Algoritmo para Contar Automóveis

Vista previa del material en texto

Campus Ciudad de México 
Escuela de Graduados en Ingeniería y Arquitectura 
Algoritmo adaptable para contabilizar automóviles a 
partir de imágenes tomadas a una vía transitada 
Tesis 
para la obtención del grado de 
Maestro en Ciencias de la Ingeniería 
Autor: 
Marco José Viramontes Thummler 
Asesor: Dr. Pedro Ponce Cruz 
Sinodales: Dr. Víctor Manuel de la Cueva Hernández 
Dr. Ricardo Zavala Yoe 
Noviembre 2011 
ITESM CCM MCI 
Índice 
Índice ... ..... ......... .......... ..... .... ..... ... .. .... ... ... ... ...... ... ... .. ...... ... ..... ... ...... ... ... ... ..... .. ... .. .. ............ ...... .... 1 
Introducción ...... ... .... ...... .. .. .. ... ... .. ... .. .. ....... ...... ......... .................. ... ..... ... ...... ... ......... ..... ........ . 3 
2 Revisión I iteraría .... .. .................. ... .. .... ... .... .. .. ..... ... .................... .... .. ............. ... .... .................. 9 
2.1 Investigaciones sobre conteo <le automóviles .. .... .. .... .. ............ ............ ... ....... .. ....... .. ....... 9 
2.2 Investigaciones relacionadas ........... .. ..... ............................. .. .. ............ .. .. ...................... 13 
2.3 Aplicaciones en diferentes países ........ ... .. .. ... ................ ....... ............ ... .... ................... .. . 16 
2.4 Antecedentes de operaciones morfológicas ...... .. ...... .. .... .. .. .... .... .. .. .......... .. ......... .. .. .. .... 16 
2.4 .1 Erosión y Dilatación ..... .. ........................... .. ... ... .. .. .. .............. ....... ........ ... .... .. ....... .. 16 
2.4.2 Llenado de huecos .... .. .. .. .. ..... .. .. ....... .. ... .... ........ ... .... ..... .. .... .. ..... .. ..... ................ .... 17 
3 Metodología ... ..... ......................... ..... ...... .. ........ ... ........... .. ............ .... .... .... ... ..... ... ........ ......... 17 
3.1 Objetivo ......... .. .................. ............. ... .... .......... ............... ...... ... .. .. ... .. ...... ...................... 17 
3.2 Alcance .. .. ........ ..... .. .............. .... .. .... .. ....... ................ .. ..... .... .... ... .... ............... ..... .... ...... . 18 
3.3 Preguntas de investigación ..... .... ... .. .... .. ..... ...... ...... .. ...... .. ...... .. ... ............. .. ... ..... .. .. .. .... .. 18 
3.4 Hipótesis ....... ... ... .... .. ....... .. ... ... ....... .. ...... .. ............. .... .... ... .... ................... ..... .......... ...... 18 
3.5 Justificación ... ........... ... ... .... .. ... ... ... ..... .. ........ .... .. ....... ...... .. .... ... ....... .... ... ..... ....... ... ...... .. 19 
3.6 Estrategia de investigación .... .. .. ..... ...... ..... .. .. .. ... .......... .. ... .. .. ... .... .... ..... ... ... .... .. .......... .. 20 
4 Resultados ...... ...... ...... ..................... .. ..... ... ..... ... ... .................. ........ ... ... ..... ...... ... ................... 21 
4.1 
4.1.1 
4.1.2 
4.1.3 
4.1.4 
4.1.5 
4.1 .6 
4.1.7 
4.1.8 
4.1.9 
Resumen resultados .............. .... ....... ............ ... .. .. ... ......... ........ .. ............... ..... ................ 21 
Obtención de imágenes/ videos tomados a una vía real ..... .. ................. .... ...... .. .. .. 21 
Análisis exhaustivo de las imágenes . ...... .......... .. ....... ............................ .. .. .. .. .. .. .. .. . 24 
Lluvia de ideas para la selección de los módulos del algoritmo y_ ................ .... .... . . 25 
Determinación de pros y contras de las diferentes ideas.. .. .. ....... ... .. .. .. .. .. .. ............ 25 
Diseño ............................... .. .. .... ...... .............................. .... .... ..... ........................... 26 
Desarrollo del algoritmo ....... .... ... .. .. ........ ..... .... ... .... ....... ... ..... .. ....... ... ....... ......... .. 37 
Pruebas iniciales con el algoritmo preliminar .......... .... ........................ .. .. ...... .... ... . .39 
Mejoras al algoritmo con base en las pruebas iniciales .. ... .. .......... .. ....... .. .. .. .. .. .. .. ... 44 
Pruebas finales con el algoritmo definitivo .. ..... ..... ... .... ............. ... .... .. .... ... .. .......... . 47 
4.2 Descripción detallada del algoritmo ...... .. ..... ..... .. ...... .... ... .... ... ... ..... ..... .... ... ...... .. .... ...... .4 7 
1 
ITESM CCM MCI 
4.2.1 Algoritmo para generar imagen base ..................................................................... 47 
4.2.2 Algoritmo para contar coches ................................................................................ 51 
4.3 Pruebas sobre las diferentes bases de datos .................................................................. 58 
4.3.1 Descripción general de bases de datos ................................................................... 58 
4.3.2 Generación de imagen base ................................................................................... 62 
4.3.3 Conteo de coches ................................................................................................... 73 
4.3.4 Adaptación a cambios en el ambiente .......... .. ........................................................ 84 
4.3.5 Verificación de funcionamiento de los filtros .......................................................... 90 
5 Conclusiones ................... ............................................................... ........ ............................... 97 
5.1 Generación de imagen base ........................................................................................... 97 
5.2 Conteo de coches .......................................................................................................... 98 
5.3 Adaptación a cambios en el ambiente .......... ........................... .. ..... ........ ....... .............. 100 
6 Trabajo futuro ....................................... ....... ........ ....... .................... .................................... 101 
6.1 Capacidades del algoritmo ................................................................................ ........... 101 
6.2 Parámetros del tránsito real ..................................................... ...... ........ ..................... 103 
6.3 Software y Hardware ..... ........ ................ ................................... ....... ............................ 104 
7 Anexos ................................................................................................................................ 105 
7.1 Algoritmo generador de imagen base ................................. ............. .............. .. ............ 105 
7.2 Algoritmo para contar coches y adaptación a cambios ................................................. 106 
7.3 Índice de figuras y tablas ....... ................ .. .................... ................................................ 110 
8 Referencias ......................................................................... ................................................ 113 
2 
ITESM CCM MCI 
1 Introducción 
Los Sistemas de Visión Inteligentes tienen muchas aplicaciones en campos muy 
diversos en la actualidad. Sin embargo, existen varias situaciones cotidianas en las que no 
se aprovecha todavía todos los beneficios de estos sistemas y pudieran ser de gran utilidad; 
por ejemplo, la Extracción de Información al Flujo Vehicular. 
Hay varios avances acerca de la obtención de parámetros sobre el tránsito de 
automóviles, pero no hay suficientes productos comerciales que se use hoy en día con el fin 
de saber más acerca del flujo de coches. Muchos de los desarrollos en la literatura se 
concentran en el conteo de automóviles partiendo de imágenes tomadas a un tramo de una 
calle; esta información se puede utilizar para diferentes fines, por ejemplo: 
• Sincronización inteligentede semáforos en cruces de calles. 
• Análisis certero del flujo vehicular para la toma de decisiones en cuanto a mejoras en 
las vías. 
• Consulta del estado actual del flujo en diversas calles a través de diferentes medios de 
comunicación {Internet, celular, GPS, televisión, radio, tableros informativos como el 
mostrado en la figura 1.1. l. l ); esta información permitiría al usuario decidir qué ruta 
tomar y saber una estimación cercana del tiempo que le tomará ir de un punto a otro. 
-
Figura 1.1.1.1 - Tablero Informativo propuesto por Pornpanomchai et a/1 
1 En los dos trabajos referenciados en este documento de Pornpanomchai et al los autores proponen como 
solución a problemas de flujo vehicular tableros informativos en diferentes vías para que los automovilistas 
tomen la mejor decisión con base en información en tiempo real. 
3 
ITESM CCM MCI 
La idea de crear un sistema de visión para la extracción de información relevante acerca 
del flujo vehicular nace del contexto actual que se vive en la Ciudad de México y en las 
grandes urbes en el mundo. El problema del tránsito caótico se vive día a día; a 
continuación se reflexiona acerca de los agravantes que conlleva y algunas posibles 
soluciones para mejorar la situación. 
Las grandes metrópolis están en constante crecimiento, tanto poblacional y territorial, 
como en número de automóviles y en contaminación. Un claro ejemplo es la Zona 
Metropolitana del Valle de México, con una población que supera los 18 millones de 
habitantes en una superficie menor a 8 mil km cuadrados2. La densidad es alarmante y los 
problemas generados por la misma también. Según cifras del 20083, esta Zona alberga a un 
tercio del total de vehículos de la República Mexicana con un total de 5.5 millones. 
El Valle de México tiene una densidad poblacional de cercana 2.6 mil habitantes por 
km 2 y la situación vial es complicada. Sin embargo, hay muchas otras ciudades en el 
mundo con densidades mucho mayores 4 , donde los conflictos viales son excesivos 
seguramente, como: Mumbai y Calcula en India con 29.6 y 23.9 mil habitantes por km2 
respectivamente; en América destaca Bogotá con 13.5 mil habitantes por km2 • 
Uno de los graves problemas que causan tantos citadinos es el tránsito vehicular caótico. 
En horas pico, un trayecto de 10 km se puede llegar a recorrer en 90 minutos. Esta situación 
no sólo genera enormes pérdidas de tiempo, sino también estresa a la población, incide 
negativamente en la eficiencia de un coche generando más contaminación y aumenta el 
consumo de gasolina como se puede apreciar en la figura 1. 1.1.25. 
2 Esta información fue obtenida del lnegi. Ver referencias para más detalle. 
3 Tomado de Noticieros Televisa en Línea. Ver referencias para más detalle. 
4 
Cifras según la revista Gestión. Ver referencias para más detalle. 
