Redalyc. Leal, Nallig; Leal, Esmeide; Willian Branch, John

Transcripción

1 Redalyc Sisema de Información Cienífica Red de Revisas Cieníficas de América Laina, el Caribe, España y Porugal Leal, Nallig; Leal, Esmeide; Willian Branch, John Sisemas de monioreo de ránsio vehicular basados en écnicas de segmenación de imágenes Revisa Avances en Sisemas e Informáica, vol. 7, núm. 3, diciembre, 010, pp Universidad Nacional de Colombia Medellín, Colombia Disponible en: hp:// Revisa Avances en Sisemas e Informáica ISSN (Versión impresa): mprada@unalmed.edu.co;avances@unalmed.ed u.co Universidad Nacional de Colombia Colombia Cómo ciar? Número compleo Más información del arículo Página de la revisa Proyeco académico sin fines de lucro, desarrollado bajo la iniciaiva de acceso abiero

2 Sisemas de monioreo de ránsio vehicular basados en écnicas de segmenación de imágenes Traffic surveillance sysems base on image segmenaion echniques Nallig Leal. M. Sc. 1, Esmeide Leal. M. Sc, John Willian Branch Ph. D 3 1. Faculad de Ingeniería de Sisemas, Universidad Simón Bolívar, Barranquilla, Colombia. Escuela de Sisemas, Universidad Nacional de Colombia sede Medellín nleal@unisimonbolivar.edu.co; eleal1@unisimonbolivar.edu.co; jwbranch@unal.edu.co Recibido para revisión 08 de julio de 010, acepado 4 de ocubre de 010, versión final 6 de noviembre de 010 Absrac Tr affic surveillance sysems promise o improve r affic safey and alleviae raffic jams, among oher hings. The coninuous incr ease in pr ocessing speed of compuers in he las decade has led o an incr easing emphasis on r esear ch and developmen of auomaic raffic sur veillance sysems in differen counr ies. However, raffic surveillance sysems are sill an open r esear ch ar ea because hey ar e no in a sae of maur iy ha allows hem o oper ae wih complee auonomy in he ask of r egulaing r affic. This ar icle pr esens a review of auomaic r a ffic sur veillan ce sysems ba sed on vehicu la r image segmenaion echniques. We presen a classificaion of hese sysems according o heir purpose and naur e, and a classificaion of he mos commonly used echniques in such sysems. Keywords Traffic Surveillance Sysems, Image Segmenaion, Compuer Vision. Resumen Los sisemas de supervisión auomáica del ránsio vehicular pr omeen, enre or as cosas, mejor ar las condiciones de seguridad del r áfico y aliviar las congesiones vehicular es. El incremeno coninuo de la velocidad de procesamieno de los compuador es en la úlima década ha propiciado un cr eciene esfuer zo en invesigación y desar rollo de sisemas de super visión auomáica del r ánsio vehicular en difer enes países; sin embargo, los sisemas de super visión auomáica del r ánsio vehicular aún son un ema abiero de invesigación dado que no se encuenran en un esado de madurez que les permia oper ar con oal auonomía en la ar ea de r egulación del r ánsio vehicular. Ese ar ículo presena una revisión de sisemas de mon i or eo d e r á nsi o veh icular ba sa dos en écn icas d e segmenación de imágenes. Se realiza una clasificación de dichos sisemas de acuerdo a su propósio y nauraleza; de igual maner a, se r ealiza una clasificación de las écnicas más comúnmene uilizadas en la implemenación de dichos sisemas. Palabras Cla ve Sisemas d e M oni or eo de r á nsi o, Segmenación de imágenes, Visión por Compuador. I. INTRO DUCCIÓ N a supervisión auomáica del ránsio ha sido de inerés L por muchos años; desde los 80s, los ingenieros de ránsio han venido invesigando méodos para la implemenación de sisemas de supervisión auomáica del ránsio. Uno de los propósios de ales sisemas es obener información del uso de las vías y deerminar áreas con necesidad de expansión o con aleración de los requerimienos de los parones de ránsio exisenes [1]. El conrol auomáico del ráfico vehicular es un campo que ofrece reos ineresanes en la aplicación de écnicas de visión arificial. Es así como recienes invesigaciones se han dirigido a la solución del problema del ráfico vehicular [38, 3, 7, 8], aplicando una variedad de écnicas que van desde el procesamieno digial de imágenes clásico y de imágenes en movimieno [13], hasa méodos heurísicos como las redes neuronales arificiales y los algorimos genéicos. En la acualidad, las soluciones informáicas a los problemas de ránsio vehicular, no se encuenran en un esado de madurez que les permia operar con oal auonomía en la area de regulación del ránsio vehicular. Lo anerior se debe principalmene, a problemas de sobresegmenación, subsegmenación y pérdida de información presenados por las écnicas y méodos de segmenación, base primordial de los sisemas de supervisón del ránsio vehicular. Revisa Avances en Sisemas e Informáica, Vol.7 No.3, diciembre de 010 Medellín. ISSN

3 76 Revisa Avances en Sisemas e Informáica, Vol.7 No.3, diciembre de 010 Medellín. ISSN Los problemas en la segmenación de imágenes de ránsio vehicular se presenan, principalmene, por las caracerísicas de bajo conrase, alo nivel de ruido y disribución no uniforme de la inensidad de los niveles de grises que presenan esas imágenes; dichas caracerísicas, se deben a facores ambienales como: polución, baja iluminación, nubosidad y sobrexposición, enre oros, los cuales afecan la capura de las imágenes. Los problemas anes mencionados, sugieren el empleo o desarrollo de nuevas écnicas de segmenación que puedan ser aplicadas en la consrucción de sisemas de monioreo del ránsio vehicular. En ese ariculo se presena una inspección de los diferenes rabajos que se han realizado y se vienen realizando en el área de los sisemas de monioreo de ránsio vehicular (SMTV) basados en écnicas de segmenación de imágenes. Lo que resa de ese arículo esá organizado de la siguiene manera: La sección presena una revisión hisórica de los SMTV y una axonomía de clasificación de dichos sisemas. En la sección 3 se abordan las écnicas de segmenación más comunes empleadas por los SMTV y se presena una axonomía de clasificación de dichas écnicas. Las conclusiones y endencias fuuras son abordadas en la sección 4. que ienen la capacidad de exraer caracerísicas como: la forma, la exura, el amaño, la ubicación y el color de los vehículos, enre oras. Dichas caracerísicas le permien a los SMTV enregar información ano de carácer general como paricular, de una escena de rásio; como la canidad de vehículos en la vía, la dirección de mayor flujo vehicular en un insane dado, el número de marícula y modelo del vehículo, enre oras. La información anerior, juno con una adecuada ubicación de las cámaras, permie a los SMTV basados en visión hacer el seguimieno de vehículos en escenas de ránsio simples o complejas, lo cual difícilmene se puede lograr con oros ipos de sensores. Teóricamene, un SMTV podría ener el mismo poder de observación que un observador humano, pero sin los efecos perjudiciales del cansancio o el aburrimieno. II. SISTEMAS DE MONITOREO DE TRANSITO VEHICULAR Aunque los primeros SMTV desarrollados, de los que se iene regisro, enían como objeivo la supervisión del ránsio en pequeñas zonas urbanas y ramos coros de carreeras, en años