Saltar al contenido

Revista de sistemas de transporte inteligentes

22/11/2019

El método de detección de fatiga basado en la expresión facial es utilizar la visión artificial como un medio para recopilar la imagen facial del conductor mediante un sensor de imagen y juzgar el estado de fatiga analizando las características de la expresión facial del conductor. Este método puede detectar la fatiga del conductor tomando las características de los ojos y la boca del conductor como características de fatiga. La información relacionada con las características de los ojos es una característica de fatiga ampliamente utilizada. Los pasos principales para juzgar el estado de fatiga del conductor en función de la visión artificial se muestran en la figura 4. El método de detección de fatiga basado en las características del comportamiento del conductor infiere el estado de fatiga del conductor analizando el volante del conductor, las características de funcionamiento del pedal o las características de la trayectoria del vehículo.

Abreviatura de la revista: Journal of Intelligent Transportation Systems

ITDP reveals new tools to improve transit inclusivity and city walkability – Intelligent Transport

ITDP reveals new tools to improve transit inclusivity and city walkability.

Posted: Thu, 15 Oct 2020 07:00:00 GMT [source]

Transporte inteligente Número 4 2020

Finalmente, se utiliza el método de proyección integral bidireccional para localizar el ojo humano con precisión. Algunos resultados de posicionamiento de imágenes de video se muestran en la Fig.8. Un sistema típico de detección de conducción por fatiga generalmente incluye adquisición de datos, procesamiento previo de datos, extracción de características y verificación de clasificación. La clasificación de la detección de fatiga consiste en mapear el espacio de características costumbres.net de fatiga y el espacio de estado de conducción para clasificar el espacio de características. Los algoritmos de clasificación utilizados generalmente son el algoritmo KNN, el algoritmo SVM y el algoritmo de aprendizaje por conjuntos. Este artículo presenta el principio y proceso de clasificación utilizando el algoritmo KNN. La ubicación y el seguimiento del área de la cara del conductor es la premisa y la base para la extracción de información de fatiga.

La estimación de parámetros de flujo de tráfico basada en visión es un problema desafiante, especialmente para escenas de tráfico denso, debido a las dificultades de oclusión, tráfico denso y de tamaño pequeño, etc. escenas de tráfico denso y pocos de ellos estiman más los parámetros de flujo de tráfico en escenas de tráfico denso. Se propone un marco para contar vehículos y estimar parámetros de flujo de tráfico en escenas de tráfico denso. En primer lugar, se propone una red piramidal-YOLO para la detección de vehículos en escenas densas, que puede detectar eficazmente vehículos ocluidos y de pequeño tamaño. En segundo lugar, los autores diseñan un método de recuento de la línea de interés basado en el seguimiento múltiple restringido, que cuenta los vehículos que cruzan una línea de recuento en un tiempo determinado. El método de seguimiento propuesto rastrea trayectorias de vehículos a corto plazo cerca de la línea de conteo y analiza las trayectorias, mejorando así la precisión del seguimiento y conteo.

  • Este artículo se centra en la seguridad del tráfico provocada por la conducción con fatiga basada en el reconocimiento de imágenes de tecnologías clave para la investigación y el análisis.
  • En el análisis del algoritmo de localización del rostro basado en el modelado del color de la piel, se propone un método de optimización basado en esquinas para optimizar la región del rostro.
  • Este documento propone que la ubicación de los puntos de características faciales y faciales y la clasificación de la detección de fatiga son los vínculos clave para determinar la tasa de detección de conducción con fatiga.

También proporcionará información pertinente en tiempo real a los viajeros para ayudar en la elección del modo y la toma de decisiones de selección de ruta. Después de la adquisición de datos, los datos de video recopilados huertasencasas.com se procesan previamente en escala de grises, con dos valores y sin ruido. Luego, la localización de la cara basada en el algoritmo de modelado del color de la piel y luego la localización mediante dos valiosos ojos humanos.

intelligent transport system journal

Este método puede lograr una cierta precisión de reconocimiento y el proceso de medición no causará interferencias al conductor. Pero la operación del conductor no solo está relacionada con la fatiga, sino que también se ve afectada por el entorno de la carretera, la velocidad de conducción, los hábitos personales, las habilidades operativas, etc. En la investigación y aplicación de la imagen, las personas a menudo separan y extraen la región específica y única de la imagen aplicada. La segmentación de imágenes es la tecnología y el proceso de dividir la imagen en diferentes regiones y extraer el objeto de interés. En la actualidad, para imágenes complejas, como imágenes de teledetección e imágenes de TC, el efecto de segmentación del algoritmo de segmentación de imágenes tradicional no ha podido cumplir, por lo que aparece la aplicación de la red neuronal en la segmentación de imágenes.