5 El consumo de gasolina óptimo para la mayor parte de los vehículos se da a una velocidad promedio entre 
80 y 90 km/h. La imagen demuestra el comportamiento del consumo de gasolina contra la velocidad en 
unidades inglesas. La información y gráfica fueron tomadas de una página del gobierno estadounidense que 
da tips para manejar más eficientemente. Ver referencias para más detalles. 
4 
ITESM CCM 
- 35 f 30 
- 25 
:! 20 
o 
: 15 
e, 10 • ,, 5 
g o 
o 
MCI 
~ 5 15 25 35 45 55 65 75 
Velocidad (mph) 
Figura 1.1.1.2 - Consumo de gasolina contra velocidad 
Hay demasiados coches para las insuficientes vías de esta ciudad. Una solución obvia es 
reducir el número de automóviles, pero va en contra de la libertad de los ciudadanos. Hay 
más soluciones, de las cuales algunas ya se están aplicando en el D.F.; por ejemplo, el 
Mctrobús, tal como se menciona en la reciente producción del Discove,y Channel 
"Soluciones para el Tránsito". Este transporte público es más eficiente que un Microbús 
común: también tiene mayor capacidad de gente. Más importante que las caracteristicas 
intrínsecas del vehículo, es que muchas personas dejaron de usar su automóvil para usar el 
Metrobús. La reducción de vehículos en Insurgentes aumentó la velocidad promedio de 12 
a 17 km/h en esa vía. 
También se está construyendo varias vías alternas y distribuidores viales. Sin embargo, 
hay otras opciones más baratas, con menos infraestructura, menor tiempo de 
implementación, sin afectaciones para la población6 y con resultados inmediatos que las 
dos ya mencionadas. Estas mejores alternativas se basan en la obtención de infonnación en 
tiempo real acerca del flujo vehicular. 
Una constante en las metrópolis acerca del tránsito vchicular es que siempre se tiene que 
salir con tiempo de sobra para trasladarse en automóvil de un lugar a otro. Empero. ¿cuánto 
6 La afectación se refiere a los problemas causados para los transportistas por las obras realizadas, al 
bloquear vías o carriles. 
5 
ITESM CCM MCI 
tiempo de sobra asegura que se lle61Ue en tiempo? Esta interrogante podría eliminarse con 
fuentes de infomiación acerca del tránsito confiables y en tiempo real 7. 
Hoy en día, las principales fuentes de información acerca del tránsito vehicular en la 
Ciudad de México son el radio, la televisión, una persona conocida atorada en un 
embotellamiento, la traficam de lusacelf\ entre otros. De éstos, ¿hay alguno que diga con 
exactitud cuánto tiempo tardaría uno en trasladarse de un punto a otro? La respuesta es 
clara, ninguno de los mencionados informa en sus reportes o imágenes un tiempo muy 
cercano a la realidad sobre un traslado deseado. 
Las tres primeras opciones mencionadas involucran la intervención de un humano para 
hacer el análisis. Esto ocasiona errores de apreciación. Otro inconveniente es la selección 
de vías sobre las que se hace el análisis; normalmente son calles principales y, en casi todos 
los casos, no contemplan rutas completas9. Por otra parte, la traficam implica un análisis 
personal de las vistas de sólo algunas vías que ofrece la compañía telefónica. La señal tiene 
un desfase de tiempo y, además, otorga infomiación no digerida IO_ 
El resultado de todas las opciones mencionadas para una persona que desea saber cuánto 
tardará en trasladarse de una ubicación a otra se contesta con alguna de las siguientes 
respuestas: "mucho", "entre una y dos horas", "demasiado", "más que ayer", y algunas 
otras respuestas cualitativas. No hay certeza acerca del tiempo de traslado; tampoco, acerca 
de mejores rutas con base en datos reales y numéricos. 
Es por eso que se requiere de infomiación numérica, veraz, digerida y en tiempo real 
acerca del Jlujo vchicular en las diferentes vías de la ciudad. Hay muchas formas de obtener 
7 
El sistema de tiempo real se define como un sistema de procesamiento de información que tiene que 
responder a estímulos de entrada generados externamente en un periodo finito y específico. El periodo es 
definido de acuerdo a lo que requiera la función que cumpla el sistema. 
8 La traficam comprende varias cámaras de vídeo situadas en diferentes vías de la ciudad, a las cuales tienen 
acceso usuarios de lusacell. La visualización es a través de un celular y tiene un retraso aproximado de 5 
minutos. 
9 Con rutas completas se comprende ir de un destino A a uno B; la información que da el radio es acerca de 
la carga vehicular en diferentes zonas o en algunos tramos de ciertas calles; pero, en la mayoría de los casos, 
no mencionan la ruta precisa que el usuario desea conocer. 
10 No digerida se refiere a que la persona que consulta debe hacer el análisis y concluir, en lugar de obtener 
un dato resultante de una análisis automático previo. 
6 
ITESM CCM MCI 
este tipo de datos: cables para contar coches 11 , RFID 12 , personal analista de vídeo 13 , sis tema 
de visión automático 14, entre otros. 
El primero mencionado ya se utiliza y tiene ventajas y desventajas. Es fácil de colocar y 
robusto. Sin embargo, sólo sirve para contar coches, se puede manipular fácilmente por 
alguna persona y requiere mantenimiento.El RFID no se ha aplicado con el fin que se busca en el presente documento, pero 
pudiera servir. La idea radica en colocar antenas en diferentes puntos deseados de la ciudad, 
colocarle a cada automóvil una etiqueta localizadora y, de esta manera, todos los coches 
cercanos a una antena serían contabilizados. Las etiquetas pueden ser únicas, por lo que se 
tendría detalle de los trayectos de cada coche que circula. Es una tecnología costosa, sería 
muy exacto, da información detallada, pero el gran problema es el deseo de privacidad de la 
gente. lnfonnación detallada de cada automóvil podría utilizarse con fines delictivos, por lo 
que la mayor parte de la población declinaría una propuesta como ésta. La tabla 1. 1. 1. 1 
presenta un resumen de las ventajas y desventajas del uso de esta tecnología con el fin de 
contar coches. 
Tabla 1.1.1.1 - Ventajas y desventajas del uso de RFID para contar automóviles 
Ventajas Desventajas 
Exactitud en el conteo 
Detalle de rutas por vehículo 
Cálculo de velocidades promedio y máximas 
por vehículo 
Costo elevado 
Privacidad 
Uso de información con fines delictivos 
El personal analista de vídeo ya se utiliza en algunos países y ciudades, como Sao Paulo 
en Brasil. Requiere de varias cámaras y mucho personal para analizar. concluir e infonnar. 
11 
Estos cables se aprecian en algunas ocasiones en diferentes vías en la República; normalmente vienen en 
pares y están colocados perpendicularmente al flujo vehicular; están conectados a una caja donde queda 
registrada la información. 
17 RFID (Radio Frequency /Dentification) es una tecnología que sirve para identificar objetos con base en una 
identificación colocada a cada uno; la identificación puede ser una sencilla etiqueta identificable con ondas 
de radio. 
13 Son personas que analizan diferentes tomas de vídeo en un centro con varios televisores; en las tomas ven 
el flujo vehicular de diferentes vías y transmiten su análisis y conclusiones a los transportistas. 
14 
El sistema de visión automático comprende un sistema autónomo que adquiere las imágenes, analiza, 
concluye y transmite sus resultados a los usuarios sin la intervención humana. 
7 
ITESM CCM MCI 
La información es útil, pero no es exacta ni cuantitativa. El hecho de requerir personal hace 
a esta opción dependiente de la apreciación humana que, por naturaleza, comete errores. 
La última opción es un sistema de visión automático. Esta es la tecnología que se 
presenta en esta tesis. En algunas ciudades del mundo ya se utiliza sistemas con 
características similares al presente desarrollo y también hay varios avances científicos en 
temas relacionados. La idea comprende colocar cámaras de vídeo en diferentes vías de la 
ciudad, como se muestra en la figura 1.1.1.3 (foto tomada en octubre 2011 en la Ciudad de 
México). Las imágenes alimentan a una computadora que analiza la información contenida, 
cuantifica los automóviles y emprende una acción simple o compleja. 
Figura 1.1.1.3 - Cámaras de vigilancia en la Ciudad de México 
Simplemente informar con exactitud podría significar una gran ventaja para la persona 
que desea trasladarse. Una acción más compleja podría ser la retroalimentación de un 
sistema de control para la optimización de flujo a través de semáforos; el control que su 
podría usar es el que proponen He y Hou usando un algoritmo basado en colonias de 
hormigas, o bien, algún algoritmo genético. Hay muchas aplicaciones para información 
como la que se podría obtener: seguimiento de vehículos, determinación de velocidad 
promedio por vehículo, aplicación de multas por infracciones al reglamento de tránsito, 
8 
ITESM CCM MCI 
análisis profundo de la densidad vehicular por vía y horario, entre muchas otras. El presente 
desarrollo pretende únicamente cuantificar los coches a lo largo de varias imágenes. 
2 Revisión literaria 
2.1 Investigaciones sobre conteo de automóviles 
Dentro de la literatura hay varios autores de diferentes países que proponen diferentes 
métodos para contabilizar automóviles con un sistema de visión a partir de imágenes. A 
continuación se comenta los más relevantes dentro de los consultados. En la tabla 2.1.1.1 se 
presenta las diferentes investigaciones consultadas y se menciona los puntos más 
destacados de cada una de ellas. 
Tabla 2.1.1.1 - Investigaciones relevantes y puntos destacados de cada una 15 
Investigación I Puntos destacados de la investigación 
Método de detección para flujo 
vehicular basado en DSP y visión 
computacional 
Método para conteo de vehículos en 
presencio de oclusiones por múltiples 
vehículos en imágenes de tráfico 
• 
• 
• 
• 
Basado en OSP 16. 
Imágenes de un solo carril. 
Funciona en tiempo real. 
Analiza la variación en escala de grises . 
• Cuantifica los automóviles que pasan por el carril en 
cierto tiempo. 
• Certeza del 100% con la base utilizada. 
