame)
if cv2.waitKey(1) == 27:
break
cap.release()
cv2.destroyAllWindows
Código de programación para detención de
líneas de carril
import cv2
import numpy as np
def average_slope_intercept(image, lines):
left_fit =[]
right_fit = []
for line in lines:
x1, y1, x2, y2 = line.reshape(4)
parameters = np.polyfit((x1, y1), (x2, y2),
1)
print(parameters)
def canny(image):
gray = cv2.cvtColor(lane_image,
cv2.COLOR_RGB2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)
canny = cv2.Canny(blur, 50, 150)
return canny
def display_lines(image, lines):
line_image = np.zeros_like(image)
if lines is not None:
x1, y1, x2, y2 = line.reshape(4)
cv2.line(line_image, (x1, y1), (x2, y2),
(255, 0, 0), 10)
return line_image
def region_of_interest(image):
height = image.shape[0]
polygons = np.array([[(200, height), (1100,
height), (550, 250)]])
mask = np.zeros_like(image)
cv2.fillPoly(mask, polygons, 255)
masked_image = cv2.bitwise_and(image,
mask)
return masked_image
image = cv2.imread('test_image.jpg')
lane_image = np.copy(image)
canny_image = canny(lane_image)
cropped_image =
region_of_interest(canny_image)
lines = cv2.HoughLinesP(cropped_image, 1,
np.pi/180, 100, np.array([]),
minLineLength=100,
maxLineGap=10)
averaged_lines =
average_slope_intercept(lane_image, lines)
line_image = display_lines(lane_image, lines)
combo_image = cv2.addWeighted(lane_image,
0.8, line_image, 1, 1)
cv2.imshow('LECTURA', combo_image)
cv2.waitKey(0)
Código de programación para distancia
entre vehículos
#Importamos de las librerias
import RPi.GPIO as GPIO
import time
TRIG = 23 #El GPIO al cual conectamos la
señal TRIG del sensor
ECHO = 24 #El GPIO al cual conectamos la
señal ECHO del sensor
GPIO.setmode(GPIO.BCM) # Establecemos el
modo según el cual nos referiremos a los GPIO
de nuestra RPi
GPIO.setup(TRIG, GPIO.OUT) #
Configuramos el pin TRIG como una salida
GPIO.setup(ECHO, GPIO.IN) # Configuramos
el pin ECHO como una salida
try:
# Implementamos un loop infinito
while True:
# Ponemos en bajo el pin TRIG y después
esperamos 0.5 seg para que el transductor
se estabilice
GPIO.output(TRIG, GPIO.LOW)
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 13
time.sleep(0.5)
# Ponemos en alto el pin TRIG esperamos
10 uS antes de ponerlo en bajo
GPIO.output(TRIG, GPIO.HIGH)
time.sleep(0.00001)
GPIO.output(TRIG, GPIO.LOW)
# En este momento el sensor envía 8
pulsos ultrasónicos de 40kHz y coloca su
pin ECHO
en alto
# Debemos detectar dicho evento para
iniciar la medición del tiempo
while True:
pulso_inicio = time.time()
if GPIO.input(ECHO) ==
GPIO.HIGH:
break
while True:
pulso_fin = time.time()
if GPIO.input(ECHO) ==
GPIO.LOW:
break
# Tiempo medido en segundos
duracion = pulso_fin - pulso_inicio
distancia = (34300 * duracion) / 2
# Imprimimos resultado
print("Distancia: %.2f cm" % distancia)
finally:
GPIO.cleanup()
Resultados y Discusión
Resultados de la detección de señales de
tránsito preventivas
Las pruebas del dispositivo se realizaron de
manera experimental, para lo cual se instaló el
artefacto en el vehículo de pruebas y se realizó
el recorrido de una ruta previamente
establecida. Para la selección de la ruta se tomó
en cuenta ciertos criterios como: cantidad de
señales de tránsito preventivas, nivel de tráfico
vehicular y velocidad del recorrido. El vehículo
de pruebas realizó el recorrido a una velocidad
de 50Km/h, demoró en completar el recorrido
una hora, donde se detectó 126 señales de
tránsito preventivas como, aproximación de
semáforos, Curva abierta izquierda, curva
abierta derecha, reductor de velocidad, peatones
en la vía, animales en vía, cruce peatonal con
prioridad, aproximación a redondel, empalme
lateral en curva derecha, cruce de vías, niños y
curva cerrada ala derecha. A continuación, se
presentan varios escenarios en donde se pone a
prueba cada una de las variables estudiadas en
relación al horario, en el primero se analizó el
horario de 12pm – 2pm, y en el segundo de 4am
– 6am.
