������������������������������������������������������������������������������������������������������������������������������������������������������������

���������������������������������������������������������������������������������

 

Visi�n artificial para control de estacionamiento vehicular

 

Artificial vision for vehicle parking control

 

Vis�o artificial para controle de estacionamento de ve�culos

	Jonathan Victor Aguilar-Alvarado I jaguilar@utmachala.edu.ec https://orcid.org/0000-0003-0137-2618�

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Correspondencia: jaguilar@utmachala.edu.ec �������

 

Ciencias t�cnica y aplicadas

Art�culos de investigaci�n

 

*Recibido: 16 de julio de 2021 *Aceptado: 30 de agosto de 2021 * Publicado: 20 de septiembre de 2021

 

        I.            Ingeniero de Sistemas, Mag�ster en Tecnolog�as de la Informaci�n, Universidad T�cnica de Machala, Ecuador.

     II.            Ingeniero de Sistemas, Mag�ster en Gesti�n de Tecnolog�as de la Informaci�n, Universidad T�cnica de Machala, Ecuador.

   III.            Ingeniera de Sistemas, Mag�ster en Tecnolog�as de la Informaci�n Universidad T�cnica de Machala, Ecuador.

 

 

Resumen

En la actualidad una de causales por el aumento de congesti�n vehicular es la falta de disponibilidad de parqueo vehicular. La presente investigaci�n se centra en el desarrollo de un sistema capaz de identificar plazas de estacionamiento disponibles mediante el an�lisis de im�genes y videos de parqueaderos usando la librer�a de visi�n artificial Open CV y el lenguaje de programaci�n Python.

Consiste en identificar y definir las coordenadas de la regi�n de inter�s del espacio de estacionamiento (ROI). Usando visi�n artificial se realiza la detecci�n de plaza libre u ocupada mediante la t�cnica de desenfoque gaussiano, luego convertir las im�genes de RGB a escala de grises. Posteriormente, se eval�a los ROI originales y el ROI de la imagen convertida y finalmente, calcular si la desviaci�n est�ndar y el promedio son mayor y menor a un umbral.

La �ltima actividad del presente trabajo de investigaci�n se basa en la elaboraci�n de cinco pruebas en diferentes entornos. A cada prueba se aplic� la matriz de confusi�n como herramienta de evaluaci�n de testeo y las m�tricas: Exactitud (Accuracy), Sensibilidad (Recall) y Precisi�n (Precisi�n). La evidencia obtenida indica que el modelo propuesto permite detectar el estado de las plazas dentro de un parqueadero, con un grado de exactitud del 92%, precisi�n del 80% y una sensibilidad del 79% como promedio de las cinco pruebas realizadas. Estos resultados tambi�n evidenciaron que el �xito del modelo depende del �ngulo de la c�mara y factores de luz.

Palabras claves: Inteligencia artificial; OpenCV; Parqueo inteligente; Visi�n artificial.

 

Abstract

Currently one of the causes for the increase in traffic congestion is the lack of availability of vehicle parking. This research focuses on the development of a system capable of identifying available parking spaces by analyzing parking images and videos using the Open CV computer vision library and the Python programming language.

It consists of identifying and defining the coordinates of the parking space region of interest (ROI). Using artificial vision, the detection of free or occupied space is carried out using the Gaussian blur technique, then converting the images from RGB to grayscale. Subsequently, the original ROI and the ROI of the converted image are evaluated and finally, calculate if the standard deviation and the average are greater and less than a threshold.

The last activity of this research work is based on the development of five tests in different settings. The confusion matrix was applied to each test as a test evaluation tool and the metrics: Accuracy (Accuracy), Sensitivity (Recall) and Precision (Precision). The evidence obtained indicates that the proposed model allows detecting the state of the parking spaces within a parking lot, with a degree of accuracy of 92%, precision of 80% and a sensitivity of 79% as an average of the five tests carried out. These results also showed that the success of the model depends on the camera angle and light factors.

Keywords: Artificial intelligence; OpenCV; Smart parking; Artificial vision.