• Análisis geométrico de las figuras dentro de una 
imagen para encontrar esquinas y diferentes 
contornos. 
• Concluye cuántos coches hay en cada imagen. 
• El sistema se alimenta con objetos previamente 
extraídos del fondo de alguna otra manera que no 
especifican. 
• Distingue automóviles traslapados, siempre y 
cuando estén visibles. 
• La posición de la cámara no tiene que estar cercano 
a los 90º medidos contra la calle como en otros 
sistemas. 
15 Toda la información de la segunda columna fue obtenida de cada una de las investigaciones. En las 
referencias se da la información completa acerca de las investigaciones. 
16 DSP (del inglés "Digital Signa/ Processor") es un sistema de alta velocidad comprendido por hardware 
(Procesador, entradas y salidas, puertos para expandir el hardware); es programable, y es recomendado 
para aplicaciones que requieren trabajar en tiempo real. 
9 
ITESM CCM MCI 
1 
Imestigación 
1 
Puntos destacados de la investigación 
Sistema de conteo vehicular en tiempo • Cámara colocada en un punto relativamente alto. 
real basado en video usando un • Cuenta automóviles. 
método adoptivo del fondo • El algoritmo es adaptable a cambios en el fondo de 
la imagen. 
• Elimina sombras con un método Gaussiano basado 
en colores HSV. 
Sistema de conteo vehicular • Solución completa para contar automóviles . 
automático para supervisión de tráfico • El sistema consta de un DSP que adquiere las 
imágenes, las procesa y entrega resultados a una 
computadora remota. 
• Los resultados pueden ser consultados o utilizados 
para una intervención en señales de tránsito. 
• Cumple con requerimientos estrictos de tiempo 
para aplicaciones prácticas. 
• Los resultados son buenos con escenas tomadas de 
tráfico real. 
Método de segmentación basado en • El método se concentra principalmente en 
HMM para monitoreo de películas de segmentar de una imagen el fondo, las sombras y el 
tráfico frente. 
• Se basa en Modelos Ocultos de Markov para 
remover las sombras en las imágenes. 
• Se compone de dos fases principales: aprendizaje y 
segmentación. 
• Los resultados mostrados son buenos; sin embargo, 
las sombras que remueve son únicamente las que 
están presentes en el fondo, no las generadas por 
los automóviles. 
Método integrador basado en video • El método propuesto se fundamente en substraer el 
para extracción de parámetro de fondo de cada imagen y la detección de bordes. 
tráfico en ITS • Se puede detectar automóviles y negar sombras . 
• La información se puede utilizar para obtener 
diferentes parámetros del tráfico, como conteo 
vehicular, clasificación, estimación de velocidad y 
seguimiento. 
Análisis de secuencias de imágenes de • Los autores logran contar automóviles a través de 
calle para conteo vehicular imágenes partiendo de un análisis de la estructura 
de la calle y la velocidad de los coches. 
• Se usa zonas preferidas dentro de cada imagen para 
realizar el procesamiento; de esta forma, se elimina 
zonas que no son relevantes. 
10 
ITESM CCM MCI 
Investigación 
1 
Puntos destacados dela im cstigación 
Sistema de monitoreo automático • Se presenta un algoritmo para extraer parámetros 
diurno para control y monitoreo de de los vehículos presentes en una imagen con el fin 
trófico de saber si se trata de carros o camiones. 
• El método contempla la eliminación de las sombras 
originadas por los transportes; esto se logra 
mediante una transformación lop-hat 17 y 
operadores morfológicos. 
• Se realizó pruebas con imágenes de día en vías 
reales y los resultados fueron buenos. 
Sistema de monitoreo de trófico • Se presenta una novedosa forma para obtener 
automático para rastreo y clasificación diferentes parámetros de tráfico partiendo de 
de vehículos imágenes que contienen vehículos. 
• Para hacer la extracción de información relevante, 
se analiza primero las líneas de la calle; a 
continuación se utiliza estos datos para detectar los 
objetos del frente de la imagen y remover toda 
sombra que implique ruido en la imagen, 
incluyendo las sombras de los carros. 
• Se propone un clasificador para categorizar a todos 
los vehículos encontrados en diferentes grupos. 
• Los resultados muestran robustez y exactitud . 
Conteo automático de vehículos a • Se presenta un método en el que se utiliza la 
partir de video para análisis del flujo geometría de la escena para realizar el análisis de 
vehicular conteo. 
• La posición de la cámara es muy relevante, ya que la 
extracción de información de las imágenes depende 
de la distancia entre los automóviles y la cámara. La 
cercanía o lejanía resultan en un mayor o menor 
tamaño de los objetos. 
• Además de la geometría, los autores realizan una 
substracción adaptable del fondo y filtros de 
Kalman para la detección y seguimiento vehicular. 
----
Extracción de información de trófico de • Se presenta un método llamado ciclo inductivo 
imágenes en DEIS virtual para detectar y contar automóviles en una 
imagen. 
• Se basa en el análisis de pequeñas ventanas, 
realizando la diferencia entre un fondo actualizado 
y la imagen que se desea analizar. El resultado de la 
operación es el frente de la imagen que contiene 
vehículos. 
• Es un método simple, que posiblemente tenga 
problemas en la presencia de sombras. 
17 Esta transformación extrae detalles brillantes en presencia de sombras. 
11 
ITESM CCM MCI 
Investigación 1 Puntos destacados de la im estigación 
1 
Método inteligente de conteo de • Se explica cómo extraer información vehicular de 
vehículos basado en análisis de imágenes y cómo seguir vehículos en una secuencia. 
manchas en vigilancia de tráfico • La extracción se basa en la resta de una imagen de 
fondo y una que contenga objetos en movimiento. 
• La imagen de fondo se actualiza con cada análisis 
realizado. 
• El seguimiento de coches se logra restando dos 
imágenes con movimiento con una diferencia de 
tiempo mínima entre las dos. 
Uso de e/osificación de objetos poro • El método presentado explota métricas de los 
mejorar el sistema de monitoreo de objetos que no implican gran utilización de 
tráfico urbano procesamiento computacional para obtener 
resultados en tiempo real. 
• El algoritmo utilizado logra clasificar objetos en 
vehículos o personas con una certeza mayor al 90%. 
• La información obtenida puede servir para contar 
objetos y medición de velocidad promedio. 
Detección y conteo de vehículos • Este método está diseñado para contar automóviles 
usando lo información de los foros en en la oscuridad. 
ambiente oscuro • Estos cuatro autores realizan un análisis de la 
iluminación en la calle generada por la luz de los 
focos delanteros de los coches. Con esta 
información logran evaluar la posición de los 
vehículos y pueden eliminar posibles sombras y 
regiones brillantes que no son objetos a 
contabilizar. 
• Este método puede llegar a una certeza del 90% . 
Detección y conteo usando el flujo del • Se explora diferentes formas de detectar 
tráfico en tiempo real a través de automóviles en imágenes que cumplan con la 
técnicos diferencio/es y evaluación de restricción de tiempo real basados en diferencias. 
desempeño • Los métodos utilizados se realizaron con la 
herramienta Matlab, misma que se utilizará en la 
presente tesis. 
• Los resultados obtenidos en el artículo presumen 
tener una certeza cercana al 95%. 
12 
ITESM CCM MCI 
1 
Investigación I Puntos destacados de la innstigación 
Detección y conteo de vehículos a 
partir de cuadros de video 
Sensor para monitoreo de tráfico en 
calles basado en visión 
• Este método propone cuatro simples pasos para 
contar automóviles en una secuencia de imágenes: 
o 1) obtención de la imagen 
o 2) análisis de la imagen 
o 3) detección de objetos y conteo 
o 4) mostrar los resultados 
• Para el paso 3 se utiliza la diferencia entre una 
imagen del fondo y una que contiene objetos en 
movimiento de la misma escena. La diferencia entre 
ambas resulta en los objetos en movimiento. Lo que 
sigue es contar estos objetos en movimiento. 
• Se presenta un método genérico para la detección 
de vehículos basándose en el análisis espacia I de 
correspondencia. 
• El resultado del procesamiento genera información 
valiosa como posición, orientación y dimensiones. 
• Con estos datos logran posteriormente determinar 
la velocidad y trayectoria de los vehículos. 
• También se destaca las bondades de un sistema de 
visión sobre los sensores comúnmente utilizados 
con fines de análisis de flujo vehicular. 
2.2 Investigaciones relacionadas 
Además de los artículos que tratan directamente el tema de contar automóviles en 
imágenes, también hay otros relacionados con esta investigación y pudieran servir para 
algunos de los componentes del desarrollo que se hará. A continuación se hace un resumen 
de los aspectos más relevantes de cada una de las consultas. La infom1ación que se 
comentará se extrajo directamente de cada una de las fuentes detalladas en la sección de 
rctcrencias, pero se expresa con palabras propias. 
Método de eliminación de sombras para análisis vehicular 
Este artículo se enfoca en la eliminación de sombras en una escena con vehículos en 
movimiento. Particu lannente. las sombras generadas por los coches son las que se logra 
eliminar con base en un análisis de las líneas que dividen los carriles. Lo novedoso de este 
desarrollo es que no se usa la intensidad de los píxclcs para detectar las sombras. sino la 
geometría. Los resultados muestran que aproximadamente el 92% de las sombras puede ser 
eliminado. De esta manera, el análisis vehicular es mucho más limpio, fácil y exacto al 
tener imágenes más rea les de los automóviles. 
13 
ITESM CCM MCI 
Detección y eliminación de sombras en imágenes de tráfico 
Los autores desarrollaron un método para eliminar sombras de diferentes objetos. Lo 
peculiar de este artículo es que intenta eliminar únicamente las sombras reflejadas en el 
piso, sin perder aquellas regiones del objeto que contengan sombras. De esta manera, la 
forma del objeto prevalece muy cercana a la realidad. Para detectar las sombras se utiliza le 
medición de la intensidad; se continúa el análisis con la determinación de la ubicación y 
dirección de la sombra; posteriormente se procede a colocar puntos relevantes dentro de la 
imagen y, así, eliminar las regiones no pertenecientes al objeto y que son sombra del 
mismo. Se presupone que hubo una extracción previa del frente de la imagen, con la que se 
trabaja todo lo mencionado; no se especifica cómo se logró esta diferenciación. 
