1. Introducción
La población panameña sigue creciendo a medida que pasan los años, por consiguiente, la cantidad de vehículos en las calles aumenta también. Estadísticas por parte del Instituto Nacional de Estadística y Censo [1], desde el 2010 al 2016 se ha dado un aumento del 25% en la cantidad de accidentes automovilísticos en toda la república. Por esto es necesario buscar formas para mitigar esta tendencia.
Ya existen bastantes tecnologías, a la fecha, que ayudan a prevenir y hasta evitar colisiones. Están las cámaras de retroceso, radares indicadores de punto ciego, sistemas de frenado automático; inclusive, existen vehículos autónomos, por ejemplo, los desarrollados por la compañía Tesla. En Panamá, de los principales vendedores, solo pudimos encontrar mención de la venta de vehículos con sistemas de prevención de colisiones (Honda Sensing) por Honda con el vehículo Honda Accord 2017. El precio de venta inicial de este auto es de 22.000 dólares. Para poder adquirir estas características uno debe comprar un vehículo nuevo. Esto impone una gran barrera para cualquier ciudadano. Además, cualquier persona que ya tenga un vehículo funcional no tienen incentivo de comprar uno nuevo.
Gracias a los avances en la tecnología, la mayoría de las personas tienen acceso a un celular inteligente con gran cantidad de procesamiento para lo pequeño que son estos dispositivos. Estos dispositivos “generalmente” cuentan con una cámara fotográfica. Con la ayuda de las redes neuronales y el aprendizaje de máquinas buscamos reducir la barrera para la obtención de estas características a cualquier persona con un dispositivo móvil.
2. Antecedentes
Por medio de realización de una revisión en el Google Play Store se encontraron dos aplicaciones relacionadas a la nuestra. La más cercana a nuestro enfoque es la aplicación “DailyRoads Voyager” [2] creada por DailyRoads la cual consiste en una aplicación que grabe los sucesos que ocurran en el transcurso de la calle. La otra es Advanced Driver Assistance System (ADAS) - Ringo [3], la cual intenta detectar colisiones delanteras, utilizando el GPS y la cámara del dispositivo. Aunque ADAS detecta decentemente la velocidad del vehículo y proyecta la posición en un mapa de Google Maps, la misma no muestra claramente la imagen de la cámara, reconoce vehículos raramente y cuando los reconoce, lo hace a 100 metros de distancia del vehículo que maneja o donde se encuentra el usuario.
Con lo anterior expuesto se puede afirmar que la aplicación propuesta es de interés y pertinencia para cualquier persona que quiera tener un sistema para evitar colisiones. Lo cual permitirá que con un auto normal pueda tener la función de un auto de lujo.
De los antecedentes detectados relacionados con la presente investigación, se tienen:
Analysis of the possibility of using video recorder for the assessment speed of vehicle before the accident: Desarrollada por Michal Mariusz Abramowsk en la cual demuestra por una serie de pruebas la posibilidad de utilizando una videocámara la posibilidad de evacuar antes del accidente [4].
YOLOv3: You Only Look Once: Unified, Real-Time Object Detection: Desarrollada por Joseph Redmon y Ali Farhadi, la cual es un nuevo enfoque al problema de la detección de objetos en el área de la visión de computadoras a diferencia de los anteriores clasificadores modificados [5]. La arquitectura de YOLO toma el problema de la detección de objetos como un problema de regresión a cajas de posición y probabilidades de clases.
Sistema de comunicación inteligente para la disminución de accidentes automovilísticos por colisión: Desarrollado por Emmanuel Contreras Medina y Jorge Rafael Aguilar Cisneros, consiste en el desarrollo de un sistema que permita la comunicación entre dispositivos en la cual estas puedan disminuir los accidentes automovilísticos [6].
En comparación con los sistemas anteriormente expuestos, se puede decir que el sistema de detección de colisión temprana propuesta será desarrollado a un ambiente móvil, bajo la filosofía de una aplicación gratuita. Asi como también esta será una herramienta que podrá ser utilizada por cualquier persona. Además de brindar un servicio de seguridad preventiva.
3. Metodología
Se realizó la búsqueda de herramientas que permitan el desarrollo de esta aplicación. Se determinó que la aplicación será desarrollada para la plataforma Android. Debido a esto se utilizó la IDE Android Studio. El código de la aplicación reside en un repositorio en GitHub para mantener un control de versiones.
Después de crear las aplicaciones se realizaron diferentes pruebas para evaluar el rendimiento y exactitud de esta. Para evaluar el rendimiento se probó en diferentes dispositivos, el tiempo en que la red neural demora en evaluar un fotograma de la cámara. Llamamos a esto tiempo de reacción. Por último, se evaluó la exactitud de la medición de la distancia de la cámara al vehículo a distancia corta, distancia media y distancia larga.