 

Resumo

Atualmente uma das causas para o aumento do congestionamento do tr�fego � a falta de disponibilidade de estacionamento de ve�culos. Esta pesquisa tem como foco o desenvolvimento de um sistema capaz de identificar vagas de estacionamento dispon�veis por meio da an�lise de imagens e v�deos de estacionamento usando a biblioteca de vis�o computacional Open CV e a linguagem de programa��o Python.

Consiste em identificar e definir as coordenadas da regi�o de interesse do estacionamento (ROI). Usando a vis�o artificial, a detec��o do espa�o livre ou ocupado � realizada usando a t�cnica de desfoque gaussiano, convertendo as imagens de RGB para tons de cinza. Posteriormente, o ROI original e o ROI da imagem convertida s�o avaliados e, por fim, calcule se o desvio padr�o e a m�dia s�o maiores e menores que um limite.

A �ltima atividade deste trabalho de pesquisa baseia-se no desenvolvimento de cinco testes em diferentes ambientes. A matriz de confus�o foi aplicada a cada teste como uma ferramenta de avalia��o de teste e as m�tricas: Exatid�o (Exatid�o), Sensibilidade (Recupera��o) e Precis�o (Precis�o). As evid�ncias obtidas indicam que o modelo proposto permite detectar a situa��o das vagas de estacionamento dentro de um estacionamento, com grau de acerto de 92%, precis�o de 80% e sensibilidade de 79% em m�dia dos cinco testes realizados. Esses resultados tamb�m mostraram que o sucesso do modelo depende do �ngulo da c�mera e dos fatores de luz.

Palavras-chave: Artificial intelligence; OpenCV; Estacionamento inteligente; Vis�o artificial.

 

 

 

 

Introducci�n

El campo de la inteligencia artificial ha evolucionado a pasos agigantados en los �ltimos tiempos, existen una diversidad de aplicaciones que se le pueden dar a estas tecnolog�as, con la finalidad de ayudar a solucionar problemas comunes de la sociedad (Bichu et al., 2021).

Uno de los problemas que presentan las grandes ciudades, es la cantidad de veh�culos que transitan por sus calles y a diario buscan plazas de estacionamiento, las cuales son escasas desde las primeras horas de la ma�ana (Vasquez et al., 2017). Los propietarios de los veh�culos se sienten afectados al no conseguir una plaza disponible pues esto representa atrasos al ingresar a sus trabajos, estudios o realizar alguna actividad. Los gobiernos locales han implementado el estacionamiento tarifado (Simon Kuznets Kharkiv National University of Economics et al., 2020), pero esto a�n no es suficiente, pues es mucho el tiempo que se necesita para encontrar una plaza disponible en alguno de los parqueaderos de la ciudad.

En base a esta problem�tica han surgido algunas ideas innovadoras como el de dise�ar un sistema inteligente de estacionamiento que permita conocer la plazas disponibles de manera eficiente(Fabian, 2008; ICICCS, 2018; International Conference on Trends in Electronics and Informatics et al., 2019), haciendo uso de c�maras y algoritmos de visi�n artificial, de esta manera los conductores y due�os de estacionamientos pueden conocer r�pidamente la cantidad de plazas disponibles sin la necesidad de ingresar, esto representar�a una gran ayuda para centros comerciales que disponen de estacionamientos que permiten hasta m�s de 150 veh�culos cuyo conteo manual ser�a muy lento.

Los algoritmos de visi�n artificial permiten adquirir, procesar y analizar im�genes del mundo real mediante el uso de computadores (Chandrasekaran et al., 2021). Esta tecnolog�a actualmente es consumida en diversos �mbitos como el desbloqueo de tel�fonos por reconocimiento facial (Drimalla et al., 2021), seguridad entre otros. La presente investigaci�n tendr� como objetivo desarrollar un sistema capaz de identificar plazas de estacionamiento disponibles mediante el an�lisis de im�genes y videos de parqueaderos haciendo uso de la librer�a de visi�n artificial Open CV y el lenguaje de programaci�n Python.

