Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
1
DISEÑO E IMPLEMENTACIÓN DE UNA APLICACIÓN PARA LA
DETECCIÓN Y RECONOCIMIENTO DE SEÑALES DE
LIMITACIÓN DE VELOCIDAD
DESIGN AND IMPLEMENTATION OF AN APPLICATION FOR
THE DETECTION AND RECOGNITION OF SPEED LIMIT SIGNS
Roberto Alejandro Larrea Luzuriaga1,
Cristina Alejandra Orozco Cazco2,
1 Instituto Superior Universitario Carlos Cisneros, Ecuador, roberto.larrea@istcarloscisneros.edu.ec
2 Instituto Superior Universitario Carlos Cisneros, Ecuador, cristina.orozco@istcarloscisneros.edu.ec
RESUMEN
Se realizó un análisis a la aplicación diseñada para brindar una solución a nivel de asistencia en la conducción,
respecto a la detección oportuna de señales de tránsito, específicamente a las señales de velocidad, que
permitan una respuesta oportuna por parte del conductor. El objetivo del artículo es presentar el diseño, la
implementación y la validación de una aplicación funcional capaz de detectar y reconocer señales de limitación
de velocidad a partir archivos de imagen, de video o por medio de un flujo de video en tiempo real. La
metodología utilizada consiste en 4 procesos que establecen la adquisición de la imagen, procesamiento de
la imagen y video, detección y control de la señal y velocidad, y visualización de resultados. El desarrollo de
la aplicación se lo realizó en Eclipse en código C++, utilizando librerías para el tratamiento de imágenes y
video de CImg y OpenCV. Con base a los resultados obtenidos de la aplicación implementada, se ha logrado
óptimas prestaciones, es decir, se tiene una certeza de casi el 90% y un error alrededor del 1%. Además, se
ha analizado dificultades y errores de detección, así como también se estableció estadísticas de tiempo de
procesamiento en relación a las características del hardware utilizado.
Palabras clave: Tratamiento de imagen y video, Señal velocidad, Visión Artificial, CImg, OpenCV.
ABSTRACT
An analysis was conducted on the application designed to provide a driving assistance solution for the timely
detection of traffic signs, specifically speed signs, enabling a timely response by the driver. The objective of
this article is to present the design, implementation, and validation of a functional application capable of
detecting and recognizing speed limit signs from image or video files or a real-time video stream. The
methodology used consists of four processes: image acquisition, image and video processing, sign and speed
detection and control, and results visualization. The application was developed in Eclipse using C++ code,
using Cimg and OpenCV image and video processing libraries. Based on the results obtained from the
implemented application, optimal performance was achieved, with an accuracy of almost 90% and an error rate
of around 1%. In addition, detection difficulties and errors were analyzed, and processing time statistics were
established in relation to the characteristics of the hardware used.
Keywords: Image and video processing, Velocity signal, Machine Vision, Cimg, OpenCV
Recibido: Agosto 2025 Aceptado: Diciembre 2025
Received: August 2025 Accepted: December 2025
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
2
1. INTRODUCCIÓN
La creciente demanda por Sistemas Avanzados de
Asistencia al Conductor (ADAS, por sus siglas en
inglés) ha impulsado el desarrollo de tecnologías
capaces de reconocer señales de tránsito en tiempo
real, con el propósito de mejorar la seguridad
vehicular y reducir accidentes causados por exceso
de velocidad. En este contexto, esta investigación
aborda el diseño e implementación de una aplicación
usando procesamiento de imágenes con CImg,
visión por computadora con OpenCV y
programación en C++ para detectar y reconocer
señales de limitación de velocidad, presentándolas
anticipadamente al conductor como un asistente
visual.
La seguridad vial representa uno de los mayores
desafíos en las sociedades modernas, donde el
incremento del parque automotor y la complejidad de
las redes de carreteras exigen el desarrollo de
tecnologías innovadoras para la prevención de
accidentes. Una de las principales causas de
siniestralidad vial es el exceso de velocidad, a
menudo producto de la distracción o del
desconocimiento de los límites específicos en un
tramo determinado [1]. En este contexto, los
Sistemas ADAS han emergido como una solución
tecnológica fundamental para mitigar los riesgos
asociados a la conducción [2]. Estos sistemas, que
integran diversas tecnologías como sensores,
cámaras y algoritmos de procesamiento, buscan
mejorar la interacción entre el conductor, el vehículo
y su entorno.