recienes, se han desarrollado sisemas capaces de realizar supervisión en áreas más amplias y enregar información de carácer global del comporamieno del ránsio vehicular a ravés de foografía aérea o saelial. A coninuación se presenarán algunos aspecos de los sisemas de supervisión del ránsio basado en video cámaras de coro alcance; luego, se presenarán algunos aspecos de los sisemas de supervisión del ránsio mediane foografía aérea y saelial..1 Sisemas de monioreo de coberura local Uno de los propósios de los sisemas de monioreo de ránsio vehicular es obener información del uso de las vías y deerminar áreas con necesidad de expansión o con aleración de los requerimienos de los parones de ránsio exisenes [1]. Un SMTV ípico (Figura 1) emplea una cámara CCD que provee video en vivo, el cual se fracciona en marcos (frames), se digializa y se almacena en un compuador, para luego aplicarle écnicas de visión arificial que permian realizar la deección de los objeos de inerés y poder realizar un análisis de la escena. Los SMTV basados en visión, además de ser más económicos, son poencialmene más poderosos que aquellos basados en sensores de capura diferenes a las cámaras de video, dado Figur a 1. Sisema ípico de visión para monioreo del ránsio 1 vehicular Generalmene, los SMTV basados en visión (en adelane referidos simplemene como SMTV) rabajan sobre imágenes de niveles de gris, pueso que esencialmene esos buscan los cambios repeninos de la posición de los píxeles de un marco a oro, para lo cual es suficiene el nivel de inensidad del píxel, siendo irrelevane su color. Ora razón para la uilización de dichas imágenes es que los SMTV, al ser sisemas de procesamieno en iempo real, deben responder rápidamene a los cambios presenados en la escena, lo cual es complicado cuando se procesan varios canales de color. El proyeco Traffic Research using Image Processing (TRIP), desarrollado en conjuno por la Universidad de Mancheser y el insiuo de ciencia y ecnología de la Universidad de Sheffield en los 80s, fue uno de los primeros inenos de usar visión por compuador para el monioreo del ráfico de carreeras, aunque sus resulados iniciales no fueron paricularmene impresionanes [31]. 1. Adapado de [Sechell97]

4 Sisemas de monioreo de ránsio vehicular basados en écnicas de segmenación de imágenes Leal, Leal & Branch 77 Takaba y su grupo [34], desarrollaron en Tokio en los años 80 s un sisema que empleaba un méodo denominado punos muesreados ; en el cual, mediane cada puno muesreado se podía deecar la presencia de un vehículo, y por el posicionamieno de los punos muesreados en cada carril de ráfico, se podía realizar el coneo de vehículos. La velocidad del vehículo podía ser medida por la ubicación de dos punos muesreados en cada carril de ráfico, y la medición del iempo de reardo enre la capura del primer y el segundo puno muesreado. El sisema era dependiene de las líneas de marcación de los carriles de ránsio, por lo que podía presenar fallas en el coneo cuando ésas eran ocluidas por los vehículos, o cuando cambiaba su nivel de gris debido al desgase naural en el iempo. En 1984 el Insiuo Real de Tecnología de Suecia desarrolló un SMTV en el cual una línea de deección de 3 píxeles de ancho era ubicada a lo largo de cada uno de los carriles de la carreera. Para cada línea de deección, las inensidades de referencia eran almacenadas. Los valores acuales en las líneas de deección eran resados de los valores de referencia y su resulado era umbralizado. Ese proceso segmenaba vehículos, mienras se movían a lo largo de las líneas de deección, permiiendo su seguimieno [1]. La deección de vehículos lograda por ese sisema era más rápida que la del sisema de Takaba, aunque adolecía de los mismos inconvenienes. En 1986, Dick Manns probó el sisema VITA II de conducción auomáica en carreera a una velocidad cercana a los 100 Km/h en el proyeco europeo PROMETHEUS, el sisema mosró complea auonomía en conducción y un buen desempeño realizando planificación y maniobras. Los buenos resulados alenaron a los creadores a coninuar adelane y enrar en ambienes urbanos mucho más complejos para las aplicaciones de visión por compuador. Aunque ése no era propiamene un SMTV, las écnicas de visión por compuador empleadas en su consrucción conribuyeron al desarrollo de nuevos SMTV [16]. En 1989 el Insiuo de ecnología de California, Calech, y el Laboraorio de Propulsión a Chorro (JPL), desarrollaron un sisema capaz de deecar, conar y medir la velocidad de los vehículos en movimieno [0]. Los algorimos de deección de los vehículos fueron desarrollados para uilizarse en aplicaciones en iempo real, por lo que solo operaban sobre pequeñas porciones de las imágenes (líneas de 50 píxeles de ancho). La idenificación de los vehículos se hacía mediane diferenciación de marcos. Si la diferencia sobrepasaba un umbral, un vehículo era deecado. El sisema podía realizar la deección de vehículos sobre un máximo de res carriles de ránsio; aunque, a diferencia de los sisemas anes mencionados, no dependía de marcaciones realizadas en la escena. Enre 1989 y 199 en la Universidad College London, N. Hoose [18, 19] desarrolló un sisema para el monioreo del ráfico. El sisema operaba a un nivel macroscópico, en el que no se idenificaban o rasreaban vehículos individuales, sino que se proveía una descripción cualiaiva de la disribución espacial esacionaria y de movimieno en una escena de ránsio. Para deecar un vehículo, el sisema dividía la imagen en celdas, las cuales se eiqueaban en uno de res posibles esados, celda vacía, celda con vehículo esacionario o celda con vehículo en movimieno; luego, las celdas adyacenes con esados iguales se agrupaban. La deección de vehículos esacionarios se realizaba enconrando los bordes de un objeo compleo en las celdas agrupadas, mienras que la deección de los vehículos en movimieno se realizaba por diferenciación de las celdas en dos insanes de iempo. El sisema desarrollado por la Universidad de Ciencia y Tecnología de IRAN en 1995, liderado por el profesor Fahy, era capaz de medir los parámeros de las colas de ráfico como por ejemplo: la longiud de la cola, el periodo y la frecuencia de ocurrencia. El sisema operaba en pequeñas regiones de imagen llamadas perfiles, con lo cual se lograba un conrol en iempo real. Cada perfil era de solo un píxel de ancho y se exendía a lo largo del cenro de cada carril de ránsio. Las colas eran deecadas primordialmene por que no exisía movimieno a lo largo del carril. La presencia de vehículos era confirmada con una écnica basada en deección de bordes de vehículos. La presencia de vehículos junos sin movimieno significaba que había una cola en la escena [11]. En 1995 Koller y su grupo de invesigación en la Universidad de California, Berkeley, desarrollaron un sisema capaz de deecar y seguir múliples vehículos y al mismo iempo, capaz de suminisrar información sobre la forma, eso úlimo le permiía al sisema ser uilizado para propósios de clasificación [31]. En 1997, Cornish y Wakefield de la Universidad de Huddersfield, desarrollaron