Varias investigaciones se han interesado en esta problem�tica y han propuesto algunas alternativas. A este respecto se destacan los siguientes estudios relacionados con propuestas utilizando visi�n artificial:

(Shih & Tsai, 2014) implementan un sistema basado en im�genes tomadas con c�maras de gran angular (ojo de pez) de alta resoluci�n. Utilizan filtros Hough y sustracci�n del fondo para la detecci�n de espacios ocupados. (Stanislav V�tek & Petr Melničuk, 2017) proponen un sistema distribuido de c�maras inal�mbricas que, a trav�s de m�dulos Raspberry Pi, filtros HOG y clasificadores SVM, logran evaluar 10 slots por segundo con un 90% de precisi�n.� (Paidi et al., 2018) destaca los aportes que el uso de visi�n artificial, redes neuronales, enfoques convolucionales y multiagente proporciona en la b�squeda de estacionamiento gratuito. (Masmoudi et al., 2015) hacen uso de las c�maras ya instaladas por los sistemas de vigilancia en las ciudades para localizar las ranuras abiertas y guiar al conductor. Utilizan un sistema de visi�n por computadora distribuido de m�ltiples agentes.

(Bibi et al., 2017) trabajan en video streaming tomados desde c�maras de alta vigilancia, enfatizan que el video debe estar segmentado, reduci�ndolo a unas tomas est�ticas que luego ser�n analizadas. (Martin Nieto et al., 2019) experimentar con un sistema basado en m�ltiples tomas, de diferentes c�maras, al que se le a�aden varios tipos de pre procesamiento gr�fico, demostrando que los sistemas basados en visi�n resisten diferentes condiciones ambientales, manteniendo un correcto funcionamiento.

(de Almeida et al., 2015) experimentan con descriptores de textura: Patrones binarios locales y, a trav�s de un clasificador de m�quina de vectores de soporte, declare buenos resultados de detecci�n cuando las muestras provienen de la misma toma de c�mara; en otros casos indican que la efectividad disminuye notablemente; como aporte adicional ponen a disposici�n una base de datos de im�genes de estacionamiento. Este �ltimo tambi�n lo hace (Zhang et al., 2018)

�Adem�s de las propuestas que utilizan Visi�n artificial hay otras que utilizan IoT y sensores integrados (ICICCS, 2018). Los sistemas que hacen uso de im�genes (Visi�n artificial) tienen como gran ventaja la m�nima necesidad de infraestructura, lo que reduce significativamente los costos.

Sin embargo, a pesar de existir algunos esfuerzos, la soluci�n tecnol�gica utilizando Visi�n artificial todav�a est� en progreso, es por ello que el presente trabajo de investigaci�n propone las siguientes contribuciones: (i) Proponer una modelo utilizando regiones de inter�s desarrollada mediante la herramienta YAML, adem�s se utiliza t�cnicas de visi�n artificial como enfoque gaussiano. (ii) Evaluar con cinco pruebas en diferentes entornos y a trav�s de m�tricas de evaluaci�n determinar la Exactitud (Accuracy), Sensibilidad (Recall) y Precisi�n (Precisi�n) de cada prueba. (iii) Determinar los factores que pueden afectar a la Exactitud (Accuracy), Sensibilidad (Recall) y Precisi�n (Precisi�n) de cada prueba.

 

Metodolog�a

La Figura 1: resume las seis actividades principales consideradas para alcanzar la contribuci�n (i) mencionada en la Introducci�n.

Figura 1. Proceso de detecci�n

Fuente: Elaboraci�n propia

 

La primera actividad consiste en seleccionar las regiones de inter�s (ROI) para ello se define coordenadas las cuales permitir�n conocer el �rea a analizar, en este ejemplo las zonas ser�n rectangulares, esta actividad debe realizarse de manera manual en cada parqueadero donde se necesite implementar el modelo propuesto, esta selecci�n consiste en dibujar mediante 5 puntos el �rea de inter�s, es decir graficar una por una cada plaza de aparcamiento, las plazas que no est�n seleccionadas no ser�n contabilizadas por el algoritmo. La Figura 2 a continuaci�n muestra el proceso de selecci�n del ROI.