La presente investigación se ha realizado con el
propósito de explorar y contribuir al desarrollo de
aplicaciones en tiempo real que permitan asistir
activamente a la conducción vehicular.
Específicamente, se enfoca en el reconocimiento
automático de señales de tránsito, con particular
interés en las de limitación de velocidad, mediante la
aplicación de técnicas de procesamiento digital de
imágenes y video. Para ello, se utiliza la biblioteca
de procesamiento de imágenes CImg (Digital Image
Processing), y de la biblioteca de visión por
computador OpenCV (Open Source Computer
Vision Library), ambas de código abierto, las cuales
ofrecen un robusto conjunto de herramientas para el
análisis de imágenes en tiempo real, siendo
ampliamente adoptadas tanto en la industria como
en la academia [3], [4].
El problema central que se pretende resolver es la
reducción de la incidencia de accidentes de tránsito
causados por el exceso de velocidad en calles y
carreteras urbanas. Se busca abordar esta
problemática mediante el diseño y la implementación
de una herramienta de asistencia visual que permita
el procesamiento en tiempo real de imágenes y
vídeo capturados por una cámara frontal,
identificando señales de límite de velocidad y
notificando al conductor oportunamente. Esto se
fundamenta en la premisa de que una intervención
oportuna puede fomentar comportamientos de
conducción más seguros y reducir la incidencia de
accidentes por velocidad excesiva. A diferencia de
los sistemas basados en GPS, que pueden tener
información desactualizada o imprecisa, un sistema
basado en visión por computador ofrece información
contextual y dinámica, directamente extraída del
entorno vial [5].
El estado del arte en el reconocimiento de señales
de tránsito (TSR, por sus siglas en inglés) ha
experimentado avances significativos en la última
década. Las investigaciones iniciales se centraron
en métodos basados en color y forma para la
segmentación y detección de señales [6]. Trabajos
como el de Stallkamp et al. [7] sentaron las bases al
crear benchmarks para la comparación de
algoritmos de clasificación. Posteriormente, el
enfoque ha migrado hacia el uso de técnicas de
aprendizaje automático y, más recientemente, de
aprendizaje profundo (deep learning). Arquitecturas
como las Redes Neuronales Convolucionales (CNN)
han demostrado una precisión sobresaliente en la
clasificación de señales de tránsito, incluso en
condiciones de iluminación variable, oclusión parcial
o deformación de la señal [8], [9]. No obstante, la
implementación de estos modelos en sistemas
embebidos o de bajo costo para aplicaciones en
tiempo real sigue siendo un desafío activo debido a
su alta demanda computacional [10]. Por ello, la
optimización de algoritmos clásicos de visión
artificial, como los que ofrece OpenCV para la
detección de características (ej. Haar Cascades,
HOG) y el reconocimiento de formas, sigue siendo
un área de investigación relevante y con
aplicabilidad práctica directa en sistemas de
asistencia al conductor [4], [5].
El objetivo de este artículo es, por lo tanto, presentar
el diseño, la implementación y la validación de una
aplicación funcional capaz de detectar y reconocer
señales de limitación de velocidad a partir de un flujo
de video en tiempo real. El sistema propuesto se
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
3
basa en una cascada de algoritmos de
procesamiento de imágenes implementados en C++
con el apoyo de las bibliotecas de CImg y OpenCV,
buscando un equilibrio entre la precisión del
reconocimiento y la eficiencia computacional
necesaria para su operación en un entorno de
conducción real.
2. METODOLOGÍA Y MATERIALES
La metodología utilizada en el desarrollo de la
aplicación se basó en cuatro procesos (Fig.1),
estableciéndose varias etapas en los procesos 2 al
4, para su diseño y funcionamiento.