Escenario 1
En este escenario la toma de datos se realizó en
el horario de 12pm a 2pm
Figura 3: Escenario 1 desarrollado entre las
12pm – 2pm
Una vez realizado el reconocimiento de las
señales de tránsito preventivas obtenidas en el
escenario 1 mediante el sistema desarrollado en
este proyecto, se obtuvieron los resultados
mostrados en la tabla 3.
Tabla 3. Porcentaje de aciertos de
reconocimiento de las señales de tránsito
Tipo de señal
# de
Señales
Porcentaje
Aproximación de semáforo
22
18
81,8%
Curva abierta izquierda
12
10
83,3%
Reductor de velocidad
12
11
91,6%
Peatones en la vía
34
28
82,3%
Animales en la vía
2
2
100%
Cruce peatonal con prioridad
12
7
58,3%
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 14
Tipo de señal
# de
Señales
Porcentaje
Curva abierta a la derecha
16
16
100%
Aproximación a redondel
4
3
75%
Empalme lateral en curva derecha
4
2
50%
Cruce de vías
4
4
100%
Niños
2
2
100%
Curva cerrada derecha
2
2
100%
TOTAL
126
105
83,3%
Fuente: Elaboración propia.
Escenario 2
En este escenario la toma de datos se realizó en
el horario de 12pm a 2pm
Figura 4: Escenario 2 de 4am – 6am
Una vez realizado el reconocimiento de las
señales de tránsito preventivas obtenidas en e
escenario 2 mediante el sistema desarrollado en
este proyecto, se obtuvieron los resultados
mostrados en la tabla 4.
Tabla 4. Porcentaje de aciertos de
reconocimiento - escenario 2
Tipo de señal
# de
Señales
# de Señales
detectadas
Porcentaje
Aproximación de
semáforo
22
13
59%
Curva abierta izquierda
12
5
41,66%
Reductor de velocidad
12
7
58,3%
Peatones en la vía
34
20
58,8%
Animales en la vía
2
0
0%
Cruce peatonal con
prioridad
12
5
41,6%
Curva abierta a la derecha
16
10
62,5%
Aproximación a redondel
4
2
50%
Empalme lateral en curva
derecha
4
1
25%
Cruce de vías
4
2
50%
Niños
2
0
0%
Tipo de señal
# de
Señales
# de Señales
detectadas
Porcentaje
Curva cerrada derecha
2
1
50%
TOTAL
126
66
52,38%
Fuente: Elaboración propia.
Tabla 5: Pruebas de muestras emparejadas
ales
Reconocidas
Horario
norte
Medios de
comunicación
Desv.
Desviación
Desv. Error
promedio
Madrugada
12
5,50
6.142
1.773
Tarde
12
8,75
8,292
2.394
Fuente: Elaboración propia.
Tabla 6: Pruebas de muestras emparejadas
Prueba de
Levene
Prueba T para la igualdad de medias
F
Sig
t
gl
Sig
(Bilater
al)
Diferen
cia de
medias
Erro
r
están
dar
Infer
ior
Su
pe
rio
r
Se asumen
varianzas
iguales
1,
17
1
0,291
-
1,
09
1
22
0,287
-3,25
2,979
-
9,248
2.9
28
No se
asumen
varianzas
iguales
-
1,
09
1
20,27
9
0,288
-3,25
2,979
-
9,458
2,9
58
Fuente: Elaboración propia.
Como p = 0.291 significa que las medias entre
las señales detectadas de 12 a 14 pm y las
señales detectadas de 4 a 6 am son
significativamente diferentes, se concluye que,
una correcta iluminación permite la
visualización de las señales de mejor manera,
caso contrario se dificulta su reconocimiento.
Resultados de la detección de líneas de carril
Para la realización de las líneas de carril se tomó
en cuenta el área donde se va a realizar la
detención de líneas de carril para lo cual se
realizó un algoritmo donde ya se detalla paso a
paso lo que se realizó para obtener los
resultados que se muestran a continuación
donde se visualiza el área de trabajo el radio de
curvatura también si el conductor va en las
siguientes direcciones ya que son izquierda,
derecha, recto.