 

 

 

 

Figura 2. Selecci�n de ROI

Fuente: Elaboraci�n propia

Los puntos seleccionados ser�n guardados en un archivo en formato YAML, cada punto tendr� un valor para (X - Y) de esa manera tendremos cuatro coordenadas por cada plaza graficada como se muestra en la Figura 1.

Figura 1. Coordenadas del parqueo UTMACH

Fuente: Elaboraci�n propia

Solo cuando se ha desarrollado la Actividad 1 se puede realizar la Actividad 2: consiste en aplicar t�cnicas de visi�n artificial como son los filtros de desenfoque Gaussiano el mismo que es un filtro de paso bajo, donde cada pixel en la imagen de salida es la suma ponderada del pixel correspondiente en la imagen original y los p�xeles circundantes. En otras palabras, se elimina el ruido de alta frecuencia de la imagen provocando un desenfoque total en la imagen como se muestra a continuaci�n en la Figura 4.

 

Figura 2. Desenfoque Gaussiano

Sin desenfoque�������������������������������������������� Con desenfoque gaussiano

���������

Fuente: Elaboraci�n propia

Solo una vez concluida la actividad 2 se contin�a con la Actividad 3 que consiste en la conversi�n de la imagen de BGR a GRAY que permite reducir de cierta medida la informaci�n de la imagen como estrategia para procesar las im�genes. Finalmente, la actividad 4, 5 y 6 se lleva a cabo una vez concluidas las actividades anteriores que consisten en evaluar los valores de ROI originales con los de la imagen de salida, el algoritmo crea una copia de dicha imagen para as� poder compararla, esto luego permitir�n calcular la desviaci�n est�ndar y el promedio, si estos valores son mayor y menor a un umbral, se puede terminar si la plaza est� ocupada o libre. En caso de que la plaza est� disponible se graficar� un trazo de color verde y si est� ocupada se realizar� un trazo color rojo, tal como se muestra en la Figura 3.

La detecci�n del estado del parqueadero se define principalmente cuando el algoritmo detecta un cambio entre los valores de ROI recogidos inicialmente y los c�lculos al momento de analizar el v�deo o imagen en cuesti�n. Varios factores pueden influir en la predicci�n del mismo, tales como cantidad de luz, �ngulo de visi�n, clima y manchas en las plazas de aparcamiento.

Figura 3. Trazo de plazas disponibles y ocupadas

Fuente: Elaboraci�n propia

a)                Resultados

En esta secci�n se dise�an cinco pruebas de testeo en diferentes escenarios cuyo objetivo es alcanzar la contribuci�n (ii) y (iii) mencionada en la Introducci�n.

Cada prueba muestra los resultados cuantitativos a partir de la determinaci�n de la matriz de confusi�n. En esta matriz se presentan los valores de verdaderos positivos (plazas libres que el modelo propuesto predice que est�n libres), verdaderos negativos (plazas ocupadas que el modelo propuesto predice que est�n ocupadas), falsos negativos (plazas libres que el modelo propuesto predice que est�n ocupadas) y falsos positivos (plazas ocupadas que el modelo propuesto predice que est�n libres). Con los valores obtenidos en la matriz de confusi�n se obtienen los resultados a trav�s de las m�tricas de evaluaci�n como son la Exactitud (Accuracy), Sensibilidad (Recall) y Precisi�n (Precisi�n).

b)                Prueba 1: Ejecuci�n mediante video pregrabado 1

La presente prueba se llev� a cabo utilizando un video pregrabado obtenido desde internet. A continuaci�n, y como primer paso se definieron 34 plazas marcadas con el ROI respectivo.

Figura 4. Plazas marcadas prueba 1

 

Luego de ejecutar el algoritmo, se obtuvo la siguiente imagen resultante.