1. Adquisición de la imagen
2. Procesamiento y tratamiento de la imagen.
3. Detección y control de señal de velocidad.
4. Visualización de resultados.
La aplicación fue desarrollada en la plataforma
Eclipse en código C++, instalada sobre una máquina
virtual en Virtual Box con sistema operativo Linux
Ubuntu 12.04.
Fig.1: Diagrama de bloques de la aplicación
desarrollada
1.- Adquisición de la imagen
El proceso de adquisición de imágenes estableció la
utilización de una cámara de video, que permitió en
tiempo real la captura de imágenes, procesadas por
la aplicación para la detección y visualización de
señales de velocidad. Sin embargo, en este estudio
se utilizó imágenes de entrenamiento y videos que
permitieron ajustar parámetros los demás procesos
y establecer cierta información útil en relación a su
funcionamiento.
2.- Procesamiento y tratamiento de la imagen
Etapa 1.- Seleccionar componente Roja de
Imagen
Para la detección se eligió la componente roja de la
imagen RGB, de modo que la circunferencia que
encierra la señal de velocidad pueda ser eliminada
en las siguientes etapas.
Etapa 2.- Realizar un Cierre de la imagen
Para la ejecución del cierre que contempló realizar
una dilatación y luego un cierre, se utilizó un
elemento estructurante horizontal de tamaño inicial
de largo 26 píxeles y ancho 1 pixel, de modo que se
mantenga la mayor cantidad de elementos menores
al tamaño del elemento estructurante.
Etapa 3.- Realizar una diferencia del cierre y la
imagen en gris
Con la diferencia del cierre y la imagen en gris se
eliminaron la mayor cantidad de elementos, de
tamaño mayor al elemento estructurante.
Etapa 4.- Aplicar un umbral para la binarización
de la imagen
Para la obtención del umbral se sacó un promedio
de pixeles de la imagen y se le sumó una constante
de valor 25 para efectos de corrección. Posterior con
dicho umbral se realizó la binarización de la imagen
obteniendo una imagen en blanco y negro.
Etapa 5.- Aplicar una segmentación
Sobre la imagen binaria se realizó la segmentación,
de este modo, se detectó y etiquetó a cada uno de
los elementos que constituyen un objeto en la
imagen.
Etapa 6.- Aplicar un filtrado
Para la eliminación de la mayor cantidad objetos que
no constituyen un valor numérico, se ha obtenido el
BoundingBox, así como también la orientación y
elipticidad de cada objeto obtenido en la etapa
anterior. Dichos elementos obtenidos de cada objeto
fueron necesarios para la implementación del filtro.
De esta manera, los objetos que pasaron el filtrado
son solo los objetos que posean las características
de un número de señal de velocidad. Para el filtro se
utilizó criterios de relación aspecto, tamaño,
elipticidad, razón de altura por anchura de los
posibles números, espaciado de carácter y carácter,
y ángulo del objeto con respecto a su ubicación
sobre la imagen.
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
4
3.- Detección y control de la señal de velocidad
Etapa 7.- Seleccionar los objetos que
constituyen una señal de velocidad
Después del filtrado se eliminó un 95% de objetos
que no constituyen un posible número. En esta fase
se seleccionó los elementos que constituyen una
cantidad de 2 o 3 cifras, con el criterio de proximidad
de las unidades (posibles números) y búsqueda de
izquierda a derecha. Por medio de una función de
detección de números de señales de velocidad se
realizó la detección de cada unidad, construyendo la
cantidad de velocidad detectada. Aquí también, se
realizó un control de los posibles valores que se
debería obtener (que existen a nivel de señales de
tránsito), ya que en caso de detectar un valor que no
esté acorde a una cantidad valida de señal de
velocidad, se descartó.
Etapa 8.- Seleccionar la cantidad de la señal de
velocidad mayor
Después de la fase de detección se obtuvo un vector
con varias cantidades de velocidad, se aplicó un
algoritmo para la detección del mayor valor.