un sisema capaz de rasrear vehículos en escenas en movimieno, usando écnicas de diferenciación de marcos (frames) para segmenar los vehículos en la escena. Juno con el sisema ambién se desarrolló un méodo para la generación auomáica de dichas escenas, mienras que simuláneamene se crea una región objeivo de inerés, la cual reduce la porción de la imagen que será analizada para enconrar los vehículos, reduciendo así la demanda compuacional [6]. Muchos de los sisemas anes mencionados uilizan arquiecuras que fueron diseñadas a la medida de una aplicación específica. La funcionalidad es llevada a cabo por unos cuanos módulos de conrol de vehículos y visión por compuador fueremene inerconecados. Aunque esa clase de arquiecura es adecuada para muchas aplicaciones, presena como desvenajas la fala de escalabilidad, de exensibilidad y de uniformidad de la cooperación enre módulos [16]. Las écnicas de deección de vehículos empleadas por los sisemas hasa aquí mencionados, se basan principalmene en la diferenciación de marcos (Frames) para la deección ano de vehículos en escenas esacionarias, como de vehículos en escenas en movimieno. Aunque esas écnicas han mosrado

5 78 Revisa Avances en Sisemas e Informáica, Vol.7 No.3, diciembre de 010 Medellín. ISSN ser adecuadas para la deección de vehículos en dichos sisemas, ambién es ciero que son resricivas, por lo que los sisemas basados en esas écnicas resulan ser muy sensibles al cambio o variaciones que se puedan producir en las condiciones para las cuales fueron diseñados; como por ejemplo: solo procesamieno de pequeñas áreas o segmenos de las imágenes, líneas y colores de referencia y marcas realizadas en las escenas, enre oras. Más recienemene, el inerés se ha enfocado en sisemas de deección emprana, los cuales alerarían a los conducores sobre posibles congesiones vehiculares o accidenes lejanos en la misma dirección que esos llevan. Tales sisemas requieren operar en iempo real, por lo que sisemas de procesamieno por loes no serían adecuados. Oro requerimieno de los sisemas diseñados para operar en ambienes reales de ránsio, es que esos no deben ser sensibles a las vibraciones de las cámaras. Normalmene, los sisemas se ubican sobre los puenes o punos por encima del área de ráfico monioreada. Ambas ubicaciones esán sujeas a gran canidad de vibraciones ocasionadas por el vieno e incluso el mismo ransiar de los vehículos [1]. En 1996 W. Kasprzak y H. Niemann, desarrollaron un esquema adapaivo de reconocimieno de objeos en movimieno en una secuencia de escenas. El esquema es aplicado al reconocimieno de objeos en el ráfico. La esimación recursiva del esado del objeo es ejecuada por un filro exendido de Kalman con una modificación en la esimación del error de seguimieno de los objeos. Dicho error es esimado por medio de un proceso de aprendizaje de una red neuronal. La esimación del error mediane la red neuronal permiió el diseño de un esimador recursivo, que sigue muy bien las señales no esacionarias (los objeos) [1]. En 1997 N. Friedman y S. Russel, desarrollaron una aproximación probabilísica para segmenar imágenes en una secuencia de video, basándose en la subsracción del fondo (background). La idea era que al resar del marco acual un fondo promediado en el iempo, quedarían solo los objeos no esacionarios. Ese méodo fallaba cuando exisían objeos moviéndose lenamene, lo cual ocasionaba que no se diferenciaran sombras de objeos en movimieno. Ese era un enfoque muy simple de la area de clasificación de cada píxel del marco acual. Lo que se planeaba, era realizar un modelo probabilísico para la clasificación de cada uno de los píxeles que conformaban la imagen, dicho modelo indicaba que ano un píxel perenecía o no a una deerminada clase. Esencialmene, los modelos de los píxeles describían la disribución de probabilidad de la apariencia de un píxel en las diferenes clases. La disribución de probabilidad de la apariencia de los píxeles era modelada como mezclas Gaussianas [13]. En 1998 G. Salgian y D.H. Ballard, desarrollaron y probaron ruinas visuales para el conrol de vehículos. El rabajo se enfocó en la generación de ruinas visuales a parir de imágenes, usando modelos de color y forma. Las ruinas visuales presenadas en ese rabajo son la componene principal de un subsisema de percepción de un vehículo ineligene. Esas ruinas fueron probadas en un sisema de simulación bajo un amplio rango de condiciones conrolables, dado que algunas de ellas hubiesen sido peligrosas probarlas en un vehículo real [30]. En 1999 R. Cucchiara y M. Piccardi, desarrollaron algorimos para la deección auomáica de vehículos en escenas urbanas, bajo diferenes ipos de condiciones, como es el caso del día y de la noche. Describieron dos ipos de algorimos de análisis de imágenes, los cuales han sido usados para la exracción de vehículos en secuencias de imágenes adquiridas de día y de noche. En ese rabajo se propuso un esquema de propósio general para el monioreo del ráfico. El esquema propueso se componía de un sisema de dos niveles; el nivel superior, esaba compueso de un sisema de razonamieno basado en reglas de producción que supervisaba los diferenes módulos de procesamieno de las imágenes. En el nivel inferior se enconraban los módulos que deecaban los vehículos en movimieno [7]. En 00, S. Grupe; O Masoud, R F.K Marin; N.P Papanikolopoulos, desarrollaron un algorimo de deección basado en visión y clasificación de vehículos en secuencias de imágenes monoculares de escenas de ráfico, grabadas por cámaras esacionarias. El méodo propueso por ese grupo es llevado a cabo en res niveles: nivel de imágenes sin procesar, nivel de región y nivel de vehículos. Los vehículos son modelados como figuras recangulares con un ciero comporamieno dinámico. El méodo propueso se basa en el esablecimieno de correspondencias enre regiones y vehículos, como lo son los vehículos moviéndose a ravés de la secuencia de imágenes. Resulados experimenales a parir de escenas de auopisas demosraron la efecividad del méodo que se propuso [17]. En 00, Alessandro Bevilacqua desarrolló un SMTV el cual emplea un nuevo méodo de segmenación basado en morfología maemáica y subsracción de las escenas a parir de un marco de referencia. La operación morfológica propuesa, rabaja muy bien en imágenes muy ruidosas, las cuales es capaz de filrar, al iempo que deeca y preserva la esrucura de los objeos en movimieno [3]. Recienemene, en 004, Anurag Mial y Nikos Paragios propusieron un nuevo méodo para el modelado y subsracción de vehículos en escenas en movimieno. Se propuso una écnica para el modelado de escenas dinámicas con el propósio de subsraer el fondo de la escena y deecar cambios. El méodo uiliza la écnica de flujo ópico para la deección de cambios; luego, para raar apropiadamene la inceridumbre de dichas caracerísicas, se propone una nueva écnica de esimación mulivariada de densidad basada en funciones kernel, la cual es de ipo no prediciva, y adapa un ancho de banda o venana de acuerdo a la inceridumbre en las pruebas y medidas del muesreo [5].