 

Figura 5. Plazas disponibles y ocupadas prueba 1

 

La matriz de confusi�n nos permiti� consolidar los resultados obtenidos en esta primera prueba observando que la totalidad de plazas marcadas como ROI resultaron como aciertos del modelo propuesto siendo 9 verdaderos positivos (plazas libres marcadas con l�neas verdes y 25 verdaderos negativos (plazas ocupadas marcadas con l�neas rojas).�

Tabla 1. Resultado de predicci�n prueba 1

		Predicci�n
		Libre (+)	Ocupado (-)
Situaci�n Real	Libre (+)	VP	FN
		9	0
	Ocupado (-)	FP	VN
		0	25

Fuente: Elaboraci�n Propia

c)                  Prueba 2: Ejecuci�n mediante video pregrabado 2

La presente prueba se llev� a cabo utilizando un video pregrabado obtenido desde internet. A continuaci�n, y como primer paso se definieron 5 plazas marcadas con el ROI respectivo.

 

Figura 8. Plazas marcadas prueba 1

Con la ejecuci�n del algoritmo se obtuvo el siguiente resultado.

Figura 9. Plazas disponibles y ocupadas prueba 2

En esta ocasi�n la plaza n�mero 3 que est� disponible, es marcada como ocupada debido a que una persona se encuentra parada justo en la l�nea de selecci�n, el algoritmo tiende a identificar como ocupado, cuando existe cualquier m�nima diferencia entre el ROI inicial y el capturado en el momento. Este tipo de factores provocan inferencias en los resultados.

La matriz de confusi�n nos permiti� consolidar los resultados obtenidos en esta prueba observando que de la totalidad de plazas marcadas como ROI cuatro resultaron como aciertos del modelo propuesto siendo 4 verdaderos negativos (plazas ocupadas marcadas con l�neas rojas) y 1 result� falso negativo debido a que el modelo predijo que est� ocupado

Tabla 2. Resultado predicci�n prueba 2

		Predicci�n
		Libre (+)	Ocupado (-)
Situaci�n Real	Libre (+)	VP	FN
		0	1
	Ocupado (-)	FP	VN
		0	4

Fuente: Elaboraci�n Propia

d)                Prueba 3: Ejecuci�n mediante video pregrabado 3

La presente prueba se llev� a cabo utilizando un video animado obtenido desde internet. A continuaci�n, y como primer paso se definieron 5 plazas marcadas con el ROI respectivo.

Figura 10. Plazas marcadas prueba 3

�

El algoritmo al ser puesto en marcha identific� lo siguiente:

 

 

Figura 11. Plazas disponibles y ocupadas prueba 3

Debido a la buena calidad de video y claridad, el algoritmo identific� f�cilmente las plazas ocupadas y disponibles sin problema alguno.

�La matriz de confusi�n nos permiti� consolidar los resultados obtenidos en esta prueba observando que la totalidad de plazas marcadas como ROI resultaron como aciertos del modelo propuesto siendo 1 verdadero positivo (plazas libres marcadas con l�neas verdes y 4 verdaderos negativos (plazas ocupadas marcadas con l�neas rojas).

Tabla 3. Resultado predicci�n prueba 3

		Predicci�n
		Libre (+)	Ocupado (-)
Situaci�n Real	Libre (+)	VP	FN
		1	0
	Ocupado (-)	FP	VN
		0	4

Fuente: Elaboraci�n Propia

e)                  Prueba 4: Ejecuci�n mediante c�mara USB (Universidad)

La presente prueba se llev� a cabo utilizando un video en tiempo real con un c�mara USB donde capta el estacionamiento en una Universidad. A continuaci�n, y como primer paso se definieron 19 plazas marcadas con el ROI respectivo.

 

Figura 12. Plazas marcadas prueba 4

Se procede a ejecutar el algoritmo para identificar las plazas disponibles y ocupadas.

Figura 13. Plazas disponibles y ocupadas prueba 4

En esta ocasi�n se ha considerado un nuevo �ngulo para la obtenci�n del video, donde no existan interferencias de poste de luz o arbustos, como se puede apreciar a continuaci�n las plazas disponibles est�n correctamente contabilizadas, salvo a excepci�n de las de la parte inferior de la imagen, esto se debe propiamente al �ngulo en el que se encuentra ubicada la c�mara.