Etapa 9.- Localizar la señal de velocidad
detectada en la imagen
Para la señalización de la imagen de velocidad, o
extracción, luego de obtener la cantidad de mayor
velocidad, y utilizando los componentes (etiquetas,
BoundingBox, Orientación, Centro de gravedad) de
cada uno de los números que constituyen la cifra en
decenas o centenas, se calculó los vértices de un
rectángulo que encierre la cantidad de la señal de
velocidad.
4.- Visualización de resultados
Etapa 10.- Detección de velocidad para una
imagen, un conjunto de imágenes, cámara de
video y video.
Para cada una de las opciones de detección se
utilizó las funciones creadas, de modo que se
visualicen los resultados.
Para las opciones de video y cámara, se utilizó un
efecto de degradación d la última imagen detectada
hasta que se detecte una nueva.
Para la opción de múltiples imágenes se obtuvo un
fichero con los valores de velocidad detectados de
cada imagen procesada.
Para cada imagen se procesará hasta con tres
valores posibles de elemento estructurado de modo
que la señal de velocidad pueda ser detectada a lo
lejos y muy cerca.
Esquematización de la aplicación, funciones
implementadas y paso de variables de entrada y
salida
En la Tabla 1 se describen las funciones
implementadas, su operación dentro de las etapas
antes mencionadas, así como también los
parámetros de entrada y salida establecidos.
Tabla 1. Descripción de funciones implementadas y
su operación
Función
void
ocr_number(cimg_library::CImg<f
loat> & vectores)
Operaciones
que realiza
Carga en memoria el entrenador para
la detección de los números
Parámetros
de Entrada
-
Parámetros
de Salida
Vectores
Función
int number(const
cimg_library::CImg<int> & seg,
cimg_library::CImg<float> &
vectores, int label)
Operaciones
que realiza
Detecta el posible valor (número) del
posible objeto señal de velocidad.
Parámetros
de Entrada
Imagen segmentada seg, vectores.
Parámetros
de Salida
Valor numérico entero.
Función
void tpimgvelocidad(const
cimg_library::CImg<unsigned
char> & input, int ee,
cimg_library::CImg<int>
&output)
Operaciones
que realiza
1. Seleccionar componente roja de
la imagen
2. Realizar un cierre de la imagen
3. Realizar un diferencial del cierre
y la imagen en gris
4. Aplicar un umbral para la
binarización de la imagen
5. Segmentación
6. Filtrado
Parámetros
de Entrada
Imagen a detectar input,
Tamaño elemento estructurante ee.
Parámetros
de Salida
Imagen filtrada y segmentada output
Función
void detectvelocidad(const
cimg_library::CImg<int> & segm,
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
5
cimg_library::CImg<float> &
vectores, int &vmax, int &ax,
int &ay, int &a1x, int &a1y,
int &bx, int &by, int &b1x, int
&b1y )
Operaciones
que realiza
7. Selección de los objetos que
constituyen una señal de
velocidad, Detección y Control.
8. Selección de Cantidad de Señal
de velocidad mayor
9. localización de la señal de
velocidad detectada en la
imagen
Parámetros
de Entrada
Imagen filtrada segmentada segm,
Vectores.
Parámetros
de Salida
Valor de velocidad máximo detectado
vmax,
Coordenadas de los vértices del
rectángulo que localiza la señal de
velocidad detectada en la imagen de
entrada a(ax,ay), b(bx,by),
a1(a1x,a1y), b1(b1x,b1y).
Aplicación
speed
Operaciones
que realiza
10. Detección de velocidad para una
imagen, un conjunto de
imágenes, cámara de video y
video.
Parámetros
de Entrada
Opciones:
- Imagen
- Archivo .txt con path de
conjunto de imágenes
- 0 (Cámara de video)
- Video
Parámetros
de Salida
-Imagen que resalta la señal de
velocidad detectada con recuadro de
la misma, valor numérico en ventana.
-Archivo .txt con valor numérico de la
señal de velocidad detectada de cada
una de las imágenes del archivo de
entrada del conjunto de imágenes.
