Aplicación de técnicas de detección de objetos en imágenes mediante Deep Learning para la ayuda en la conducción en situaciones de tráfico complejas

Abstract

El aprendizaje automático es una disciplina de la inteligencia artificial que ha cobrado importancia en los últimos años, resultando una pieza clave en multitud de investigaciones. Entre otros, ha sido el gran posibilitador de la conducción autónoma. Los vehículos autónomos, aún en desarrollo, son aquellos que son capaces de conducirse a sí mismos sin intervención humana. Para ello, se apoyan en los llamados ADAS, sistemas avanzados de ayuda a la conducción, con los que perciben el entorno para tomar decisiones. La hipótesis que ha guiado la presente tesis doctoral ha sido la de emplear técnicas de Deep Learning, para desarrollar nuevos sistemas de ayuda que informen al conductor de situaciones de la vía. Esto se ha realizado sobre dos casos de uso. El primero, un detector de paneles luminosos de mensaje variable o VMS, que toma instantáneas de la carretera, los localiza, y locuta su contenido. Su funcionamiento está basado en un modelo de aprendizaje profundo, y de un pipeline que procesa la imagen, extrayendo el texto mediante el modelo de reconocimiento óptico de caracteres y reproduciendo el contenido mediante el servicio de la nube. El segundo, un analizador de rotondas circulares de España que, mediante imágenes aéreas, reconoce los distintos carriles y vehículos y extrae información acerca de su estado. Para ello, este sistema encadena varios algoritmos de visión por computador para reconocer las circunferencias de los carriles y un modelo de aprendizaje profundo que detecta los distintos tipos de vehículos.

Machine learning is a discipline of artificial intelligence that has gained importance in recent years, becoming a key clement in a multitude of research projects. It has been, among others, the great enabler of autonomous driving. Autonomous vehicles, which are still under development, are those that can drive themselves without human intervention. For this purpose, they rely on the so-called ADAS, advanced driving assistance systems, with which they perceive the environment to make decisions. The hypothesis that has guided this doctoral thesis has been to use deep learning techniques to develop new assistance systems that inform the driver of situations on the road. This has been applied to two use cases. The first one, a variable message sign (VMS) detector, which takes images of the road, locates them, and announces their content. It is based on a deep learning model and a pipeline that processes the image, extracting the text using the optical character recognition model and reproducing the content using a cloud service. The second, an analyzer of circular Spanish roundabouts that, using aerial images, recognizes the different lanes and vehicles and extracts information about their status. This system combines several computer vision algorithms to recognize the circumferences of the lanes and a deep learning model that detects the different types of vehicles.