Resultados de la distancia de seguridad con
otro vehículo
A continuación, se muestran los resultados
obtenidos en relación a la distancia de seguridad
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 15
Tabla 7: Valores reales con respecto a valores
obtenidos del sensor ultrasónico
Valor real
(cm)
Valor medio
(cm)
Error(cm)
50
49
1
100
96
4
150
144
6
200
191
9
250
243
7
300
290
10
350
339
11
400
388
12
450
427
23
500
470
30
Fuente: Elaboración propia
Tabla 8: Estadísticas de grupo
Valor
Grupo
norte
Medios de
comunicación
Desv.
Desviación
Desv.
Error
promedio
REAL
10
275,00
151.383
47.871
MEDIO
10
263,70
143.488
45.375
Fuente: Elaboración propia
Tabla 9: Prueba T para muestras
independientes
Prueba de
Levene
Prueba T para la igualdad de medias
F
Sig.
t
gl
Sig
(Bilate
ral)
Diferencia
de medias
Error
estánd
ar
Infe
rior
Sup
erio
r
Se asumen
varianzas
iguales
0,0
34
0,8
57
0,
17
1
18
0,866
11,3
65,959
-
127,
254
150
No se asumen
varianzas
iguales
0,
17
1
17,
94
9
0,866
11,3
65,959
-
127,
303
149,
903
Fuente: Elaboración propia.
En la tabla se observa que entre el valor de las
medias del valor real y el valor medido son
significativamente diferentes, por tanto, el
sensor es válido para este sistema. Para realizar
las pruebas de funcionamiento del sistema de
seguridad entre vehículos, se consideraron tres
distancias como son: 400cm, 200cm, 100cm.
Unos leds indicarán a que distancia se encuentra
el vehículo. Cuando no se encuentra ningún
vehículo no se activa la alerta sonora, en estas
circunstancias el conductor se encuentra
totalmente seguro. Por otro lado, cuando el
conductor se encuentra en una distancia no
permitida, se activa la alerta sonora para dar a
conocer al conductor sobre el rebasamiento de
dicha distancia.
Resultados del nivel de alcohol en el
conductor
Para comprobar el funcionamiento del
dispositivo se procedió a realizar pruebas en 2
partes: con presencia de alcohol y sin presencia
de alcohol. En la tabla 10 se realiza pruebas de
nivel de alcohol a cinco sujetos, los cuales se
encuentran en condiciones óptimas para poder
conducir.
Tabla 10. Pruebas de nivel de alcohol a sujetos
de prueba sin presencia de alcohol
Sujeto
Prueba
1 (mg/L)
Prueba
2 (mg/L)
Prueba
3 (mg/L)
Prueba
4
(mg/L)
Prueba
5 (mg/L)
Average
(mg/L)
Sujeto
1
0.01
0.07
0.06
0.06
0.06
0.05
Sujeto
2
0.05
0.05
0.05
0.05
0.05
0.05
Sujeto
3
0.05
0.05
0.05
0.04
0.05
0.05
Sujeto
4
0.04
0.04
0.04
0.04
0.04
0.04
Sujeto
5
0.03
0.03
0.03
0.03
0.03
0.03
Fuente: Elaboración propia.
Tabla 11. Pruebas de nivel de alcohol a sujetos
de prueba con presencia de alcohol
Subject
Prueba
1
(mg/L)
Prueba
2
(mg/L)
Prueba
3 (mg/L)
Prueba
4
(mg/L)
Prueba
5 (mg/L)
Average
(mg/L)
Sujeto
1
4.20
4.21
4.27
5.10
5.18
4.59
Sujeto
2
4.27
4.30
5.20
5.23
5.37
4.87
Sujeto
3
7.92
7.85
7.60
7.42
7.37
7.63
Sujeto
4
6.75
6.71
6.48
6.20
6.03
6.43
Sujeto
5
3.95
3.90
3.86
3.80
3.06
3.11
Fuente: Elaboración propia.
En la tabla 11 se demuestra los datos tomados a
cinco sujetos, que presentan un nivel de alcohol
excesivo para lo cual no estarían aptos para
conducir un vehículo. Estas pruebas se
realizaron en dos escenarios, donde se tomó en
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 16
cuenta las horas del día debido a su iluminación
natural. Una correcta iluminación permite la
visualización de las señales de mejor manera,
caso contrario se dificulta su reconocimiento.