6 Sisemas de monioreo de ránsio vehicular basados en écnicas de segmenación de imágenes Leal, Leal & Branch 79 En el 004, Melo e al [4], proponen un sisema de bajo nivel para el seguimieno de vehículos, el cual produce rayecorias precisas de los vehículos y esima la geomería de los carriles usando cámaras de vigilancia vehicular, las cuales no esán calibradas. Ellos desarrollaron un algorimo llamado predicción de rayecorias por mezcla y división (Predicive Trajecory Merge and Spli PTMS), el cual es capaz de deecar oclusiones parciales o compleas durane el movimieno de los objeos, acualizando el número de objeos en cada segmeno rasreado. El algorimo es un híbrido enre el filro de Kalman y un conjuno de heurísicas para el análisis emporal. En resulados preliminares demosraron la viabilidad de usar cámaras comunes y corrienes las cuales no han sido calibradas, mosrando de esa manera buenos resulados en el análisis del ráfico en iempo real. Ellos argumenan que su algorimo es independiene del puno de visa y no hace suposiciones a priori en cuano a la geomería de los carriles. Ese sisema puede uilizarse para monioreo de alo nivel del ráfico, la velocidad, la frecuencia de cambio de carriles, deección de accidenes y clasificación de comporamienos exraños de los conducores. En Akociunas e al 005 [], se hace un enfoque con algorimos de procesamieno de imágenes, reconocimieno de parones y visión por compuador para ser aplicados al análisis y monioreo del ráfico. Uno de los principales aspecos fue la modificación de esos algorimos para que fuesen operaivos en iempo real para el proceso de monioreo, dando como resulado un prooipo de un sisema para el análisis del ráfico. El sisema se compone de video cámaras esacionarias, así como de una red de compuadores, ese sisema iene la capacidad de seguimieno de vehículos, medición de sus velocidades, reconocimieno de los números de placas de los vehículos en movimieno y cambio de carriles. Recienemene Cheung y Kamah [5], proponen un algorimo de validación del foreground, el cual primero consruye una mascara para el foreground usando un filro de Kalman de reardo adapaivo, validando así píxeles individuales del foreground consruyendo un modelo simple del objeo en movimieno, uilizando para ello las esadísicas del foreground y el background así como la diferenciación de marcos (frames). Los experimenos mosraron la uilización del algorimo en secuencias de ráfico urbano, mosrando significaivas mejoras sobre resulado usando únicamene el filro de Kalman o solamene la diferenciación de marcos (frames) y similares desempeños en écnicas basadas en mezclas Gausianas, filros de mediana y filros de mediana aproximados. Aun con esos resulados el algorimo muesra limiaciones como la causada por la diferenciación de marcos (frames), la cual produce pequeños caminos falsos en el foreground derás del objeo. También exisen problemas si no se hace un buen muesreo para el cálculo de la densidad de los píxeles del foreground, causando que no se deecen bien los objeos. También en el 005 Yoneyama e al [36], desarrollaron un méodo para resolver res problemas cruciales enconrados en los SMTV, los cuales son la eliminación de sombras cuando en vehículo esa en movimieno, la deección de oclusiones y la deección de vehículos en la noche, ese méodo se desarrolló para vigilancia de vehículos en auopisas. Para la eliminación de las sombras ellos uilizan un modelo al que llama junura D enre vehículo y sombra el cual consise en encerrar el vehículo en la escena D en un cubo y luego separar el vehículo de la sombra, a ravés de proyecciones de punos de fuga. La deección de oclusiones la solucionan uilizando múliples cámaras, y de esa manera pueden exraer la localización exaca de cada vehículo. Para la deección de los vehículos en la noche se propone una nueva écnica la cual llaman visa poserior, y lo que hacen es realizar un seguimieno del vehículo desde la pare poserior, la cual combinan con un seguimieno delanero; por ulimo ambién inroducen una mejora en la exracción del background de las escenas para una mejor segmenación y deección del vehículo. En el 006 Zheng e al [37], presenan un nuevo algorimo para la exracción del background de las imágenes de una secuencia de video de ráfico. El algorimo propueso analiza cada uno de los valores del color de los píxeles, en una serie de marcos (frames) capurados durane un periodo de iempo, luego uilizan lo que ellos llaman el modo de las series como el valor adecuado del color para background de la imagen. Para manejar las pequeñas perurbaciones del color del background sobre un coro periodo de iempo, una función es usada para almacenar los valores de los colores del vecindario para de esa manera calcular el modo. Con esa función, el algorimo es más robuso y reduce el impaco de las perurbaciones resulanes de facores ambienales. El algorimo no requiere de ordenamienos y de aquí que su implemenación no es dificulosa. Las pruebas preliminares mosraron que el algorimo es efecivo para generar claros y cercanamene perfecos backgrounds en inersecciones urbanas señalizadas.. Sisemas de monioreo de coberura amplia Aunque el procesamieno de imágenes ha avanzando rápidamene con el ranscurrir de los años, y se ha exendido con éxio hacia muchas áreas como, por ejemplo, el monioreo del ránsio vehicular; hoy en día, son pocos los rabajos y experiencias que se ienen en aplicaciones de monioreo de ránsio a ravés de foografía saelial. Los pocos esfuerzos que se han hecho en esa área, se han realizado en proyecos de invesigación en la unión europea y EE.UU, los cuales analizan el poencial de esos rabajos hacia el fuuro. En 1998 Mark R. McCord, Carolyn J. Merry y Prem Goel, Desarrollaron un sisema de simulación de monioreo saelial de vehículos para ráfico en auopisas. EL sisema realizaba coneo de vehículos para idenificar el flujo vehicular en una venana de iempo. Uilizaron seguimieno de píxeles para deerminar la velocidad de los vehículos, así como subsracción de imágenes y ransformaciones de reflecancia. Los daos eran analizados e inerpreados auomáicamene. Para simular las foografías saeliales se hicieron omas aéreas [3].