-Para cámara y video, Imagen que
resalta la señal de velocidad
detectada con recuadro de la misma,
valor numérico en ventana. El
recuadro de la señal de velocidad
detectada presenta u efecto de
difumina miento de la última señal
detectada.
3. RESULTADOS
Posterior al desarrollo de la aplicación y evaluación
de su funcionamiento, los resultados paso a paso del
proceso establecido para la detección y
reconocimiento de señales de velocidad, se describe
cada resultado obtenido en cada proceso
desarrollado y ejecutado en etapas, con relación al
procesamiento de una imagen desde su adquisición,
posterior procesamiento, detección y obtención de la
velocidad máxima en pantalla.
1. Adquisición de la imagen
En la Fig. 2 se observa una imagen de archivo
fotográfico utilizada en la implementación de la
aplicación, que constituye una carretera con
señalización de límite de velocidad.
Fig.2: Archivo fotográfico para la detección de
señales de velocidad en carretera.
2. Procesamiento y tratamiento de la
imagen
En la Fig. 3 se observa el resultado de aplicar la
selección de la componente Roja de la Imagen.
Fig.3. Selección de la componente roja de la
imagen.
En la Fig. 4 se observa el resultado de realizar el
cierre de la imagen con un elemento estructurante
de tamaño 26X1 pixeles.
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
6
Fig.4. Cierre de la imagen
En la Fig. 5 se observa el resultado de realizar una
diferencia del cierre y la imagen en gris.
Fig.5. Diferencia del cierre y la imagen en gris
En la Fig. 6 se observa el resultado de aplicar un
Umbral = 25, para la binarización de la imagen.
Fig.6. Binarización de la imagen aplicado un
umbral
En la Fig. 7 se observa la realización de
segmentación de la imagen estableciéndose 2112
objetos.
Fig.7. Segmentación de la imagen
En la Fig. 8 se observa la realización de filtrado de
la imagen reduciéndose el número de objetos a 8.
Fig.8. Filtrado de la imagen
3. Detección y control de la señal de
velocidad
En la Fig. 9 se observa el resultado del proceso de
detección y control de la señal de velocidad, en este
proceso con el vector de objetos resultantes, de
cada uno se aplica una selección sobre los objetos
que cumple ciertas condiciones para considerarse
números, cantidades válidas en relación a la
detección y validación de izquierda a derecha, que
constituyen una señal de velocidad. De todas las
cantidades de velocidad, detectadas, validadas y
almacenadas en un vector, se establece como
resultado la de mayor valor. Además, posterior a su
detección, se procede a ubicar la señal de
velocidad en la imagen con una figura rectangular
de color rojo.
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
7
Fig.9. Selección, validación, detección de objetos
como señal de mayor velocidad y ubicación de la
misma en la imagen.
4. Visualización de resultados
En la Fig. 10 se observa el resultado de la
aplicación, detección de velocidad para una
imagen, un conjunto de imágenes, cámara de video
y video, mostrándose en recuadro la mayor
velocidad detectada, dicho recuadro se ha
recortado y se muestra a la derecha de la imagen,
además, de incorporar una leyenda con la
velocidad máxima de 120Km/h.
Velocidad Máxima= 120Km/h
Fig.10. Detección de velocidad para una imagen,
un conjunto de imágenes, cámara de video y
video.
Evaluación de Prestaciones
Como parte de los resultados se estableció una
evaluación de las prestaciones del funcionamiento
de la aplicación, teniendo en cuenta que la misma se
ejecutó sobre una máquina virtual en Virtual Box con
sistema operativo Linux Ubuntu 12.04.
Las especificaciones de la máquina anfitrión:
- Sistema Operativo: Windows 8.1 de 64 bits
- Procesador: Intel Core i7 de 1.8Ghz con
turbo boost hasta 3Ghz
- Memoria RAM: 16GB
Las especificaciones de la máquina huésped:
- Sistema Operativo: Linux Ubuntu 12.04
- Procesador: 3 Núcleos
- Memoria RAM: 3GB
-
En la misma aplicación se desarrolló un algoritmo,
que permitió medir el tiempo de procesamiento de
cada imagen, estableciéndose las siguientes
estadísticas en relación a la resolución de la imagen,
como se observa en la Tabla 2. Como era de
esperarse el menor tiempo de procesamiento para la
detección de la señal de velocidad es para la imagen
con menor resolución de 800x600 pixeles, siendo de
0.1 segundos.