La matriz de confusi�n nos permiti� consolidar los resultados obtenidos en esta prueba observando que la totalidad de plazas marcadas como ROI resultaron como aciertos del modelo propuesto siendo 17 verdaderos positivos (plazas libres marcadas con l�neas verdes y 1 verdadero negativo (plazas ocupadas marcadas con l�neas rojas). A excepci�n de 1 error que predijo ocupada cuando est� libre (FN).

Tabla 4. Resultado predicci�n prueba 4

Fuente: Elaboraci�n Propia

f)                  Prueba 5: Ejecuci�n mediante video real webcam (Maqueta)

Para la presente prueba se ha utilizado una maqueta que simula un estacionamiento, para ello se graficado l�neas que asemejan las separaciones entre cada plaza de aparcamiento, tal como se muestra a continuaci�n. Se definieron 10 plazas marcadas con el ROI respectivo.

Figura 14. Plazas marcadas prueba 5

Se procede a ejecutar el algoritmo para identificar las plazas disponibles y ocupadas.

 

Figura 15. Plazas disponibles prueba 5

En la imagen se puede observar que en primera instancia reconoce las 10 plazas y las marca como disponibles (verde) a continuaci�n se proceder� a agregar veh�culos para ver los cambios.

Figura 16. Plazas disponibles y ocupadas prueba 5

La matriz de confusi�n nos permiti� consolidar los resultados obtenidos en esta prueba observando que la totalidad de plazas marcadas como ROI resultaron como aciertos del modelo propuesto siendo 6 verdaderos positivos (plazas libres marcadas con l�neas verdes y 4 verdaderos negativos (plazas ocupadas marcadas con l�neas rojas).

Tabla 5. Resultado predicci�n prueba 5

Fuente: Elaboraci�n Propia

g)                M�tricas de evaluaci�n.

h)                 C�lculo de Exactitud del modelo (Accuracy)

Los resultados obtenidos indican que el algoritmo tiene una precisi�n del 92%, lo cual es alto e indica que se est� realizando una eficiente detecci�n del estado de las plazas en los parqueaderos.

Tabla 6. C�lculo de Exactitud

Fuente: Elaboraci�n Propia

i)                   C�lculo de Sensibilidad del modelo (Recall)

Los resultados obtenidos indican que el algoritmo tiene una sensibilidad del 79%, lo responde a las m�nimas falencias que existen debido a factores como falta de luz y otros objetos en las plazas de parqueadero.

 

Tabla 7. C�lculo de Sensibilidad

Fuente: Elaboraci�n Propia

j)                   C�lculo de Precisi�n del modelo (Precisi�n)

Los resultados obtenidos indican que el algoritmo tiene una precisi�n del 80%, y esto se ha comparado en las diversas pruebas donde la mayor�a de los casos acierta correctamente.

Tabla 8. C�lculo de Precisi�n

Fuente: Elaboraci�n Propia

 

Conclusi�n

Este estudio investig� la posibilidad de identificar las plazas libres y ocupadas en estacionamiento de veh�culos usando un algoritmo basado en visi�n artificial y uso de regiones de inter�s. Los resultados de la evaluaci�n cuantitativa indicaron que las plazas de estacionamiento libres y ocupadas pueden ser identificadas con un accuracy de 92%, sensibilidad 79% y precisi�n del 80%. Estos resultados obtenidos de este estudio sugieren que el algoritmo basado en visi�n artificial presenta un muy buen desempe�o en la identificaci�n y segmentaci�n de las plazas disponibles y ocupadas. Las pruebas desarrolladas permitieron identificar que existen factores que pueden afectar dichos resultados, entre ellos tenemos:

Un cambio de luz puede provocar que el modelo se equivoque durante la predicci�n, la �ltima casilla por tener una mancha al cambiar el enfoque de la luz predice ocupado, mientras que no lo est� debido a que el modelo degrada y desenfoca cada ROI para predecir si est� vac�o u ocupado.

Se debe dejar un margen entre cada ROI para los espacios de estacionamiento, ya que, si un carro se estaciona muy cerca de la l�nea y la c�mara no se encuentra en un �ngulo diagonal, puede variar la predicci�n del lugar de estacionamiento siguiente.