Enfoque de procesamiento de imagines basado en ventanas para el análisis en tiempo real de 
tráfico en la calle 
En este artículo se intenta desarrollar un método para determinar el tamaño de la ventana 
de análisis automático. La razón para hacer esto es por la necesidad de reducir el tiempo de 
cómputo en aplicaciones en tiempo real. En los métodos comunes, el procesamiento de 
imágenes se realiza sobre la escena completa; pero como bien mencionan los autores, sólo 
algunas regiones del cuadro sonde alto interés. Es por esto que se implementó un sistema 
que detennina el tamaño y posición de la ventana automáticamente para aplicar la 
detección de vehículos en únicamente esa región. El tiempo de procesamiento es mucho 
más eficiente de esta manera permitiendo aplicaciones en tiempo real. 
Localización de vehículos cercanos en carreteras durante el día basado en la visión frontal de un 
coche en movimiento 
En este artículo se desarrolla un sistema para detectar vehículos desde un automóvil 
base. El fin de esta investigación es para colocar una cámara en un coche autónomo. de tal 
manera que conozca su alrededor y decida cómo moverse en el espacio. Obviamente. en 
una aplicación como ésta, el análisis debe ser en tiempo real, ya que se debe tomar 
decisiones en fracciones de segundo. El tema es relevante para la presente tesis por el hecho 
de detectar vehículos, pero la posición de la cámara impide tener visibilidad de un área 
grande con el propósito de contar automóviles. 
Conteo de objetos mu/ti-color usando búsqueda activa 
Estos autores presentan un novedoso método para contar objetos en diferentes imágenes 
con base en un análisis de colores. Detem1 inando regiones con características similares en 
14 
ITESM CCM MCI 
cuanto a color, el algoritmo determina si la región es un objeto o no. Las imágenes digitales 
con colores tienen mucha más información por pixel que una en escala de grises. Este 
hecho ocasiona que el procesamiento sea mucho más tardado en las primeras mencionadas. 
Es por esto que los autores desarrollaron una manera de analizar sólo regiones deseadas 
automáticamente. De esta manera, no toda la imagen es analizada, pero sí aquellas partes 
que seguramente contienen objetos. Observando los resultados, se encuentra que el menor 
tiempo de análisis logrado en las diferentes pruebas es mayor a I segundo; es un tiempo 
relativamente grande, considerando una aplicación como la del análisis del flujo vehicular. 
Detección de objetos, sombras y fantasmas en videos explotando información de color y 
movimiento 
En este estudio se desarrolló un método para segmentar una imagen en objetos en 
movimiento y el fondo. El fondo de la imagen se estima continuamente para estar 
actualizado. Los autores también se dieron a la tarea de detectar sombras para su 
eliminación, tanto para una obtención de los objetos más adecuada y una actualización más 
certera del fondo. Para esta supresión se utiliza información de colores en formato HSV. 
Nuevo método para el conteo de objetos en una imagen 
En este artículo se presenta un método para contar objetos en una imagen. El desarrollo 
funciona para cuerpos convexos o cóncavos, alargados o no, con un contorno suave sin 
hoyos, con diferentes longitudes y grueso similar, y en la presencia de oclusiones. El conteo 
de objetos se logra con una certeza de 94%. 
Sistema para detección y conteo de objetos 
Este artículo está muy relacionado con el mostrado en la tabla 2. 1. 1.1 llamado Detección 
y conteo de vehículos "ptlrtir de cuadros de video, escrito también por Pompanomechai y 
otros dos autores. La diferencia radica en que, el antes comentado, es específico para 
vehículos y el presente es más generalizado. Sin embargo, el ejemplo que utilizan en éste 
también es flujo \ehicular. Otra diferencia yace en los pasos para obtener la infom1ación 
dese.1da; anteriom1ente eran 4, ahora son los siguientes 6: I) obtención de la imagen, 2) 
mejoramiento de la imagen, 3) segmentación, 4) análisis, 5) conteo de objetos y 6) reportes. 
El punto 2 es nuevo y los puntos 4 y 5 están unidos en el artículo anterior. 
15 
ITESM CCM MCI 
2.3 Aplicaciones en diferentes países 
Hay muchas ciudades en el mundo que cuentan con infraestructura instalada para poder 
obtener imágenes del flujo vehicular, entre ellas, la Ciudad de México. Sin embargo, el 
acceso a esta información varia de país a país. En el caso de México, sólo los usuarios de la 
compañía telefónica Iusacell pueden hacerlo. En cambio, hay otros países como Alemania o 
Brasil que penniten el acceso a cualquier usuario vía Internet. Empero, el acceso a estas 
cámaras no presenta información digerida, por lo que el usuario debe hacer un análisis y 
tomar una decisión por sí mismo. 
Por otra parte, se encontró una empresa británica llamada Traffic Solutions que ofrece 
un producto de línea que incluye Hardware y Software para cuantificar el flujo vehicular. 
El sistema clasifica los objetos en diferentes grupos y también los sigue desde que entran a 
la escena hasta que salen. El algoritmo patentado analiza más de 5 millones de pixeles por 
minuto y tiene una precisión mayor a 95%. A pesar de parecer un producto con gran 
potencial, no se encontró infomrnción que evidenciara en qué aplicación se está utilizando 
hoy en día. 
2.4 Antecedentes de operaciones morfológicas18 
Las operaciones morfológicas son procesamientos que se Je realiza a las imágenes con el 
fin de modificarlas con base en las fomrns presentes en el cuadro. Los cambios que se 
realiza dependen del resultado deseado. Hay varias funciones utilizadas para un sinfin de 
aplicaciones; para efectos de esta tesis se comentará sólo las relevantes para este trabajo. A 
continuación se describe los siguientes operadores aplicados en imágenes binarias: erosión, 
dilatación y llenado de huecos. 
2.4.1 Erosión y Dilatación 
Para entender estas dos operaciones morfológicas. primero se tiene que explicar lo que 
es un elemento estructural. Se trata de matrices con dimensiones y fonna arbitrarias; todas 
las posiciones de la matriz deben recibir un cero o un uno. a esta combinación de ceros y 
unos se Je llama vecindad. Esta vecindad se utilizará en la erosión y dilatación para hacer 
las modificaciones a la imagen. 
18 Para mayor detalle acerca de operaciones morfológicas se puede consultar cualquier libro con temática de 
visión computacional; incluso la guía de ayuda de Matlab contiene información suficiente para profundizar 
en estos operadores. 
16 
ITESM CCM MCI 
Para la erosión se usa la vecindad para determinar los pixeles en I dentro de la imagen 
analizada que serán cambiados a O. Cada pixel dentro de la imagen se somete al proceso de 
erosión; si su vecindad no es igual que la dctenninada en el elemento estructural, entonces 
el pixel cambiará a O. Los pixeles que tengan una vecindad igual a la del elemento 
estructural pcmrnncccrán con su valor original. En este procedimiento, sólo el pixel 
analizado puede ser cambiado. 
En el caso de la dilatación se usa la vecindad para determinar cómo se verán afectados 
los pixcles que rodean al pixel analizado. Cada pixel dentro de la imagen que esté en 1 se 
analizará y se modificará su vecindad de acuerdo al elemento estructural. En este 
procedimiento, el pixel analizado no se modifica, se cambia su vecindad. 
2.4.2 Llenado de huecos 
Un campo más de los operadores morfológicos es la reconstrucción de imágenes. Una de 
las funciones que contiene es la de llenado de huecos. Este procesamiento se fundamente en 
la conectividad entre pixclcs. La operación dctcmlina si hay conectividad entre una serie de 
pixelcs adyacentes fomrnndo un cuerpo completo (pixcles en 1 ); si ese cuerpo contiene 
dentro de él un área que no fonna parte (pixcles en O), entonces esa región deberá ahora 
pertenecer al cuerpo, por lo que los pixcles cambiarán a 1. 
3 Metodología 
3.1 Objetivo 
Desarrollar un algoritmo adaptable a cambios de iluminación y ruido que cuente 
automóviles partiendo de imágenes tomadas con una cámara fija. El sistema se alimentará 
con imágenes secuenciales y, para cada una de ellas, deberá dar como resultado el número 
de automóviles presentes en la imagen. El conteo de vehículos deberá tener un grado de 
certeza alto (mayor a 90% como se plantea dentro de las hipótesis) y adaptable ante 
cambios en el ambiente. El número determinado por el código podrá ser usado en un futuro 
para diferentesfunciones, como optimizar tiempos de diferentes semáforos en crnces de 
calles, infomrnr a usuarios de coches acerca del tránsito vehicu lar en tiempo real o ayudar 
para tomar decisiones en cuanto a mejoras en las vías. 
17 
ITESM CCM MCI 
3.2 Alcance 
La literatura revela que hay muchas investigaciones abordando el tema de contar 
automóviles en una escena de la calle con un sistema de visión. La presente tesis pretende 
desarrollar un algoritmo distinto a los propuestos por los diferentes autores consultados en 
la investigación literaria. 
El desarrollo se limitará a un algoritmo que cumpla con el objetivo planteado y deberá 
ser probado para comprobar las hipótesis propuestas. Se tendrá que realizar un análisis 
sobre un banco de imágenes para entender cómo están formadas las imágenes de una calle 
que contiene vehículos. Este paso se hará sobre imágenes obtenidas en la Ciudad de 
México examinando texturas, colores (RGB 19 , HSV 20 ), escala de grises, patrones, 
contornos, líneas, sombras, por destacar algunas características. Se hará las pruebas 
definitivas del algoritmo final sobre este banco de imágenes y, si es necesario, se buscará 
obtener otros bancos para obtener más resultados. 
3.3 Preguntas de investigación 
• ¿Qué nivel de efectividad se puede obtener con un sistema de visión que detecta y 
cuenta automóviles partiendo de una imagen de la calle sin importar sombras ni 
ruido? 
• ¿En qué proporción se puede eliminar el ruido ocasionado por las sombras en una 
imagen real de una calle con vehículos? 