Tabla 2. Tiempo de procesamiento y detección en
relación a la resolución de la imagen
Imagen
Tiempo de
procesamiento y
detección
Tipo: jpeg (The JPEG
image format)
Resolución: 800X600
Tamaño: 207.6KB
0.1 segundos
Tipo: jpeg (The JPEG
image format)
Resolución: 1024X642
Tamaño: 88.4KB
0.39 segundos
Tipo: jpeg (The JPEG
image format)
Resolución: 3008X2000
Tamaño: 3.8MB
21.26 segundos
Además, con un banco de imágenes se estableció
una estadística a nivel de precisión en la detección
de la señal de velocidad, tal como se observa en la
Tabla 3. Para este cálculo se utilizó 58 imágenes de
entrenamiento de velocidad, dentro de las cuales se
añadió imágenes de velocidad hasta 3 dígitos. Los
resultados de esta estadística muestran un
porcentaje de aciertos del 89.65%, en relación a
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
8
errores con un porcentaje de 1.72% y con un
porcentaje de 8.62% de no detección.
Tabla 3. Precisión en la detección de la señal de
velocidad
Número de
Imágenes
Detecta
Bien
No
Detecta
Detecta
Mal
58
52
5
1
100%
89.65%
8.62%
1.72%
4. DISCUSIÓN (O ANÁLISIS DE RESULTADOS)
En esta sección se establece un análisis en relación
a las imágenes que no fueron detectadas por la
aplicación, como dificultades, y también a las
detecciones erróneas.
Dificultades
En la Fig. 11 se analiza y se encuentra que la
dificultad, es la perspectiva de la señal, lo que hace
que la elipticidad sea diferente a los rangos
aplicados en el filtro.
Fig.11. Imagen de señal de velocidad en perspectiva
En la Fig. 12 la señal de velocidad está muy alejada,
al segmentar la parte del disco de la señal de
velocidad está unida al dígito 6, lo que hace que en
el filtro se elimine y no se detecte nada.
Fig.12. a) Imagen de señal de velocidad muy
alejada. b) Segmentación de la imagen
En la Fig. 13 la señal presenta una leve inclinación
hacia la derecha lo que hace que en fase de
detección y control se elimine por elipticidad. La
segmentación es correcta.
Fig.13. a) Imagen de señal de velocidad inclinada
hacia la derecha. b) Segmentación de la imagen
En la Fig. 14 la señal se encuentra bastante lejos de
manera que la separación de los dígitos de la señal
es bastante pequeña, lo que produce que, al
a)
b)
a)
b)
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
9
momento de segmentar los dos dígitos constituyen
un mismo objeto.
Fig.14. a) Imagen de señal de muy alejada. b)
Segmentación de la imagen
Detecciones erróneas
En la Fig. 15 el error de detección en esta imagen se
debe a que se pasa dos letras de un cartel, al
aumentar el valor del elemento estructurante, de
modo que el detector encuentra una cifra mayor a la
de la señal de velocidad existente también
detectada, pasa del filtro la letra O y U detectándose
un 90 mayor a los 40 de la señal de velocidad (Fig.
16). Cambiando los valores del filtro (eliminar objetos
con valores mínimos) se logra liminar el error, pero
con la consecuencia de que en otras imágenes dejan
de ser detectadas, por lo que se mantiene los
valores del filtro.
Fig.15. Imagen con error de detección
Fig.16. a) Imagen con carteles y señal de velocidad.
b) Segmentación de la imagen.
5. CONCLUSIÓN
El tratamiento y procesamiento de imágenes y video
por medio de la utilización de librerías de código
abierto disponibles tanto en CImg como en OpenCV,
permiten la implementación de aplicaciones de
detección que constituyen un elemento muy
importante a la hora de desarrollar sistemas que
evalúan en tiempo real imágenes y extraer y
visualizar información relevante o de interés.
