| dc.description.abstract | RESUMEN: En este trabajo de tesis, se presenta un sistema de detección automática de señales de tránsito utilizando dos algoritmos de aprendizaje de máquina. Se propone el desarrollo de un sistema de detección en el cuál se lleve a cabo los dos procesos fundamentales para realizar la detección: localización y clasificación, cada proceso utiliza un algoritmo de aprendizaje no supervisado K-MEANS, para agrupar los distintos colores de las señales de tránsito en diferentes segmentos y se emplea un selector de segmento basado en la diferencia de color de los canales RGB para elegir el segmento que contenga la señal. En la fase de clasificación se utilizó el algoritmo de aprendizaje supervisado K-NN, para descartar los objetos que no sean una señal de tránsito, tomando en cuenta cuatro clases: prohibitoria, advertencia, obligatoria y fondo, donde se caracterizó cada una de las señales describiendo sus dos propiedades: color y forma, para obtener características como contornos, área, perímetro, concavidad, entre otras. Los resultados y experimentos fueron evaluados con la base de datos LISA.
ABSTRACT: In this thesis work, an automatic detection system of traffic signs using two supervised and unsupervised machine learning algorithms is presented. It is proposed to develop a detection system in which the two fundamental processes are carried out to execute the detection: localization and classification, each process uses an algorithm of machine learning. In the localization phase, the K-means unsupervised learning algorithm is executed to group the differents colors of the traffic signs into different segments, and a segment selector based on the color difference of RGB channels to choose the segment that contains the signs. In the classification phase, the supervised learning algorithm K-NN was used to discard objects that are not a traffic sign, taking into account four classes: prohibitive, warning, mandatory and background, where It is characterized each of the signs by describing its two base color and shape properties, to obtain other characteristics such as contours, area, perimeter, concavity, among others. The experiments were performed with the LISA database. The results and experiments were evaluated with the LISA database. | |