• ¿Cómo desarrollar un algoritmo que funcione en tiempo real con restricciones 
estrictas para el análisis de una imagen que contiene vehículos? 
• ¿Cómo desarrollar un algoritmo que se adapte a los cambios climáticos como 
luminosidad, lluvia, obstáculos y algunos otros, sin perder el objetivo de contar 
coches? 
3.4 Hipótesis 
• Se llega a una certeza alta (>95'%) del número de automóviles presentes en una 
imagen con un sistema de visión adecuado con un ambiente que no presenta cambios 
19 RGB (del inglés "Red, Green, 8/ue") es un formato para identificar colores en imágenes digitales. 
20 HSV (del inglés "Hue, Saturation, Va/ue") es un formato para categorizar colores en imágenes digitales. 
18 
ITESM CCM MCI 
a lo largo de toda la secuencia analizada. La certeza se detem1inar para cada imagen 
Ut,·1,·zando la · · . , (Cantidad de coches contados por algoritmo) s1gmente ecuae1on: 
Cantidad de coches reales 
el 
denominador se tiene que calcular manualmente. 
• El ruido presente en las imágenes se elimina sin perjudicar seriamente la exactitud en 
la determinación del número de vehículos presentes en la imagen; en este sentido, la 
certeza debe ser mayor a 90% en la presencia de ruido. 
• El algoritmo funciona en tiempo real estricto; se propone que el límite de entrega de 
resultados sea como máximo 10 segundos. 
• El algoritmo se adapta a los cambios del fondo de la imagen sin perjudicar el conteo 
de coches después de un periodo de transición. En cada imagen analizada debe haber 
un proceso de adaptación. 
3.5 Justificación 
La idea de desarrollar este terna de tes is surge de la urgencia que hay en nuestra e iudad 
por una mejora en el tránsito vehicular que se vive día a día. Las calles se saturan en horas 
pico diariamente; ante esta situación hay pocos sistemas que ayuden a contrarrestar este 
caos vial. El sistema de visión que se desarrollará podrá ser utilizado para alimentar a un 
sistema de optimización de flujo vehicular para sincronizar semáforos en diferentes ernces 
de la ciudad, infomiar a los automovilistas o mejorar diferentes vías con base en la 
infom1ación obtenida. 
La combinación del sistema de visión con el de optimización de flujo podrá mejorar las 
condiciones de tránsito caóticas que vivimos en la Ciudad de México. La información 
ayudará a los usuarios de coches a tomar mejores decisiones sobre sus rntas electas. El 
análisis de los datos recabados ayudará a mejorar vías que resulten críticas, como cuellos de 
botella. 
Este sistema se vuelve entonces en una contribución para esta ciudad; de aquí se podrá 
exportar a otras ciudades del país. y también se podría llevar a otros países. Esto genera una 
motivación extra para el desarrollo del tema; no sólo se contribuirá a la Ingeniería, también 
se ayudará al país. 
19 
ITESM CCM MCI 
Por otra parte, este algoritmo se podría utilizar en otras aplicaciones. Por ejemplo, un 
estacionamiento inteligente podría requerir de un sistema de visión que cuente los vehículos 
dentro de él para un mejor control de lugares. También se podría utilizar para hacer 
estudios sobre flujo vehicular en diferentes vías. 
La especialidad de la Maestría que se desea obtener es Robótica, contenida dentro la 
Mecatrónica. Un sistema de visión es fundamental para varias aplicaciones robóticas. Se 
convierte en los ojos, es el sensor para que un robot adquiera el conocimiento necesario 
sobre lo que lo rodea. En este caso, este conocimiento se podría utilizar para controlar 
semáforos. Entonces, partiendo de las partes fundamentales de un sistema mccatrónico 
(sensor, cerebro y actuador), el sistema de visión fungirá como el sensor, el sistema de 
optimización de flujo como el cerebro y los semáforos como los actuadores. Por lo tanto. el 
algoritmo de visión será una de las partes fundamentales del sistema mecatrónico completo 
para el control de flujo. 
Finalmente, un algoritmo como el que se pretende desarrollar podría tener vanos 
interesados. Para empezar, el gobierno del Distrito Federal debe estar a la expectativa de 
conocer alternativas para la mejora de la situación de tránsito que impera en esta ciudad. 
También habrá empresas que puedan utilizar un sistema como éste para alguna aplicación 
industrial en la que se requiera exactitud en el conteo de automóviles u otros objetos. 
Entonces, este interés podría convertirse en posibles financiamientos, acuerdos, compra de 
patente, entre otros. 
3.6 Estrategia de investigación 
Para cumplir con el objetivo y poner a prueba las hipótesis planteadas se seguirá los 
siguientes pasos, cada uno se comentará en la sección de resultados: 
1) Obtención de imágenes / videos tomados a una vía real 
2) Análisis exhaustivo de las imágenes 
3) Lluvia de ideas para la selección de los módulos del algoritmo 
4) Determinación de pros y contras de las diferentes ideas 
20 
ITESM CCM MCI 
5) Diseño 
6) Desarrollo del algoritmo 
7) Pruebas iniciales con el algoritmo preliminar 
8) Mejoras al algoritmo con base en las pruebas iniciales 
9) Pruebas finales con el algoritmo definitivo 
4 Resultados 
4.1 Resumen resultados 
En esta sección se resumirá lo obtenido en cada uno de los pasos planteados en la 
estrategia de la investigación: 
4.1.1 Obtención de imágenes/ videos tomados a una vía real 
Se decidió buscar una estructura alta sobre alguna calle que pennitiera capturar videos 
con un ángulo cercano a 90º contra la calle como lo muestra la figura 4.1.1. l. El ángulo es 
importante para evitar que los coches se traslapen entre sí dentro de la imagen. Un ángulo 
lejano a los 90º puede dar como resultado dos o más coches unidos en la imagen, ta I como 
lo muestra la figura 4.1.1.2. Para el ojo humano es sencillo saber cuántos coches hay en la 
imagen, pero para un algoritmo sencillo que no consuma mucho tiempo de procesamiento 
dificilmente se puede separar y detectar como dos objetos diferentes objetos unidos corno 
los dos coches de la imagen. 
21 
ITESM CCM MCI 
Figura 4.1.1.1 -Ángulo entre posición de cámara y calle 
... 
Figura 4.1.1.2 - Imagen con coches traslapados (la camioneta gris y el coche blanco que está 
detrás están unidos) 
Además del ángulo, la altura debía ser suficiente para capturar todos los carriles de la 
calle y tener espacio suficiente en el sentido del flujo vehicular para capturar vehículos 
largos (camiones) completos como se muestra en las figuras4.1. l.3 y 4.1.1 .4. 
22 
ITESM CCM MCI 
Figura 4.1.1.3 - Campo de visión recomendado esquemático 
Figura 4.1.1.4 - Campo de visión recomendado imagen real 
Se encontró un puente suficientemente alto que cumpliera con los criterios de altura y 
ángulo sobre Periférico a la altura de la bandera de San Jerónimo, la figura 4.1. 1.5 muestra 
el puente utilizado y el mapa con la ubicación. La gran mayoría de las secuencias utilizadas 
23 
ITESM CCM MCI 
en este trabajo fueron tomadas sobre este puente. También se grabó en el estacionamiento 
del TEC-CCM para evaluar el algoritmo con un escenario completamente diferente. 
tn,~per-óeric,.a 
. l!I Balilr Norte 
lr~~r·~r-r:,., 
s.,r ~~l'Tlr;•I"\ 
1n::,eper;:1er.c.,., 
Ba!af'I Sur 
./ 
i' 
t ., ... 
~ _t ~ .. / 
Figura 4.1.1.5 - Puente utilizado para la toma de videos21 
4.1.2 Análisis exhaustivo de las imágenes. 
Se llevó a cabo un análisis cualitativo sobre algunas de las imágenes obtenidas. Los 
principales hallazgos fueron: 
• Hay factores ambientales dentro de periodos cortos que pudieran llegar a afectar el 
conteo exacto de coches, como: cambios de iluminación, desplazamiento de sombras 
de objetos fijos, movimiento pequeño de la cámara. 
• Hay factores inherentes a los coches en movimiento que pueden afectar el conteo, 
como: sombras de coches en movimiento, reflejo de coches brillantes sobre la calle, 
diferentes tonalidades en un mismo coche derivadas de sombras o reflejos en el chasis 
o vidrios. 
• La calle presenta diferentes tonalidades, incluso, sm la afectación por sombras. 
Algunas manchas y las rallas divisoras de carriles tienen colores muy distintos a los 
21 Imágenes obtenidas de Google Maps (Coordenadas 19.332162,-99.210234) 
24 
ITESM CCM MCI 
de la calle. Se puede observar estos detalles en las imágenes de los dos sentidos de la 
calle presentados en la figura 4.1.2.1 
Figura 4.1.2.1 - Manchas, rallas y diferentes tonalidades en la calle seleccionada (izquierda: 
tramo norte a sur; derecha: tramo sur a norte) 
4.1.3 Lluvia de ideas para la selección de los módulos del algoritmo y_ 
4.1.4 Determinación de pros y contras de las diferentes ideas 
Después del análisis cualitativo se procedió con una lluvia de ideas como propuestas 
para componer los módulos del algoritmo. Entre éstas destacan: 
• Testigo para eliminación de sombras: tener un objeto testigo (poste, banqueta, 
árbol...) para medir el ángulo entre objeto y sombra y distancia de la sombra, para 
después eliminarla de los coches identificados proporcionalmente a su tamaño. 
o Pros: se conocería exactamente cuál es el comportamiento de la sombra. 
o Contras: los coches tienen que estar completamente separados, al igual que sus 
sombras. 
• Conteo de coches a partir de detección de bordes: detectar bordes en todas las figuras 
presentes y comparar contra una imagen base sin objetos en movimiento; la 
diferencia dará como resultado los objetos que están en movimiento. 
o Pros: se podría realizar en imágenes en escala de grises y tener un procesamiento 
rápido. 
o Contras: las sombras de los coches en movimiento generarían bordes y no podrán 
ser identificadas y eliminadas. 