7 80 Revisa Avances en Sisemas e Informáica, Vol.7 No.3, diciembre de 010 Medellín. ISSN En 000 Mario Pen, Fabio Dosis y Paolo Mulassano, desarrollaron la plaaforma HeliNe Nework of Sraospheric Plaforms for Traffic Monioring, Environmenal Surveillance and Broadband Services. La plaaforma presena información cuaniaiva, precisa y deallada del movimieno del ráfico. La plaaforma HeliNe es capaz de moniorear vía saelial pequeñas poblaciones de ráfico, regisrar la velocidad de los vehículos y deecar congesiones, al iempo que repora vía saélie la información procesada a un sisema cenral [6]. Enre 001 y 003 mediane una serie de rabajos basados en la uilización del disposiivo Three Line Scanner (TLS), se desarrolló un méodo de deección de vehículos en ambienes urbanos. El rabajo propuso un framework de res eapas, a saber: deección de vehículos, discriminación enre vehículos parqueados y en movimieno, idenificación de vehículos parqueados. La eapa 1 se refiere a la obención de la imagen por medio del TLS y su segmenación en regiones con presencia de vehículos y con ausencia de ésos, descarando la segunda. En la eapa, se deecan los objeos que dan indicios de vehículos y se generan los candidaos a ésos a parir de las regiones segmenadas por medio de la écnica de expansión de deección de marcos. Como úlima eapa, los vehículos en la imagen son verificados y deecados por coincidencia de modelado de vehículos [7], [8], [9]. Los diferenes rabajos en el desarrollo de sisemas de monioreo ránsio vehicular hasa aquí mencionados, muesran la variedad de aplicaciones y servicios que dichos sisemas pueden ener. De acuerdo al propósio general o ipo de servicio que esos sisemas presenan, podemos clasificarlos según la axonomía presenada en la figura. Ambien Abiero Cerrado Coberura Amplia Coberura Local Parqueadero Aéreo Saelial Urban Carreera Urban Carreera Urban Carreera Figura. Clasificación de sisemas de monioreo de ránsio vehicular Sin imporar cual sea el propósio o servicio ofrecido por los SMTV basados en visión, la efecividad en la presación de ése dependerá, principalmene, de las écnicas de segmenación de imágenes que emplee. Dada la imporancia de esas écnicas, la siguiene sección presena las principales écnicas de segmenación empleadas por esos sisemas. III. TÉCNICAS DE SEGMENTACIÓN EN LOS SISTEMAS DE MONITOREO DE TRÁNSITO VEHICULAR Una variedad de écnicas han sido empleadas en el raamieno digial de imágenes de ránsio vehicular, esas comprenden desde los filros clásicos de procesamieno de imágenes, hasa écnicas de aprendizaje esadísico. Dada la amplia variedad de écnicas de segmenación de imágenes empleadas en los sisemas de ránsio vehicular, en la abla 1 se presena un cuadro resumen que realiza una clasificación de ésas de acuerdo a su nauraleza. A coninuación, se describen las principales écnicas o meodologías uilizadas en los diferenes proyecos e invesigaciones en el procesamieno digial de imágenes de ránsio vehicular, que se han venido uilizando a lo largo de las dos úlimas décadas en ese campo. Técnicas de Modelado Espacial Enre las écnicas de segmenación uilizadas en los SMTV, las cuales ienen su apoyo en el dominio espacial podemos enconrar:

8 Sisemas de monioreo de ránsio vehicular basados en écnicas de segmenación de imágenes Leal, Leal & Branch 81 Diferenciación de frames (marcos) Uno de los primeros inenos en el desarrollo de algorimos y écnicas de deección de vehículos, fue el de deección de variaciones sobre marcaciones realizadas en la escena. La écnica consisía en razar líneas a lo ancho de los carriles de una auopisa, y deecar si exisía una variación en los niveles de gris sobre las líneas razadas; en caso afirmaivo, un vehículo había sido deecado [31]. La diferenciación de frames en una secuencia de imágenes, es una de las écnicas más uilizadas en el desarrollo de algorimos de raamieno de imágenes de ránsio vehicular. La diferenciación de frames, como su nombre lo indica, consise en resar dos frames capurados en iempos diferenes, para deecar regiones en movimieno. En [31] se esablece una diferencia de imágenes, d (, i ) j como la generada por el cálculo de la diferencia absolua enre dos frames f, f y el resulado 1 de la umbralización: 0 si 1 f (, i ) j f (, i ) j T, d (, i ) j = 1 en oro caso donde, T es el umbral esablecido. En el caso del monioreo del ráfico, usualmene se oma 1 f como el frame enrane, f será una referencia o frame de fondo. El frame de referencia es simplemene una imagen de la escena, la cual no coniene vehículos. El propósio del umbral T, es reducir el efeco del ruido y los cambios en la iluminación de la escena. Flujo Ópico Una écnica reciene empleada en los SMTV es la llamada flujo ópico. El flujo ópico busca correspondencias enre los punos de una imagen y los de una localidad de la misma en la correspondiene al siguiene cuadro o frame; obeniéndose un campo de movimieno denso que preende corresponder a la velocidad insanánea de los punos en el plano de la imagen. El flujo ópico de una secuencia de imágenes es un conjuno de campos de vecores, que relaciona cada imagen con la próxima en la escena. Cada campo de vecores represena el desplazamieno aparene de cada píxel desde una imagen a ora. Si se asume que el píxel conserva su inensidad, se lleva a la ecuación de conservación del brillo. I ( x, y, ) = I ( x + dx, y + dy, + d ) donde, I es una secuencia de imágenes, [ dx, dy ] es el vecor de desplazamieno para el píxel en las coordenadas [ x, y ] y, d son el frame y el desplazamieno emporal de la secuencia de imágenes respecivamene. El flujo ópico viene dado por la siguiene expresión. T g. f + g = 0 donde, T y g son el gradiene espacial y la derivada emporal, de la imagen en una ubicación espacial y iempos dados y f es el vecor de velocidad bidimensional. Un méodo de segmenación de objeos en movimieno que una variane del flujo ópico, se presena en [4], ese méodo segmena los objeos de inerés a parir de secuencia de imágenes que poseen un fondo o background complejo; para ello emplean el cálculo de la componene normal del flujo ópico de las imágenes. Como la esimación precisa de movimieno visual es compuacionalmene cososo, se aplica una écnica de filrado la cual produce una imagen de ceros cruzados (Zero Crossings) como salida. Esa salida es dada por la convolución del hisorial de inensidad da la imagen I ( x, y, ) con el filro espacial emporal gaussiano de d Alemberian; el cual es descrio por la siguiene ecuación. S ( x, y, ) = 1 F ( x, y, ) = u σ π 1 + F ( x, y, ) I ( x, y, ) u 3 1 exp σ ( x + y + u ) donde, u es un facor de escalamieno de iempo. El próximo paso es deecar los ceros cruzados en S ( x, y, ) y calcular la magniud de la normal de velocidad en cada uno de los píxeles ceros cruzados. La normal de velocidad es calculada juno a un vecindario 3x3; así que se necesiará al menos res imágenes sucesivas o frames para calcular los espacios emporales ceros cruzados. La magniud de la normal del movimieno visual es esimada por la ecuación: v n = u S x S S + y donde, S x, S y S son calculados usando el méodo numérico de diferencias finias. Sensado Tridimensional Oro ipo de écnica uilizada en los SMTV, es la llamada sensado ridimensional, la cual se basa en el principio de riangulación. Esa écnica se apoya en la localización de dos cámaras que realizan omas sobre un mismo puno, en el mismo insane de iempo, lo cual permie omar medidas de coordenadas ridimensionales de la alura del vehículo, como la