Los resultados encontrados en este estudio en
cuanto al reconocimiento de señales de tránsito
preventivas, se obtuvo un porcentaje de aciertos
en el día de un 83.3% y en la noche de un
52.3%, esto significa que el dispositivo, al tener
la presencia de luz natural responde con un
porcentaje alto al reconocimiento de señales y
al encontrarse con luz artificial se obtiene un
porcentaje medio. Con respecto a los resultados
de la detección de líneas de carril se aplica la
trasformada Hough debido a su alta eficiencia y
por la facilidad de representar las líneas que se
encuentren, el funcionamiento del dispositivo
se encuentra en un nivel aceptable, pero siempre
y cuando las líneas de carril estén claramente
pintadas sobre la vía. El análisis de la distancia
entre vehículos se realiza entre dos valores
(real, medio), ya que se observa un valor de
significancia de 0.857 esto significa que el
sensor ultrasónico aplica para el sistema de
alerta. Los resultados del nivel de alcohol en el
conductor se lo realizan a un grupo de sujetos
obteniendo un resultado promedio de 0.05 sin la
presencia de alcohol, un valor promedio de 5.54
con presencia de alcohol en estas condiciones el
conductor no puede manejar.
Conclusiones
En este trabajo se implementó un prototipo
electrónico de alerta automática para la
prevención de accidentes mediante el
reconocimiento de señales con visión artificial,
el sistema es capaz de alertar al conductor sobre
un posible suceso en la vía. Se desarrolló un
código de programación para el reconocimiento
de señales de tránsito preventivas y
horizontales, el procesamiento de imágenes está
limitado debido a que mientras disminuye la luz
natural será más complicado el reconocimiento
de las señales. Se implementó un sistema de
seguridad de alcohol y distancia, mediante
señales sonoras alertar al conductor frente a un
posible accidente tránsito. El aporte importante
que se le ha dado a este proyecto de titulación
es la utilización de visión artificial ya que nos
ha facilitado el trabajo de este proyecto con sus
librerías y tratamiento de imágenes y mejoras en
trabajos futuros (reconocimiento de ojos,
reconocimiento de tapabocas).
Referencias Bibliográficas
Agermoso. (2015). Obtenido de
http://licenciadeconducirrd.blogspot.com/20
15/07/senales-de-transito.html
Amazon. (s.f.). Obtenido de
https://www.amazon.es/LABISTS-
C%C3%A1mara-Oficial-Raspberry-
Compatible/dp/B07VTMNS2BANT
Chimborazo. (2015). Obtenido de Agencia
Nacional de Tránsito:
https://www.ant.gob.ec/index.php/noticias/b
oletines-provinciales/63-noticias-
2/boletineschimborazo/1169-ant-
chimborazo-registra-una-reduccion-de-
siniestros-en-un-15-enjunio-de-
2015#.XeZlxb5MSUk
Arce K., y Vasco I. (2018). Reconocimiento de
patrones en imágenes de video para el
monitoreo de eventos de tráfico Vehicular.
Santiago de Cali.
Barba L. (2015). Utilización de métodos de
visión artificial para PC como apoyo en la
automoción. Madrid.
Casanova M. (2014). Diseño, Construcción e
instalación de un alcoholímetro electrónico
con dispositivo de bloqueo de un vehículo.
Riobamba.
Cazau P. (2006). Introducción a la investigación
en Ciencias Sociales. Buenos Aires.
Chicaiza F. (2017). Sistema Electrónico de
alerta automática para el reconocimiento de
señales de tránsito reglamentarias,
preventivas e informativas en la ciudad de
Ambato.
Cristina (2015). Slideshare. Obtenido de
https://www.slideshare.net/Cristina1128/ecu
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 17
ador-
connuevatipologadeaccidentesdetrnsito
Cruzado D. (2015). Detección y reconocimiento
de señales de tráfico. Madrid.
EcuRed. (s.f.). Obtenido de
https://www.ecured.cu/Modelo_HSV
Educación Vial. (2018). Obtenido de
http://educacionvial201813.blogspot.com/2
018/11/tipos-de-senales-de-transito-
senalesde.