El campo de acción de un sistema de detección de
señales de velocidad, en el área automovilista
incrementa las opciones de dar inteligencia de
reacción o información adicional e importante al
conductor, o en un sistema más autónomo de control
de velocidad.
Las herramientas utilizadas en el diseño e
implementación de la aplicación, da múltiples
posibilidades para resolver problemas, innovar y
crear nuevas aplicaciones que puedan ser de
utilidad.
a)
b)
b)
a)
b)
Revista TECH Carlos Cisneros ISNN 2737-6036, Año 2025, Número V, páginas 10
10
Con respecto al sistema implementado, se obtuvo
prestaciones óptimas respecto al 58 imágenes
analizadas, es decir, detección idónea de las
imágenes es de alrededor del 90%, un 8% no las
identifica y un error alrededor del 2% que
corresponde a una mala detección de las imágenes.
Finalmente se puede concluir que se ha diseñado un
prototipo de aplicación que puede ser mejorado y
optimizado. Los próximos pasos a seguir, consiste
en mejorar el prototipo y experimentar otras
opciones que permitan aumentar su eficiencia y uso
útil en un ambiente real.
6. REFERENCIAS BIBLIOGRÁFICAS
[1] World Health Organization, Global status report
on road safety 2018. Geneva, Switzerland: WHO,
2018.
[2] A. Ziebinski, R. Cupek, D. Grzejszczak, and M.
Podpora, "A Survey of Advanced Driver-Assistance
Systems (ADAS)," 2016 International Conference on
Signals and Electronic Systems (ICSES), Krakow,
Poland, 2016, pp. 1-6. doi:
10.1109/ICSES.2016.7594341.
[3] G. Bradski and A. Kaehler, Learning OpenCV:
Computer Vision with the OpenCV Library.
Sebastopol, CA, USA: O'Reilly Media, 2008.
[4] J. A. H. R. Putra, D. A. D. Dewantara, and T. H.
N. T. Putri, "Real-time traffic sign recognition system
using OpenCV," 2017 International Conference on
Sustainable Information Engineering and
Technology (SIET), Malang, Indonesia, 2017, pp.
199-203. doi: 10.1109/SIET.2017.8304126.
[5] A. Mogelmose, M. M. Trivedi, and T. B. Moeslund,
"Vision-based traffic sign detection and analysis for
intelligent driver assistance systems: A survey,"
IEEE Transactions on Intelligent Transportation
Systems, vol. 13, no. 4, pp. 1484-1497, Dec. 2012.
doi: 10.1109/TITS.2012.2209421.
[6] F. Zaklouta and B. Stanciulescu, "Real-time traffic
sign recognition in three stages," Robotics and
Autonomous Systems, vol. 62, no. 1, pp. 16-24, Jan.
2014.
[7] J. Stallkamp, M. Schlipsing, J. Salmen, and C.
Igel, "The German Traffic Sign Recognition
Benchmark: A multi-class classification competition,"
The 2011 International Joint Conference on Neural
Networks, San Jose, CA, USA, 2011, pp. 1453-1460.
doi: 10.1109/IJCNN.2011.6033389.
[8] D. Cireşan, U. Meier, J. Masci, and J.
Schmidhuber, "Multi-column deep neural network for
traffic sign classification," Neural Networks, vol. 32,
pp. 333-338, Aug. 2012.
[9] Y. Li, S. Liu, and H. Wang, "Traffic Sign
Recognition Based on Convolutional Neural
Network," 2019 IEEE 4th International Conference
on Signal and Image Processing (ICSIP), Wuxi,
China, 2019, pp. 496-500. doi:
10.1109/SIPROCESS.2019.8868623.
[10] S. S. Ardiansyah, E. A. Suprayitno, and D. P. H.
Saptomo, "A real-time speed limit sign recognition on
embedded system," 2017 4th International
Conference on Electrical Engineering, Computer
Science and Informatics (EECSI), Yogyakarta,
Indonesia, 2017, pp. 1-6. doi:
10.1109/EECSI.2017.8239129.