9 8 Revisa Avances en Sisemas e Informáica, Vol.7 No.3, diciembre de 010 Medellín. ISSN de los bordes de ese; permiiendo así, la represenación de los vehículos como cubos. La represenación en cubos permie diferenciar vehículos raslapados y eviar que se confundan los vehículos con sus sombras o las de oros objeos. La venaja de esa écnica, es su independencia de la hora del día, el esado del iempo y la iluminación de la escena. La desvenaja es que es un méodo cososo debido a la ecnología que se emplea como lo es el sensado con láser. Técnicas de Modelado Esadísico Son variadas las écnicas de segmenación uilizadas en los SMTV, las cuales ienen su apoyo en la esadisica enre las más represenaivas podemos enconrar: Filro de Kalman El filro de Kalman, es quizás de las écnicas más uilizadas no solo en los SMTV, si no en oras áreas como economía robóica ingeniería aeroespacial ec. El filro de Kalman, es un conjuno de ecuaciones maemáicas que proveen un eficiene cálculo de la media en forma recursiva, para esimar el esado de un proceso, de al forma que minimice la media del error cuadrado. El filro es poderoso en varios aspecos: ese sopora esimaciones de esados pasados, presenes y fuuros; haciéndolo aún cuando la nauraleza del sisema modelado es desconocida [35]. El filro es descrio por las siguienes ecuaciones. S ( k + 1 ) = A ( k + 1 ) S ( k ) + W ( k + 1 ) Z ( k ) = H ( k ) S ( k ) + U ( k ) donde, S(k) es el vecor de esado y coniene los valores de los M parámeros que definen el esado del sisema en el insane k. A(k) es la mariz de ransición de esado de dimensiones M M. H(k) es una mariz de dimensiones L M, que se conoce como la mariz de observaciones. w y u son dos vecores de M y L componenes respecivamene; y represenan a dos procesos blancos no correlacionados y de media nula de covarianzas W y U, de forma que: [ ( ) wt ( k )] = W ( [ ( k ) ut ( k )] = U ( k ) E w k E u k ) Se supone que las marices A, W, H, U, aunque pueden variar con el iempo, son conocidas a priori [14]. Las caracerísicas mencionadas, permien la uilización del filro Kalman, para raar secuencias de imágenes y de esa forma deecar vehículos u objeos en movimieno, el filro es capaz de esimar a parir de esados aneriores de los frames, los esados siguienes de esos. De esa forma el filro Kalman es usado para hacer seguimieno de la posición y la forma del conorno de los objeos a ravés de los frames sucesivos [1], []. Núcleos de Densidad (Kernel de densidad) Oras écnicas empleadas, que han omado relevancia, son las relacionadas con la esadísica no paramérica. Esas écnicas ienen como base, hacer un modelamieno de los píxeles de una escena deerminada, para ello usan una función de densidad de probabilidad que describe el comporamieno de la disribución de los pixeles de una escena a ora. Para poder crear la función de densidad, se oman los pixeles que componen el fondo de una escena acual de referencia (una escena esáica y sin objeos en movimieno) y una escena siguiene (con objeos en movimieno), con base en la función de densidad se hace el modelado de ambas escenas, y se analizan que píxeles cambiaron de una escena a ora con base en la función de densidad que los modela, omando para ello los valores apropiados de la varianza que represena los niveles de inensidad de cada píxel, en cada escena en paricular, y disinguiendo las varianzas de los pixeles de una escena a ora, idenificando de esa manera que pixeles cambian y cuales no. En [5] [8] [9] se propone un nuevo méodo para el modelado y subsracción de vehículos en escenas en movimieno. Se modelan escenas dinámicas con el propósio de subsraer el fondo de ésa y deecar cambios. El méodo uiliza un flujo ópico como caracerísica de deección de cambios. Para raar apropiadamene la inceridumbre en las caracerísicas, se propone una nueva écnica de esimación mulivariada de densidad basada en kernel, el cual es un méodo no predicivo, que adapa un ancho de banda o venana de acuerdo a la inceridumbre en las pruebas y medidas del muesreo. La idea cenral en [5], es uilizar las propiedades de la escena para la consrucción de una apropiada represenación que pueda ser uilizada para la clasificación de una nueva observación del fondo. La información provisa por esa represenación puede ser considerada como una visualización de bajo nivel, la cual da inicio a la realización de la area de alo nivel del análisis de objeos como: deección, seguimieno y clasificación. El modelamieno del background se realiza mediane un esimador kernel. Ese consruye una represenación probabilísica de las observaciones de un píxel en paricular. En oras palabras, modela la disribución probabilísica de los píxeles del fondo. Ese méodo kernel ambién llamado venanas de parzen en el reconocimieno de parones; se represena por la siguiene expresión. n 1 f ( x ) = K H ( x x i ) n i = 1 donde, n es un conjuno de punos de una muesra, K(.) es la función Kernel, en ese caso de ipo Gaussiana, la cual esá cenrada en cada uno de los daos del muesreo y en función de una mariz H, la cual coniene los parámeros de suavidad y especifica el ancho de la venana, ya que puede adaparse a los daos de la muesra. Una vez esablecida la aproximación de la densidad, se procede a deerminar un mecanismo de clasificación para los daos observados. Esa puede realizarse por umbralización de

10 Sisemas de monioreo de ránsio vehicular basados en écnicas de segmenación de imágenes Leal, Leal & Branch 83 la probabilidad de que una nueva observación perenezca al fondo. De esa forma, se puede exraer el fondo de las escenas. El siguiene paso es el modelamieno de las caracerísicas dinámicas, el cual es basado en el cálculo del flujo ópico; dicho cálculo, es uilizado como una caracerísica en un espacio dimensional superior. Aunque muchos algorimos de flujo ópico y sus exensiones pueden ser considerados, en ese rabajo, se uilizó el flujo ópico diferencial muliescala bayesiano. Ese iene la caracerísica deseada de ser capaz de deerminar el error caracerísico de la esimación del flujo ópico. Mezclas o Misuras Gausianas En [38] se modela el fondo, mediane la écnica de Modelado de Mezclas Gaussianas (GMM), con el fin de subsraer el fondo de la escena y de esa manera disinguirlo de foreground o plano superior de ésa. Como en la prácica la iluminación de la escena puede cambiar gradualmene (hora del día, condiciones del iempo, ec.) o de una manera improvisa