Educavial (2015). Slideshare. Obtenido de
https://es.slideshare.net/educavial/seales-
horizontales-49533482
El Universo. (2020). Obtenido de
https://www.eluniverso.com/noticias/2020/0
9/14/nota/7977406/alguien-puede-
negarsehacerse-prueba-alcoholemia-que-
dice-ley/
Electronilab. (s.f.). Obtenido de
https://electronilab.co/tienda/sensor-de-
distancia-de-ultrasonidohc-sr04/
Estarita, J., Jiménez, A., Brochero, J., Escobar,
H., y Moreno, S. (2018). Sistema de
Reconocimiento de objetos en tiempo real.
Colombia.
Flores M., Conlago C., Yunda J. y Aldás, M.
(2018). Implementación de un algoritmo
para la detención de señales de tránsito del
Ecuador: Pare, Ceda el paso y Velocidad.
Gamán, l. R. (2015). Utilización de métodos de
visión artificial para PC como apoyo en la
automoción. Madrid.
Historia de la Informática. (2013). Obtenido de
https://histinf.blogs.upv.es/2013/12/18/rasp
berry-pi/
INEN. (2011). Señalización Vial. Parte 1.
Señalización Vertical. Quito. Obtenido de
https://www.obraspublicas.gob.ec/wpcontent/u
ploads/downloads/2015/04/LOTAIP2015_r
eglamento-tecnico-ecuatoriano-rteinen-004-
1-2011.pdf
Lara R., y Mares M. (2016). Reconocimiento de
Patrones en Imágenes con un Sistema
Embebido. Jalisco.
Marcano, M. (2018). Issuu. Obtenido de
https://issuu.com/mariamarcan1996/docs/la
_investigacion_experimental_pdf
Master autoescuela. (s.f.). Obtenido de
https://www.autoescuelamasterbolivia.com/
blog/senalesverticales/
Mateo J. (2017). Implementacion de un
software para la detección y reconocimiento
de señales de tráfico en tiempo real a partir
de un video capturado en un vehículo en
circulación.
Mendieta V. (2013). "Detección y
Reconocimiento de Semáforos por Visión
Artificial". Madrid.
Mujtaba, H. (2020). Great Learning. Obtenido
de
https://www.mygreatlearning.com/blog/viol
a-jones-algorithm/
Naylamp Mechatronics. (s.f.). Obtenido de
https://naylampmechatronics.com/blog/42_
Tutorialsensores-de-gas-MQ2-MQ3-MQ7-
y-MQ13.html
Organización Mundial de la Salud (2018).
Obtenido de https://www.who.int/es/news-
room/fact-sheets/detail/road-traffic-injuries
Peden M. (2009). Informe Sobre la Situación
Mundial de la Seguridad Vial. Suiza.
Pico G. (2019). Sistema Avanzado de
Asistencia Al Conductor Empleando Visión
Artificial en vehículos de Transporte
Público. Ambato-Ecuador.
Rambal. (s.f.). Obtenido de
https://rambal.com/raspberry/736-pantalla-
raspberry-pi-5-in.html
Rueda B. P. (2017). Desarrollo de un prototipo
portatil para el reconocimiento de señales
dactilológicas mediante visión artificial.
Quito.
Sailema F. (2017). Sistema Electrónico de
alerta automática para el reconocimiento de
señales de tránsito reglamentarias,
preventivas e informáticas en la ciudad de
Ambato. Ambato.
Stackoverflow. (2020). Obtenido de
https://stackoverflow.com/questions/109485
89/choosing-thecorrect-upper-and-lower-
hsv-boundaries-for-color-detection-
withcv?lq=1
Tutor de Programación. (2017). Obtenido de
https://acodigo.blogspot.com/p/tutorialopen
cv
Ciencia y Educación
(L-ISSN: 2790-8402 E-ISSN: 2707-3378)
Vol. x No. x
mes del año
Página 18
Villalón G., Torres M., y Flores, M. (2017).
Sistema de detención de señales de tráfico
para la localización de intersecciones viales
y frenado anticipado. Revista
Iberoamericana de Automática e
Informática Industrial, 1-11.
Yanque J. (2016). SCRIBD. Obtenido de
https://es.scribd.com/document/321852334/
Metodologia-de-La-Investigacion-metodos-
consulta
Esta obra está bajo una licencia de
Creative Commons Reconocimiento-No Comercial
4.0 Internacional. Copyright © José Luis Jinez
Tapia, Fabian Israel Noriega Bosquez, Diego
Marcelo Reina Haro y Luis Gonzalo Santillán
Valdiviezo.