Detección y Clasificación de Señales de Tráfico Mexicanas Mediante Aprendizaje Profundo

Abstract

La detección y clasificación automática de señales de tráfico es una tarea para apoyar la seguridad de un conductor e incluso para asistir en la navegación de un automóvil autónomo. El objetivo del artículo es presentar una metodología para la detección y clasificación de señales de tráfico mexicanas mediante aprendizaje profundo. La metodología se divide en cinco etapas: 1) se realiza la recolección de 1284 imágenes de señales de tráfico en un ambiente no controlado, 2) se propone un proceso manual para la detección de señales de tráfico en las imágenes, 3) se entrena una red neuronal convolucional con el conjunto CIFAR-10 para obtener conocimiento amplio de características de diferentes objetos, 4) se utiliza una red neuronal convolucional basada en regiones para detectar las señales, y 5) se realiza un proceso de transferencia de conocimiento y de aumentado de datos para la clasificación con ResNet-50 modificada. De acuerdo con los resultados obtenidos de los experimentos se concluye que la metodología propuesta permite reconocer señales de tráfico mexicanas con una exactitud del 95.33%, lo cual es competitivo con los resultados presentados en la literatura. Además, para demostrar la robustez de la propuesta, se presenta una prueba para clasificar imágenes que no contienen señales de tráfico cuyo resultado de exactitud fue de 99.5%.