• Caracterización automática del color de la calle (sombra y no sombra): Caracterizar 
dentro de alguno de los tres parámetros de un pixel con color el color de la calle sin 
25 
ITESM CCM MCI 
importar que esté soleado o con sombra; utilizar este parámetro para discriminar el 
fondo. 
o Pros: se eliminaría el ruido ocasionado por cualquier tipo de sombra. 
o Contras: coches que tengan colores dentro de esta caracterización serían 
considerados como calle. 
• Eliminación de Colores recurrentes: Adaptación de fondo con memoria de colores 
más recurrentes en cierto periodo; identificar a lo largo de varias imágenes los colores 
más recurrentes que deberán ser el fondo. Discriminar todos los pixclcs que estén 
dentro de estos colores y así obtener objetos en movimiento. Las sombras son 
recurrentes, por lo que deberán ser discriminadas. 
o Pros: se eliminaría el ruido ocasionado por cualquier tipo de sombra. 
o Contras: coches que tengan colores dentro de esta caracterización serían 
considerados como calle. 
• Caracterización manual del fondo: Caracterización de color de calle manual con base 
en muestras de varios escenarios. 
o Pros: fácilmente se puede determinar las regiones que son calle y grabarlas 
manualmente en un mapa de colores. 
o Contras: al ser manual, la determinación del mapa se tendría que hacer para cada 
diferente escenario y sería poco flex iblc. 
• Alguna combinación de las diferentes ideas. 
4.1.5 Diseño 
La idea seleccionada fue la caracterización automática de la calle. Esta decisión se 
fundamentó en: I) el potencial previsto en el análisis cualitativo referente a la extracción de 
infonnación de colores reales y su utilización para detectar movimiento y eliminar sombras. 
2) contempla un algoritmo automático y 3) cada pixel será caracterizado (no funcionará con 
mapas de colores generales para todos los pixclcs). 
Este último punto es relevante comentarlo: la idea de eliminar colores recurrentes 
contempla la utilización de un mapa de colores que contenga los colores del fondo y todos 
los pixclcs serán comparados contra el mapa; en caso de que el mapa contenga colores 
iguales a los de algún automóvil, el coche no será detectado. Este caso se puede ciar 
26 
ITESM CCM MCI 
fácihnente en ambientes no controlados donde hay variaciones significativas por regiones 
dentro de la misma imagen. En cambio, un análisis pixel por pixel con caracterización 
propia elimina el problema de las variaciones por región. 
Después de seleccionar trabajar con colores, se procedió a analizar brevemente dos 
diferentes formatos existentes: RGB y HSV. El primero y más utilizado se puede describir 
visualmente con un cubo como el mostrado en la figura 4.1. 5.1; bajo este mapa, cada pixel 
recibe tres valores: rojo, verde y azul (del inglés: "Red", "Green", "Blue"); la combinación 
de éstos dará un resultado determinado por las coordenadas en el cubo. El espacio de 
colores HSV utiliza un cono para ser visualizado como el mostrado en la figura 4.1.5.2; al 
igual que en RGB, cada pixel se compone de tres valores, pero en este espacio son: Matiz, 
Saturación y Valor (del inglés: "Hue", "Saturation", "Yalue"). 
B 
Figura 4.1.5.1 - Cubo RGB22 
Wh11t: 
1155.155.15'.') 
22 Figura tomada de la guía de usuario de Matlab, para mayor detalle ver referencias. 
27 
ITESM CCM MCI 
Hue 
Figura 4.1.5.2 - Cono HSV23 
Se decidió trabajar con HSV bajo el siguiente racional: para hacer caracterizaciones para 
cada pixel y poder comparar con el pixel de la imagen subsecuente y determinar si es 
movimiento o no, en ROB posiblemente se tendría que evaluar los 3 valores de cada pixel, 
ya que se puede dar el caso en que en R y O los valores coincidan, mientras que en B no, 
por dar una combinación. En cambio, en el espacio HSV posiblemente se pudiera trabajar 
en uno o dos de los valores, no necesariamente en los tres, ya que uno de los valores puede 
ser suficiente para determinar si es movimiento o no. Se corrió una prueba sencilla para 
entender si este razonamiento podía llegar a ser cierto; se evaluó tres zonas diferentes de la 
imagen mostrada en la figura 4.1.5.3: 1) coche rojo, 2) sombra generada por coche y 3) 
zona soleada. De la tabla mostrada en la misma figura se destaca lo siguiente: 
• La diferencia entre las zonas a y b son significativas en todos los valores de ROB y 
HSV. 
• La diferencia entre las zonas by c son significativas en todos los valores de ROB; sin 
embargo, los valores en S de HSV no varían significativamente entre las dos zonas. 
De aquí se puede inferir que S mantiene información de la calle a pesar de tener o no 
23 Ibídem. 
28 
ITESM CCM MCI 
tener sombra, mientras que sí varía significativamente cuando se trata del color del 
carro. 
• Se concluye grosso modoque en RGB la información de los tres valores por pixel 
varía y probablemente sea necesario usar a todos; mientras que en HSV, el 
comportamiento de S vislumbra que se pueda prescindir de algún valor por pixel. 
Valor a b e 
R 0.58736 0.58715 0.60969 
G 0.59259 0.61264 0.63061 
B 0.66187 0.67538 0.7012 
H 0.65736 0.61858 0.62837 
s 0.11848 0.13067 0.13048 
V 0.66187 0.67538 0.7012 
Figura 4.1.5.3 - Comparación valores RGB contra HSV 
Analizar uno o dos valores por cada pixel en lugar de los tres dará como resultado menor 
tiempo de procesamiento, lo cual ayudaría a reducir el tiempo de procesamiento. Para 
efectos de esta tesis, no se comprobará si en formato RGB se tiene que usar los tres valores 
o si se pudiera usar dos o uno; sólo habrá foco en el formato HSV y se comprobará si con 
uno o dos valores por pixel se puede tener suficiente información para cuantificar con 
exactitud los coches. 
Para la detección de movimiento en imágenes consecutivas se usa comúnmente el 
método de comparación entre imágenes. Una simple resta entre dos imágenes consecutivas 
entregará como resultado valores diferentes de O en donde hubo movimiento y O donde no 
lo hubo; esto, asumiendo que el fondo de la imagen permanece igual entre las dos 
imágenes. En ambientes no controlados, esta comparación no puede ser tan sencilla, ya que 
29 
ITESM CCM MCI 
el fondo sufre cambios entre imágenes consecutivas; a pesar de la complejidad intrínseca de 
un ambiente cambiante, el concepto de comparación se usará para la detección de 
movimiento en esta tesis. 
La comparación se deberá hacer contra una imagen que no contiene movimiento, a ésta 
se llama imagen base. Esta imagen debe contener únicamente el fondo de la escena; para el 
caso de la calle, no debe contener objetos que se muevan a lo largo de una secuencia larga. 
La imagen base se deberá actualizar con el tiempo para adaptarse a cambios en el fondo. 
Se pretende tener una imagen base muy limpia que represente fielmente el fondo; sin 
embargo, se anticipa que, por la naturaleza de un ambiente cambiante, la imagen base 
tendrá pequeñas diferencias contra el fondo real de la imagen que se está sometiendo a 
conteo de coches. En la figura 4.1.5.4 se muestra dos imágenes consecutivas sin 
movimiento con sólo un segundo de diferencia entre las tomas. A simple vista, no se puede 
apreciar diferencias; sin embargo, realizando un análisis profundo pixel por pixel se 
comprobará que hay diferencias que generan ruido. (Nota: en este ejemplo se toma la 
primera imagen como la imagen base y la segunda como la imagen analizada para detectar 
movimiento; esta imagen base cumple con el hecho de no contener movimiento). 
Figura 4.1.5.4- Imágenes consecutivas sin movimiento (un segundo de diferencia entre las dos) 
Para corroborar la existencia de ruido se hizo una comparación pixel por pixel en los tres 
valores del mapa HSV. En la figura 4.1.5.5 se muestra lo siguiente en términos de los 
valores de V: 
30 
ITESM CCM MCI 
• Arriba izquierda: imagen en escala de grises con los valores absolutos de la diferencia 
entre las dos imágenes de la figura 4.1.5.4. Se observa una imagen muy oscura. por lo 
que las diferencias son pequeñas; pero sí se observa que hay regiones menos oscuras 
que otras. 
• Arriba derecha: histograma de los valores de la imagen de la izquierda. Se aprecia 
que la mayor parte de los valores están en O y valores muy cercanos a O. Se calculó el 
valor máximo, éste fue de O. 1059. 
• Abajo izquierda: se ajustó el rango de la imagen de arriba, de tal manera que O y 
0.1059 de la imagen original equivalen a O y I respectivamente. El resultado de este 
ajuste es la imagen mostrada. Se aprecia que hay mucho ruido resultante de las 
pequeñas diferencias. 
• Abajo derecha: histograma de la imagen con el rango ajustado. 
Figura 4.1.5.5 - lnw,qen con movimiento detectado e histograma de V (arriba: datos ori_qina/es; 
ahajo: rango ajustado) 
Partiendo del ejemrlo en la figura 4.1.5.5 se concluye que hay ruido involucrado en el 
método de comraración en lénninos de V. Esle mismo anúlisis se realizó en tém1 inos de los 
31 
ITESM CCM MCI 
valores H y S, se observó que el comportamiento es similar por lo que se omite la 
presentación de las figuras respectivas. 
Las pequeñas diferencias entre dos imágenes consecutivas que no presentan movimiento 
generan ruido. La imagen base se generará a partir de imágenes anteriores a la analizada 
para conteo, por Jo que, seguramente, habrá también ruido en las comparaciones. Este 
agraviante en el análisis de imágenes se puede minimizar o eliminar utilizando filtros. 
El ruido presente en la figura 4.1.5.5 no tiene patrones claros ni ocupa grandes regiones 
completamente unidas; se asimila al ruido llamado "Sal y Pimienta". El filtro más 
apropiado para eliminar este tipo de ruido es erosionar. Para este caso, se busca eliminar 
pequeñas regiones o pixeles que pudieran calificar como movimiento, cuando en realidad 
no lo son. Se debe definir un elemento estructural acorde a las características del ruido. El 
área del elemento debe ser suficientemente grande para que elimine las regiones generadas 
por ruido, pero también suficientemente chica para que no elimine tanta infonnación del 
movimiento ocasionado por objetos que sí son movimiento. Es importante tener en mente 
que el filtro hará efecto sobre todo el movimiento detectado, sin importar si es mido o un 
objeto intruso. 