Se analizaron los resultados de las pruebas para decidir si la aplicación puede llegar a ser utilizada como un detector de colisiones económico.
4. Sistema de detección de colisión
El Sistema DTC (Detección de colisión temprana) utiliza la red neural YOLOv2 (You Only Look Once) para realizar la tarea de detectar objetos en una imagen. Se escogió esta red neuronal que ya cuenta con una implementación del modelo en Tensorflow, librería para el aprendizaje de máquinas. Esto es necesario, ya que el sistema se desarrollaría en Android y Tensorflow cuenta con soporte para este sistema y ejecutar los modelos. Otra razón es que a finales de 2015 en el ranking del PASCAL VOC en la competencia de detección de objetos, YOLO quedó de cuarto en precisión media. Además, en su momento era la única capaz de alcanzar las detecciones en tiempo real [7]. Esto es primordial debido a que los dispositivos móviles no cuentan con grandes cantidades de poder de procesamiento.
La red neuronal recibe como entrada una imagen y como resultado, devuelve las clases detectadas con sus respectivas probabilidades de certeza y su posición en la imagen. De los pesos disponibles para la red neuronal se utilizó Tiny-Yolo. Esta fue entrenada con el dataset VOC, él cuenta con imágenes de vehículos. Además, este es el modelo menos demanda de recursos tiene, pero a la vez es el menos preciso.
Figura 1. Representación gráfica del método de medición de distancia por medio de triangulación a través de una cámara.
Para realizar la estimación de la distancia de un objeto a la cámara se propone la utilización simple de los triángulos similares que se forman al tener lentes convexos. Haciendo referencia a la figura 1, lo que se quiere obtener es la distancia al objeto. Al ser los triángulos A y B opuestos por el vértice y además los lados opuestos son paralelos, estos son similares. Por la misma razón el triángulo C y A son similares, lo cual también lo hace similar al B. Por último, el triángulo D es similar al C debido a que comparten un ángulo y además dos de sus lados son paralelos. Al final tenemos los triángulos A, B, C y D como similares (ecuación 1).
Con esto podemos derivar la siguiente ecuación.
Donde Hr es la altura real, Hv es la altura virtual, Do es la distancia al objeto y Df es la distancia focal del espejo.
Despejando la distancia al objeto resulta:
Para poder obtener la distancia de la cámara al vehículo se necesita la distancia focal del lente de la cámara, el alto o el ancho del vehículo a distancia y el alto o el ancho de la imagen virtual dependiendo de que se utilizó en el vehículo (ecuación 2). La gran mayoría de los vendedores indican la distancia focal del lente y esta información puede estar disponible desde el mismo sistema operativo. Para el ancho del vehículo se utilizó 1.69 metros. El ancho de la imagen virtual se obtiene contando los píxeles de ancho de la imagen.
Las posiciones que retorna YOLO es un cuadro que delimita la posición del objeto dentro de la imagen. Utilizando el ancho de este cuadro ya podemos calcular la distancia de la cámara al vehículo. YOLO con los parámetros del Tiny-YOLO retorna unos cuadros un poco más grandes de la dimensión del objeto en la imagen, ver figura 2.
Figura 2. Detección de la localización del vehículo en la imagen por la red neural YOLO.
Para mejorar la exactitud de la medición del vehículo se implementó el algoritmo para la detección de bordes Canny, creado por John F. Canny en 1986 [5]. Este algoritmo está disponible en la librería de Código OpenCV. Después de aplicar el algoritmo se obtiene de resultado la figura 3. Para la aplicación del algoritmo, se recorta el área donde YOLO detectó el vehículo y esta se le pasa al algoritmo. Ya con los bordes detectados podemos tener un resultado igual o más exacto del que YOLO obtuvo del ancho del vehículo, no menos.
Figura 3. Imagen del vehículo pasada por el algoritmo de detección de bordes Canny.
5. Desarrollo del sistema DCT
La aplicación está desarrollada en el lenguaje de programación Kotlin utilizando la IDE (Integrated Development Environment) Android Studio. Las razones por la cual Kotlin fue escogido fue por ser una alternativa moderna a Java, ser soportado oficialmente en Android Studio, y su interoperabilidad con Java [8]. Gracias a esta característica podíamos utilizar Kotlin y aprovechar todas las librerías, tanto de Kotlin como de Java, y syntax que facilitan el desarrollo en Android, y utilizar Java sí Kotlin no cumplia con lo que necesitábamos para implementar ciertas funciones, esencialmente utilizando dos lenguajes como si fueran uno.
6. Análisis de resultados