como en un cambio de luz al inerior de la escena. En ese insane un nuevo objeo puede ser ingresado o borrado de la escena. Para ello, se hace un GMM correspondiene al modelado del fondo, además de un modelo para el plano superior; luego, empleando el eorema de Bayes, se realiza la clasificación de los píxeles cambianes en la escena. Los GMM, son modelos semiparaméricos, los cuales son alernaivos a los méodos no paraméricos, son una generalización de las redes de función de base radial. Su represenación maemáica es la siguiene. P ( x / j ) P ( x / j ) P ( j ) = M j = 1 Para el caso paricular del modelamieno del background, endríamos que una densidad condicional para el píxel x pereneciene al background j; será una Mezcla (Mixure) con M componenes de densidad. Donde el coeficiene P ( j ) llamado parámero de Mezcla (Mixing) y M j = 1 P ( j ) = 1 es el j esimo componene Gaussiano con media de inensidad µ y desviación esándar σ. Un modelo alernaivo al GMM es propueso en [10], en el cual se combina un modelo robuso de formas, con los hisogramas de las caracerísicas de las imágenes, arrojando buenos resulados en las pruebas. La foraleza de ese méodo reside en la búsqueda y deección de propiedades ales como: forma, color y exura. Para ello es modelan la densidad conjuna de dichas propiedades perenecienes a los objeos presenes en las imágenes. Denoando un vecor de caracerísicas (color, exura), en un puno pereneciene a un objeo f; se puede usar una disribución conjuna de la forma p ( f, x, y ) = p ( f ) p ( x, y ) Como esa disribución no puede modelar propiedades espaciales varianes en la imagen; una solución es adicionar una copia de las coordenadas espaciales al vecor del observador y usar una disribución de la forma: ' ' ' ' p ( f, x, y, x, y ) = p ( f, x, y ) p ( x, y ) Una posible forma de p ( f, x, y ), la cual es elegane por su simplicidad es consruir un hisograma, para lo cual el espacio x y, f, es dividido en una maya bidimensional, asumiendo que los componenes de f son muuamene independienes. Una forma de calcular esa disribución es enonces eniendo un produco de los hisogramas unidimensionales de cada una de las componenes independienes, de la forma: p ( f, x, y ) = F i = 1 p ( f ) xy donde, cada f es un hisograma unidimensional. i Sumando dicha producoria, se obiene una mezcla de hisogramas. O se puede calcular dicha disribución de forma bidimensional de la siguiene manera. p ( f, x, y ) = B B i = 1 j = 1 p ( f / b ) p ( x, y / b ) P ( b ) donde B, es la dimensión, y son las subdivisiones del hisograma. Lo cual es similar a las mezclas Gaussianas coninuas que se presena en [38]. Filro de Gabor Una combinación de waveles y un filro Gabor es empleada en [33] con el fin de reducir el error en la deección de objeos de inerés en secuencias de imágenes. La combinación uiliza los waveles para codificar la información de los bordes y el filro Gabor para deerminar la orienación y la realizar un afinamieno de la deección de bordes y líneas La función general de la familia de filros Gabor bidimensional, puede ser represenada como una función Gaussiana modulada por una función compleja sinusoidal. Específicamene el filro bidimensional de Gabor es: ij ij ij

11 84 Revisa Avances en Sisemas e Informáica, Vol.7 No.3, diciembre de 010 Medellín. ISSN x y g ( x, y ) = exp[ ( + )] exp[ π W j x ] πσ x σ y σ x σ y x = x cos θ + ysen θ y = xsen θ + y cos θ donde, σ x y σ y son los parámeros de escalamieno del filro que deerminan el amaño efecivo del vecindario de un píxel mediane la suma de los pesos. El parámero θ ( θ [ 0, π )), especifica la orienación del Filro [3], [33]. Filrado de parículas El Filro de Parículas es un méodo secuencial de Mone Carlo aplicable a cualquier ransición de esados o modelo de medida. En la Visión Arificial se uiliza para el seguimieno de objeos en secuencias de imágenes. Ese méodo lo propusieron N. Gordon, D. Salmond y A. Smih en 1993 [15]. El problema de la esimación secuencial, desde un puno de visa Bayesiano, consise en el cálculo recursivo, con un ciero grado de confianza, del esado del sisema x en el insane, dadas las observaciones Z 1 : = { z 1,..., z }. Para ello, es necesario calcular la función de disribución de probabilidad (pdf) ( x 1: ) p. La pdf inicial p x ) p ( ) ( 0 0 x 0 se asume conocida. Así, la pdf a poseriori p ( x 1 : ) se puede calcular en dos eapas: Tabla 1. Clasificación de écnicas de segmenación de imágenes Nauraleza de la écnica Deerminísica Heurísica Esadísica Espacial Umbralización Diferenciación de imágenes Deección de bordes Morfológicos Por movimieno Orienados a regiones Fusión de regiones [17] [3] Redes Neuronales Algorimos Genéicos Lógica Difusa Cluserización [1] Bayesianos Hisograma de Frecuencias Kernels de Densidad Mezclas Gaussianas Filro de Kalman [1] [8] [9] [17] Dominio de aplicación Frecuencia Umbralización Filro de Gabor Waveles [3] [33] 1. Pr edicción: supóngase que se dispone de la pdf p ( x 1 1 : 1 ) en el insane 1. La eapa de predicción implica el uso del modelo del sisema para obener de manera recursiva la pdf a priori p x ) en el insane siguiene, mediane la ecuación: p ( z 1 : 1 ( x 1 : 1 ) = p ( x 1 ) p ( x 1 1 : 1 ) dx 1. Evaluación: En el insane, se dispone de una nueva medida ( z ) que se puede uilizar durane la acualización del esado del sisema mediane el uso del eorema de Bayes: p( x ) = 1 : p ( z x ) p ( x 1 : p ( z ) 1 : 1 1 Las dos ecuaciones de predicción y evaluación, conforman la base de la solución Bayesiana ópima. Esa propagación )

12 Sisemas de monioreo de ránsio vehicular basados en écnicas de segmenación de imágenes Leal, Leal & Branch 85 recursiva de la densidad a poseriori es únicamene un resulado concepual, pueso que, en general, no se puede deerminar analíicamene. Por esa razón, se encuenra en la lieraura un número significaivo de rabajos que presenan modelos aproximados de esas funciones de disribución. IV. CONCLUSIO NES Y TENDENCIAS FUTURAS Hacia el fuuro, se espera que los sisemas ineligenes de visión sean aplicados, cada vez más, en areas más complejas. La creciene complejidad de esos sisemas, requerirá arquiecuras de sofware que puedan raar con varias aplicaciones y módulos de percepción, simuláneamene. Los sisemas de visión ineligene de conrol de ránsio, evolucionarán a sisemas que enreguen información más precisa y granular sobre las escenas capuradas en iempo real. Se espera que ésos, enreguen dealles como canidad de vehículos, velocidad de desplazamieno de los mismos, modelo, color, idenificación del número de marícula, aún cuando esos se encuenren en movimieno; y en general, dealles minuciosos que los sisemas acuales no esán en capacidad de proporcionar y que conribuirían al mejoramieno de las condiciones de seguridad y de regulación del ránsio vehicular. El avance en las ecnologías de las elecomunicaciones permiirá desarrollar sisemas de ránsio vehicular en red, que cubran y enreguen información deallada de áreas amplias, las cuales son cubieras en la acualidad por sisemas de coberura amplia que no enregan dealles de los vehículos de la escena. REFERENCIAS [1] Abramczuk T., A microcompued based TV deecor for road raffic. In Symposium on Road Research Program, Tokyo, Japan, Ocober. [] Ako ciunas E.; Blake R.; Juozapavi cius A. and Kazimianec M., 005. Image Processing in Road Traffic Analysis. Nonlinear Analysis: Modelling and Conrol, Vol. 10, No. 4, [3] Bevilacqua A., 00. Effecive Objec Segmenaion in a Traffic Monioring Applicaion. 