Sistema de monitoreo continuo de uso correcto de los carriles de una calzada mediante la tecnología de visión por computadora

Abstract

Este proyecto tiene como objetivo desarrollar un sistema de monitoreo de tráfico en tiempo real utilizando visión por computadora para detectar el comportamiento vehicular, medir la velocidad de los vehículos y seguir los carriles. El sistema emplea algoritmos avanzados como YOLO, SORT y EasyOCR, que permiten identificar vehículos y placas con alta precisión, incluso en condiciones de iluminación deficiente o tráfico denso. La estimación de velocidad se realiza mediante el cambio en el tamaño de las placas entre fotogramas consecutivos, alcanzando un margen de error promedio del 8.02%.

El sistema también realiza un seguimiento de las líneas de los carriles en la carretera, adaptándose dinámicamente a movimientos sutiles de la cámara causados por vibraciones o factores ambientales. Los datos se visualizan a través de una plataforma web intuitiva y responsiva, donde los operadores pueden consultar el comportamiento vehicular detectado, la velocidad registrada y un listado de los vehículos que más repiten comportamientos.

Además, el sistema fue validado mediante pruebas en entornos reales y una encuesta que mostró que los usuarios creen que la exposición pública del mal comportamiento vehicular puede motivar una conducción más responsable. Desplegado en AWS, el sistema asegura escalabilidad y adaptabilidad, permitiendo futuras mejoras e integraciones.

Este sistema ofrece una herramienta robusta para la gestión del tráfico, contribuyendo a un comportamiento vehicular más seguro y eficiente.

This project aims to develop a real-time traffic monitoring system using computer vision to detect vehicle behavior, measure vehicle speeds, and track lanes. The system leverages advanced algorithms such as YOLO, SORT, and EasyOCR, enabling high-precision identification of vehicles and license plates, even in low-light conditions or heavy traffic. Speed estimation is performed by analyzing changes in plate size between consecutive frames, achieving an average error margin of 8.02%.

The system also tracks lane lines on the road, dynamically adapting to subtle camera movements caused by vibrations or environmental factors. Data is visualized through an intuitive and responsive web platform, where operators can review detected vehicle behavior, recorded speeds, and a list of vehicles with recurring violations.

Furthermore, the system was validated through real-world testing and a survey indicating that users believe public exposure of unsafe driving behavior could encourage more responsible driving. Deployed on AWS, the system ensures scalability and adaptability, enabling future enhancements and integrations.

This system provides a robust tool for traffic management, contributing to safer and more efficient vehicle behavior.