Se observó que la mayor parte de las regiones de ruido completamente unidas ocupan 
áreas pequeñas, menores a 3 pixeles de largo o de ancho. Es por esto que se definió aplicar 
la erosión con un elemento estructural cuadrado con un área de 3 x 3 pixeles 2. La figura 
4.1.5.6 presenta los siguientes cuadros: 
• Izquierda: imagen binaria de la imagen de la figura 4.1.5.5 con el rango ajustado. La 
matriz presenta 8905 pixeles en blanco. 
• Derecha: imagen resultante después de someter la imagen de la izquierda al filtro de 
erosión con el elemento estructural 3 x 3. La matriz presenta 152 pixeles en blanco. 
32 
ITESM CCM MCI 
Figura 4.1.5.6 - Imagen con ruido (izquierda) e imagen después de erosión (derecho) 
De la figura 4.1.5.6 se rescata que sólo el 1.7% del ruido se mantiene después de aplicar 
el filtro de erosión: se elimina en gran medida el ruido. El algoritmo completo para el 
conteo de coches deberá trabajar con un método de comparación más complejo y con más 
criterios que el utilizado para esta demostración: se anticipa que el ruido en la imagen que 
será sometida a erosión sea menor, ya que los criterios de comparación deberán filtrar gran 
parte del ruido. 
A pesar de poder minimizar el ruido adecuadamente, el filtro utilizado afecta también a 
regiones más grandes de movimiento. No las elimina, pero sí las reduce en tamaño. La 
figura 4.1.5. 7 presenta los siguientes cuadros: 
• Arriba izquierda: imagen sin movimiento. se toma como imagen hase. 
• Arriba derecha: imagen dos segundos después a la imagen de la izquierda. Presenta 
un coche que claramente debe ser considerado como movimiento. 
• Mitad izquierda: imagen con diferencia absoluta de imagen hase contra imagen con 
coche: se aprecia que las regiones con mayor discrepancia son las que ocupan las 
áreas blancas del carro y parte de la sombra que éste genera. Se observa ;1reas lejanas 
al automóvil que presentan grises oscuros: estas regiones son consideradas como 
ruido. 
• Mitad derecha: irnagen con el rango ajustado llc\ando el rnúxirno \alor de la imagen 
anterior a 1. En esta 1rnagen se aprecia rnús claramente lo explicado en el punto 
anterior. 
33 
ITESM CCM MCI 
• Abajo izquierda: imagen binaria considerando el rango ajustado. Es importante 
destacar que el ruido en grises oscuros desaparece en este cuadro. Esto se debe a que 
el método para convertir en imagen binaria considera un umbral a partir del 
histograma para calificar como 1 o O; en este caso, el umbralpara calificar como 1 
está calculado con los valores cercanos o iguales a l de la imagen anterior; los valores 
de las regiones oscuras no están cercanos a 1, por lo que son considerados como O. 
• Abajo derecha: imagen binaria después del filtro de erosión con elemento estructural 
3 x 3. Se observa claramente que el área del coche disminuyó con respecto a la 
imagen antes del filtro. Esto puede convertirse en un problema durante el proceso de 
cuantificación de elementos en movimiento dentro de la imagen, ya que, de no estar 
unidas regiones de un mismo objeto, las áreas que ocupen serán consideradas como 
objetos diferentes. En este ejemplo se observa que hay varias áreas no unidas 
pertenecientes al mismo coche; el método de cuantificación las detectaría como 
diferentes objetos. 
34 
ITESM CCM MCI 
Figura 4.1.5. 7 - J\plicación de erosión a una imagen con movimiento generado por un coche 
El problema de separación de regiones de un mismo objeto ocasionado por la erosión se 
puede eliminar con una dilatación posterior. Se le llama apertura a esta combinación de 
filtros en ese orden. Este método contempla el uso de la erosión para eliminar objetos no 
deseados y la dilatación para el restablecimiento de los objetos que sí se desea conservar; el 
elemento estructural utilizado es el mismo para las dos etapas. 
35 
ITESM CCM MCI 
Se aplicó el método de apertura al ejemplo de la figura 4.1.5.7. El cuadro derecho de la 
figura 4.1.5.8 muestra el resultado. Se aprecia claramente que el área en blanco crece y que 
algunas áreas que estaban separadas ahora están unidas (ver detalle marcado), comparando 
contra la imagen erosionada (cuadro izquierdo). 
Figura 4.1.5.8- Comparación entre erosión y apertura/ detalle: objeto unido en apertura 
(izquierda: erosión; derecha: apertura) 
A pesar de unir con la apertura algunas regiones que pertenecen al mismo cuerpo. hay 
algunas que siguen separadas. Es por esto que se propuso aplicar la el ilatación posterior a la 
erosión con un elemento estructural diferente: se decidió usar un cuadrado de 8 x 8 pixcles2, 
con el fin de unir todas las áreas del mismo objeto. El resultado de la erosión de 3 x 3 
seguida por la dilatación de 8 x 8 se muestra en el cuadro izquierdo de la figura 4.1.5. 9. Se 
aprecia claramente que todas las regiones pertenecientes al coche cstún completamente 
unidas. esto permitirá cuantificar acertadamente. 
Por otro lado. en el mismo cuadro izquierdo de la figura 4.1.5.9 se aprecia que hay áreas 
del carro que no se identificó como movimiento. Estas secciones son parte del \ehículo y 
así deben ser identificadas. Es por esto que se plantea utilizar la operación morfológica de 
llenado de huecos. Ésta contempla que, cualquier úrea en ceros rodeada completamente por 
unos. obtendr{1 valor de I en todos sus pixeles . El resultado de esta operación se obsena en 
el cuadro derecho de la misma figura : se aprecia que el objeto identificado como 
movimiento cubre una sola región, completamente unida y sin huecos. 
36 
ITESM CCM MCI 
Figura 4.1.5.9 - Erosión 3 x 3 seguida por Dilatación 8 x 8 (izquierda)/ llenado de huecos 
(derecha) 
4.1.6 Desarrollo del algoritmo 
Después de analizar las imágenes cualitativamente y seleccionar la idea, se procedió a 
determinar los componentes necesarios del algoritmo y los métodos que se usaría para 
detectar los coches. Esto dio como resultado los siguientes bloques: 
a. Se requiere una imagen base sin movimiento que servirá para comparar imágenes 
subsecuentes en las que se intentará detectar coches. Esta base se puede obtener de dos 
maneras: 1) buscando una imagen sin movimiento y 2) constrnirla a pan ir de varias 
imágenes con movimiento eliminando el movimiento. Ya que se trata de un ambiente no 
controlado en el que puede darse el caso de siempre contar con movimiento, se decidió 
proceder con la segunda opción. Se desarrolló un algoritmo para generar un fondo sin 
movimiento a partir de imágenes con movimiento con base en la media por pixel a lo 
largo de varias imágenes. 
b. El movimiento de las imágenes analizadas para conteo de coches se determinará 
evaluando las fotos en cuestión contra la imagen base generada en el bloque anterior. Se 
requiere que la imagen base sea una fiel representación de la escena sin movimiento, ele 
tal manera que la diferencia entre la base y la imagen analizada para conteo represente 
únicamente el movimiento de la imagen analizada. Si la imagen base tuviera 
movimiento, entonces la diferencia entre ésta y la imagen analizada para conteo 
mostraría este movimiento como movimiento dentro de la imagen analizada. 
37 
ITESM CCM MCI 
Se usará la imagen base sin movimiento para ser comparada con la imagen subsecuente 
con una resta por pixel considerando una tolerancia; todos los valores absolutos que sean 
mayores a la tolerancia absoluta serán considerados como movimiento. Se debe tener un 
manejo especial para las sombras ocasionadas por movimiento, ya que resultarán en 
movimiento y deberán ser eliminadas. Se pretende usar filtros de erosión y dilatación 
para eliminar ruido, además de utilizar el área que ocupan los objetos en movimiento 
para que califiquen como vehículos de acuerdo a un área mínima que se determinará 
manualmente detectando el coche más pequeño; el área mínima variará de acuerdo a los 
diferentes escenarios analizados. 
c. Deberá haber una adaptación de la imagen base a cambios paulatinos o disruptivos en el 
ambiente. Bajo cambios paulatinos se contempla cambios de iluminación naturales. Bajo 
cambios disruptivos se contempla objetos intrusos que entran en la escena y se 
establecen en algún punto dentro del área de análisis permaneciendo suficiente tiempo 
estáticos, como para que deban ser considerados como parte de la imagen base sin 
movimiento (coches descompuestos, basura, señalización de tránsito). 
Para los tres bloques se contempla la utilización de la metodología Región de Interés 
(del inglés ROi "Region of Interest") para eliminar las áreas que, de antemano, se sabe que 
no contendrán coches (banquetas, camellones ... ). Esto permitirá ahorro en tiempo de 
procesamiento. La figura 4.1.6.1 muestra la segmentación del área interés de la de no 
interés en una imagen de las bases de datos utilizadas 
Figura 4.1.6.1 - Segmentación de imagen en Región de Interés (izquierda imagen real, derecha, 
región de interés) 
38 
ITESM CCM MCI 
4.1.7 Pruebas iniciales con el algoritmo preliminar 
Se realizó las pruebas iniciales por bloque: 
a. Generador de imagen base: la idea inicial contemplaba calcular la media y desviación 
estándar de cada uno de los tres valores de cada pixel dentro del espacio HSV a lo largo 
de una serie de imágenes consecutivas. Los resultados de la media y desviación serían 
comparados con todos los valores con los que fueron calculados, para luego eliminar 
todos aquéllos que estuvieran por fuera de la normal; se utilizaría nuevamente todos los 
valores que quedaran dentro de la normal para calcular la media y desviación estándar 
final. Este método resultó en imágenes base con mucho ruido debido a los automóviles 
presentes en las imágenes utilizadas. A mayor flujo de automóviles, mayor el ruido en la 
imagen base; en cambio, a mayor la velocidad de los automóviles, menor es el ruido en 
la imagen base. 
b. Conteo de coches: se buscó tener una imagen base limpia a partir de imágenes 
generadoras con muy poco movimiento. Esto se hizo para poder evaluar 
preliminannente el algoritmo para detectar coches. El primer acercamiento contempló la 
comparación de cada uno de los tres valores de cada pixel contra la imagen base, 
considerando un comportamiento nonnal utilizando la media y desviación resultantes en 
la imagen base. Se observó que la aportación a la detección de movimiento de los tres 
valores H, S y V de cada pixel variaba significativamente: el Valor es el mayor 
contribuyente, la Saturación el segundoy el Matiz no contribuye de manera importante. 