3rd IAPR Indian Conference on Compuer Vision, Graphics and Image Processing. [4] Camapum J. and Fisher M., Segmenaion using Spaial Feaure Clusering from Image Secuences. Inernaional Conference on Image Processing (ICIP 98) Ocober 04 07, Chicago, Illinois. [5] Chandrika K; Cheung S. and Ching S., 005. Robus Background Subracion wih Foreground Validaion for Urban Traffic Video. EURASIP Journal on Applied Signal Processing, [6] Cornish M.T. and Wakefield J.P, Auomaically Locaing an Area of Ineres and Mainaining a Reference Image o Aid he Real Time Tracking of Objecs. In Proceedings of Brihis Machine Vision Conference, pages , Sepember. [7] Cucchiara R. and Piccardi M., Vehicle Deecion under Day and Nigh Illuminaion. Proceedings of 3ª Inernaional ICSC Symposium on Inelligen Indusrial Auomaion. [8] Davis L.; Elgammal A.; and Harwood D., 000. Non parameric Model for Background Subracion, 6h European Conference on Compuer Vision, Dublin. [9] Davis L.S. ; Duraiswami R.; Elgammal A. ; and Harwood D., 00. Background and Foreground Modeling Using Nonparameric Kernel Densiy Esimaion for Visual Surveillance. Proceedings of he IEEE, vol. 90, no. 7, july. [10] Everingham M.R.; and Thomas B.T., 001. Supervised segmenaion and racking of nonrigid objecs using a mixure of hisograms model. In Proceedings of he 8h IEEE Inernaional Conference on Image Processing (ICIP001), pages 6 65, Ocober. [11] Fahy M.; and Siyal M.Y., A real ime image processing approach o measure raffic queue parameers. IEEE proceedings. Vision, image and Signal processing 14(5): , ocober. [1] Blake A.; Ferrier N.; and Rowe S., Real Traffic Monioring. IEEE Workshop on Applicaions of Compuer Vision, Sarasoa, FL. [13] Friedman N.; and, Russel S., Image Segmenaion in Video Secuences a Probabilisics Approach. Proceedings of he Thireenh Conference on Uncerainy in Arificial Inelligence. [14] Fumero A. M., 000. El Filro de Kalman. Temas Especiales de Análisis Numérico. Madrid. [15] Gordon N.J.; Salmond D.J.; and Smih A.F.M., Novel approach o nonlinear/non Gaussian Bayesian sae esimaion. Radar and Signal Processing, IEE Proceedings F. 140: [16] Franke U.; and Gorzic S., ANTS Inellligen Vision in Urban Traffic. IEEE Inernaional Conference on Inelligen Vehicles. [17] Grupe S.; Marin R.; Masoud O.; and Papanikolopoulos N., 00. Deecion and Classificaion of Vehicles. IEEE Transacions on Inelligen Transporaion Sysems, vol. 3, no. 1, march. [18] Hoose N., Compuer Image Processing in Traffic Engineering. Research Sudies Press. [19] Hoose N., Queue deecion using compuer image processing. In nd. In. Conf. Road Traffic Monioring, pages 94 98, London, February. IEEE. [0] Iñigo R. M., Applicaion of Machine Visión o raffic Monioring and Conrol. IEEE Transacion on Vehicular Technology, 38(3):11 1, Augus. [1] Kasprzak W.; and Niemann H., Applying a Dynamic Recogniion Scheme for Vehicle Recogniion in Many Objec Traffic Scenes. Worshop on Machine Vision Applicaions. Tokyo Japan. [] Kwon E. ; Masoud O. ; and Papanikolopoulos N. P., 1998.Vision Based Monioring of Weaving Secions. Inelligen Transporaion Sysems. Proceedings.IEEE/IEEJ/JSAI Inernaional Conference on [3] Bronzini M.; Goel P.; Gomez R.; Hickman M.; McCord M.; Merry C.; Mirchandani P.; and Morrison J., 001. Remoe Sensing of Transporaion Flows, Remoe Sensing for Transporaion Produc and Resuls: Foundaions for he Fuure. Conference Proceedings 9, Commiee for Conferences on Remoe Sensing and Spaial Informaion Technologies for Transporaion, Transporaion Research Board, Washingon, DC, December 10 1, pp [4] Bernardino A.; Melo J.; Nafel A.; and Sanos Vicor J., 004. Viewpoin Independen Deecion of Vehicle Trajecories and Lane Geomery from Uncalibraed Traffic Surveillance Cameras. ICIAR

13 86 Revisa Avances en Sisemas e Informáica, Vol.7 No.3, diciembre de 010 Medellín. ISSN In l Conference on Image Analysis and Recogniion, Poro, Porugal, Sep.9 Oc.1. [5] Mial A.; and Paragios N., 004. Moion Based Background Subsracion Using Adapive Kernel Densiy Esimaion, Siemens Corporae Research. IEEE Conference on Compuer Vision and Paern Recogniion (CVPR), Washingon, DC, July. [6] Dovis F.; Pen M.; and Mulassano P., 000. HeliNe: Nework of Sraospheric Plaforms for Traffic Monioring, Environmenal Surveillance and Broadband Services, GNSS000, Edimburgh, Scoland, UK, 1 4 May. [7] Punavungkour S.; and Shibasaki R., 003. Vehicle Deecion from Three Line Scanner Image. IEEE 6h Inernaional Conference on inelligence ransporaion Sysems, Shanghai, China, 1 15 Ocober. [8] Punavungkour S.; and Shibasaki R., 003. Feaure Objec Deecion on he urban road surface by The Applicaion of Three Line Scanner Imagery. Poser Session1, The 3h Asian Conference on Remoe Sensing, Kahmandu, Nepal, 5 9 November. [9] Punavungkour S.; and Shibasaki R., 00. A Sudy on Possibiliy of TLS image for Applicaion o Road Monioring on he sree in he urban. Poser session No.1, Geoinformaion Forum Japan 00, Tokyo, Japan, 3 5 July. [30] Ballard D.H.; and Salgian G., Visual Rouines for Vehicle Conrol. In D. Kriegman, G. Hager, S. Morse ediors, The Confluence of Vision and Conrol. Springer Verlag. [31] Sechell C.J., Aplicaion of Compuer Vision o road raffic Monioring. Ph.D Thesis Universiy of Brisol. [3] Bebis G.; Miller R.; and Sun Z., 003. Evoluionary Gabor Filer Opimizaion wih Applicaion o Vehicle Deecion. IEEE Inernaional Conference on Daa Mining, Melbourne FL. [33] Bebis G.; Miller R.; and Sun Z., 00. Improving he Performance of On Road Vehicle Deecion by Combining Gabor and Wavele Feaures. IEEE 5h Inernaional Conference on Inelligen Transporaion Sysems, Singapore, Sep. [34] Byong W.H.; Kaneko T.; Sakauchi M.; Sekine T.; and Takaba, S., 198. Measuremen of raffic flow using real ime processing of moving picures. In 3nd. Conf. on Vehicular Technology, pages , San Diego, C.A. [35] Bishop G.; and Welch G., 006. An Inroducion o he Kalman Filer. Deparmen of Compuer Science Universiy of Norh Carolina a Chapel Hill. UNC Chapel Hill, TR , July. [36] Jay K.C.C.; Yeh C.H; and Yoneyama A., 005. Robus Vehicle and Traffic Informaion Exracion for Highway Surveillance. EURASIP Journal on Applied Signal Processing, [37] Nihan N.L.; Hallenbeck M.E.; Wang Y.; and Zheng J.,006. Exracing Roadway Background Image: a Mode Based Approach. TRB 006 Annual Meeing. [38] Zivkovic Z., 004. Improved Adapive Gaussian Mixure Model for Background Subracion. In Proc. ICPR.