intelligent transport system journal

Por lo tanto, la detección y el seguimiento de rostros confiables es la primera solución para el reconocimiento de conducción por fatiga. La mayoría de los algoritmos de detección de rostros se basan en el algoritmo de modelado del color de la piel. Los pasos principales del algoritmo basado en el modelado del color de la piel se muestran en la figura 5.

Diario de vehículo y sistema de transporte inteligente

Para lograr tales objetivos, ITS requiere procedimientos, sistemas y dispositivos que permitan la recolección, comunicación, análisis y distribución de información y datos entre sujetos en movimiento, la infraestructura de transporte y aplicaciones de tecnología de la información «. El presente estudio revisa los modelos de simulación disponibles para intersecciones señalizadas y no señalizadas utilizando autómatas celulares.

Hawaii project prepares state for future of CAV integration – Intelligent Transport

Hawaii project prepares state for future of CAV integration.

Posted: Wed, 05 Aug 2020 07:00:00 GMT [source]

Los elementos de ITS deben seleccionarse e instalarse en función de las necesidades funcionales de los sistemas de transporte y de la capacidad de las agencias para operarlos y mantenerlos. ITS debe integrarse en todos los modos de transporte para proporcionar un rendimiento óptimo, gestionar de forma eficaz y eficiente la demanda de transporte y proporcionar información en tiempo real a los viajeros para ayudar en la elección y planificación de rutas y modos de viaje.

En tercer lugar, con base en los resultados de la detección y el recuento, se propone un modelo de estimación para estimar los parámetros de volumen, velocidad y densidad del flujo de tráfico. Los experimentos de evaluación en las bases de datos con escenas de tráfico denso muestran que el marco propuesto puede contar vehículos de manera eficiente y estimar parámetros de flujo de tráfico con alta precisión y supera a los métodos de estimación representativos en comparación. Las tecnologías clave de detección de conducción por fatiga basadas en visión artificial incluyen el algoritmo de localización de rostros, el algoritmo de localización de ojos y el algoritmo de clasificación de detección de fatiga. En todo el proceso de detección de fatiga, la ubicación de los puntos de características faciales y la clasificación de la detección de fatiga son los vínculos clave para determinar la tasa de detección de fatiga. Por lo tanto, para el proceso de monitoreo de fatiga basado en características oculares, la mejora del algoritmo de seguimiento facial y el algoritmo de clasificación de detección de fatiga es la tecnología clave de detección de conducción por fatiga basada en visión artificial. A medida que prosigue el desarrollo y la expansión de la tecnología y los sistemas de comunicación, la disponibilidad de datos e información en tiempo real de fuentes públicas y privadas promoverá sistemas de control de tráfico y gestión de la demanda más eficaces.

Generalmente, los algoritmos de segmentación de imágenes actuales se pueden dividir en algoritmos de redes neuronales basados ​​en datos de píxeles y algoritmos de redes neuronales basados ​​en datos de características. Compilado por la Oficina del Programa Conjunto de Sistemas de Transporte Inteligente del Departamento de Transporte de EE. Washington, Departamento de Transporte de los Estados Unidos, Administración Federal de Carreteras, 1995. Un sistema de comunicación estable y efectivo es un elemento crítico de ITS necesario para permitir que la tecnología de los vehículos se comunique de manera efectiva como parte de una red de transporte de superficie integrada. La preservación de la banda de espectro dedicada de 5,9 GHz para fines relacionados con el transporte proporciona un nivel adecuado de comunicación entre vehículos, usuarios de carreteras e infraestructura. Esto también ayuda a garantizar la certeza regulatoria a largo plazo para el desarrollo y despliegue del sistema de transporte. La Sociedad Estadounidense de Ingenieros Civiles apoya la integración de elementos de Sistemas de Transporte Inteligentes en los sistemas de control de tráfico como un medio rentable para optimizar el rendimiento y la operación del control de tráfico, minimizar la congestión y aumentar la seguridad y la eficiencia.