Para lograr determinar estas contribuciones se seleccionó una región de 5 x 5 pixeles 
como lo muestra la figura 4.1. 7.1 y se corrió el algoritmo con una muestra de 499 
imúgcncs consecutivas. Manualmente se determinó para cada imagen si la región 
contenía cualquiera de las siguientes opciones: 1) calle sin movimiento, 2) coche en 
movimiento, 3) sombra de un coche, 4) combinación de sombra de coche y calle, 5) 
combinación de coche en movimiento y calle o 6) combinación de coche y sombra del 
mismo. Se graficó el valor promedio de la región de H, S y Y a lo largo de todas las 
imúgenes y se precisó la determinación manual. La figura 4.1.7.2 muestra el resultado. 
39 
ITESM CCM MCI 
Figura 4.1.7.1 - Región seleccionada para análisis (cuadro con cruz) 
1.2 
1 X 
0.8 
> 
> 
11'1 
'% 0.6 ... 
0 
¡¡¡ 
> 
0.4 
0.2 
15 
X X X 
54 uo 193 
95110 
~H ·~S 
X 
286 
238 275 
• • 
#Imagen 
X X 
361 388 
343 355 
•• 
V X % Sombra • % Coche 
X 
Figura 4.1.7.2- Valores de H, S, Vy determinación manual 
De la figura 4.1. 7.2 se rescata lo siguiente: 
X 
463 
468 492. 
5 
4.5 
4 
3.5 
3 
2.5 
2 
1.5 
1 
0.5 
o 
CII 
.e 
u 
0 
u 
"' CII 
·¡;¡ ... 
0 
¡¡¡ 
> 
40 
ITESM CCM MCI 
• El atributo en V es el más cambiante a lo largo de todas las imágenes; siempre que 
hay coche o sombra por coche, V presenta un valor disruptivo con la tendencia 
mostrada en los valores anteriores. 
• Se observa que todos los puntos con sombra presentan un ptco hacia abajo en V; 
mientras que el de los coches puede ser hacia abajo o hacia arriba. 
• El atributo S presenta variaciones significativas primordialmente cuando se trata de 
un coche. Sin embargo, no todos los coches generan variación en S. 
• El atributo H presenta algunas variaciones en algunos casos donde hay coche o 
sombra, pero no se puede determinar una correlación clara que incluya a todos los 
efectos de movimiento. 
• Se observa que el atributo V presenta cambios suaves a lo largo de varias imágenes. 
Estos cambios suaves modifican el valor en un rango entre 0.6 y hasta 0.8. Después 
de analizar las imágenes se determinó que esta variación donde no hay movimiento se 
debe a cambios de iluminación. 
Se realizó un análisis cuantitativo sobre los valores H, S y V para determinar 
correlaciones que permitan determinar cuál o cuáles de los tres se usará para detectar 
coches y las tolerancias que se establecerá. La tabla 4.1. 7.2 muestra la información de 
las regiones de las imágenes analizadas que son sólo coche; se presenta los valores de H, 
S y V denotados como Valor, la variación porcentual de ese valor contra el mismo valor 
de la imagen anterior denotada por Índice vs !A y la diferencia absoluta del valor contra 
el mismo valor de la imagen anterior denotada por Dif"Abs vs /A (Nota: los valores de la 
tabla fueron clasificados por colores de acuerdo a los rangos de la tabla 4.1. 7.1 ). 
Tabla 4.1.7.1 - Rangos de color 
Mín Máx 
> < 
> -10.0% < 10.0% 
> -15.0% < 15.0% 
> -25.0% < 
< > 
41 
ITESM CCM MCI 
Tabla 4.1.7.2 - Información de regiones con coche 
H s V 
Índice vs Dij Abs Índice vs Dif Abs Índice vs Dif Abs 
#lm. Valor IA vs IA Valor IA VS /A Valor /A vs /A 
95 0.623 -5.4% 0.036 0.210 0.067 0.259 0.452 
110 0.700 8.0% 0.052 0.021 0.115 0.937 0.280 
159 0.616 0.017 0.532 0.378 0.723 11.5% 0.074 
166 0.588 -8.4% 0.054 0.068 0.070 0.939 0.284 
177 0.613 0.017 0.235 0.084 0.487 0.171 
188 0.678 9.4% 0.058 0.205 0.073 0.833 0.214 
238 0.662 0.030 0 .215 0 .102 0.915 0.200 
275 0.699 12.6% 0.078 0.156 16.1% 0.022 0.265 0.376 
343 0.594 -6.7% 0.043 0.165 0.039 0.366 0.424 
355 0.345 0.301 0.147 0.012 0.822 0.109 
468 0.572 -7.1% 0.044 0.029 0.127 0.943 0.355 
492 0.729 18.8% 0.115 0 .198 0.040 0.236 0.325 
Promedio 0.070 0.094 0.272 
De la tabla en la tabla 4.1. 7.2 se rescata las siguientes premisas: 
• En los valores de H no se puede determinar una correlación clara. El índice contra la 
imagen anterior muestra colores dentro de todos los rangos. Por otra parte, la 
diferencia absoluta promedio es baja (0.07). Finalmente, las variaciones son tanto 
positivas como negativas. 
• En los valores de S se puede ver que 1 O de los 12 valores tienen una diferencia mayor 
a 25% contra la imagen anterior. Hay diferencias positivas y negativas. La diferencia 
absoluta promedio es de 0.094. 
• En los valores de V se observa que I O de los 12 valores tienen una diferencia mayor a 
25% contra la imagen anterior; los dos valores restantes están por arriba de 10%. Hay 
diferencias positivas y negativas. La diferencia absoluta promedio es de 0.272. 
• Se establece una correlación entre las diferencias positivas de V y las negativas de S; 
en todos los casos donde la diferencia en S es negativa, la diferencia en V es positiva. 
Por otra parte, la tabla 4.1. 7 .3 muestra los datos equivalentes a los de la tabla anterior, 
pero para imágenes con regiones ocupadas en mínimo 75% por sombra. De esta tabla se 
rescata lo siguiente: 
42 
ITESM CCM MCI 
• En los valores de H se observa que hay variación dentro de todos los rangos; se ve 
que los valores que superan 5% contra la imagen anterior son, en todos los casos, 
diferencias positivas. La diferencia absoluta promedio es 0.066, similar al resultado 
de 0.07 calculado cuando hay coche. 
• En los valores de S se observa que sólo hay dos valores por arriba de 25% de 
diferencia contra la imagen anterior, ambas son diferencias negativas. La diferencia 
positiva más grande es de O.O! 7. La diferencia absoluta promedio es 0.022, mientras 
que en el caso de coches esta diferencia fue 0.094; es una diferencia importante que 
se utilizará para ajustar la tolerancia de comparación dentro de S. 
• En los valores de V se observa que sólo un valor presenta una variación menor a 
25%, sin embargo, ese valor es mayor a 20%. Se concluye que la sombra resulta en 
vanactones grandes en V. Por otra parte, también se determina que todas las 
vanacmnes son negativas. Finalmente, la diferencia absoluta promedio es 0.268, 
similar al resultado con coche de 0.272. 
Tabla 4.1.7.3 - Información de regiones con sombra 
H s V 
Índice vs Dif Abs Índice vs Dif Abs Índice vs Dif Abs 
# Imagen Val IA vs IA Val IA vs IA Val IA vslA 
15 0.639565 0.007 0.130633 0.006 0.465033 0.204 
54 0.647947 0.003 0.149531 10.4% 0.014 0.469608 0.192 
71 0.618768 0.032 0.151058 7.7% 0.287146 0.362 
120 0.725336 15.2% 0.096 0.141874 0.405556 0.236 
193 0.659571 9.2% 0.055 0.107332 0.065 0.488889 -21.7% 0.135 
242 0.716291 13.5% 0.085 0.149457 8.2% 0.011 0.390196 0.305 
286 0.808275 0.174 0.114406 0.002 0.380501 0.284 
361 0.783053 23.1% 0.147 0.119786 -5.5% 0.007 0.354684 0.351 
388 0.688683 7.8% o.oso 0.143081 13.1% 0.017 0.340741 0.368 
463 0.62372 0.011 0.096944 0.073 0.350545 0.245 
Promedio 0.066 0.022 0.268 
c. Adaptación: en un principio se planteó realizar dos tipos de adaptación a cambios en el 
ambiente: 
43 
ITESM CCM MCI 
• Adaptación a cambios de iluminación: se propuso realizar un ajuste a los cambios 
paulatinos por iluminación. Se planteó tener memoria de 5 imágenes consecutivas y 
evaluar la moda de cada pixel que calificó como no movimiento para detenninar el 
nuevo valor de la imagen base para comparación con la siguiente imagen. Este 
método funcionó en términos de adaptación, pero consumió mucho tiempo de 
procesan, ien to. 
• Adaptación a cambios disruptivos: se planteó el mismo método de adaptación que 
para cambios paulatinos, con la diferencia que para disruptivos se correría el proceso 
en los pixeles que calificaran como movimiento. En este caso, también funcionó el 
método, pero el consumo de tiempo de procesamiento era excesivo. 
Se calculó el tiempo promedio de procesamiento utilizado para el análisis de cada 
imagen con una muestra de 60 imágenes resu Itando en I 0.3 segundos por imagen. 
Dentro de las mejoras al algoritmo en la siguiente sección,