Finalmente, se indica que las pruebas fueron realizadas estimando diversos factores como la luz, �ngulo de c�mara y distancia, obteniendo resultados favorables en las variadas circunstancias.

Se puede concluir afirmando entonces que el algoritmo utilizado posee un 92% de exactitud al momento de identificar las plazas disponibles y ocupadas en parqueaderos. En trabajos futuros se espera minimizar este sesgo del 8% que es ocasionado por los factores de luz, �ngulo de c�mara y otros durante la obtenci�n de video.

 

Referencias

1.      Bibi, N., Majid, M. N., Dawood, H., & Guo, P. (2017). Automatic Parking Space Detection System. 2017 2nd International Conference on Multimedia and Image Processing (ICMIP), 11-15. https://doi.org/10.1109/ICMIP.2017.4

2.      Bichu, Y. M., Hansa, I., Bichu, A. Y., Premjani, P., Flores-Mir, C., & Vaid, N. R. (2021). Applications of artificial intelligence and machine learning in orthodontics: A scoping review. Progress in Orthodontics, 22(1). https://doi.org/10.1186/s40510-021-00361-9

3.      de Almeida, P. R. L., Oliveira, L. S., Britto, A. S., Silva, E. J., & Koerich, A. L. (2015). PKLot � A robust dataset for parking lot classification. Expert Systems with Applications, 42(11), 4937-4949. https://doi.org/10.1016/j.eswa.2015.02.009

4.      Drimalla, H., Baskow, I., Behnia, B., Roepke, S., & Dziobek, I. (2021). Imitation and recognition of facial emotions in autism: A computer vision approach. Molecular Autism, 12(1). https://doi.org/10.1186/s13229-021-00430-0

5.      Fabian, T. (2008). An Algorithm for Parking Lot Occupation Detection. 2008 7th Computer Information Systems and Industrial Management Applications, 165-170. https://doi.org/10.1109/CISIM.2008.53

6.      ICICCS: 2017 International Conference on Intelligent Computing and Control Systems : 15-16 June 2017. (2018).

7.      International Conference on Trends in Electronics and Informatics, SCAD College of Engineering and Technology, & Institute of Electrical and Electronics Engineers. (2019).

8.      Proceedings of the International Conference on Trends in Electronics and Informatics (ICOEI 2019): 23-25, April 2019. https://ieeexplore.ieee.org/servlet/opac?punumber=8851338

9.      Martin Nieto, R., Garcia-Martin, A., Hauptmann, A. G., & Martinez, J. M. (2019). Automatic Vacant Parking Places Management System Using Multicamera Vehicle

10.  Detection. IEEE Transactions on Intelligent Transportation Systems, 20(3), 1069-1080. https://doi.org/10.1109/TITS.2018.2838128

11.  Masmoudi, I., Wali, A., Alimi, A. M., & Jamoussi, A. (2015). Architecture of Parking Lots Management System for Drivers� Guidance. 2015 IEEE International Conference on Systems, Man, and Cybernetics, 2974-2978. https://doi.org/10.1109/SMC.2015.517

12.  Paidi, V., Fleyeh, H., H�kansson, J., & Nyberg, R. G. (2018). Smart parking sensors, technologies and applications for open parking lots: A review. IET Intelligent Transport Systems, 12(8), 735-741. https://doi.org/10.1049/iet-its.2017.0406

13.  Shih, S.-E., & Tsai, W.-H. (2014). A Convenient Vision-Based System for Automatic Detection of Parking Spaces in Indoor Parking Lots Using Wide-Angle Cameras. IEEE Transactions on Vehicular Technology, 63(6), 2521-2532. https://doi.org/10.1109/TVT.2013.2297331

14.  Simon Kuznets Kharkiv National University of Economics, Vnukova, N. M., Tokhtamysh, T. O., Kharkiv National University of Civil Engineering and Architecture, Yagolnitskiy, O. A., Kharkiv National University of Civil Engineering and Architecture, Hranko, K. B., & Kharkiv National University of Civil Engineering and Architecture. (2020). Innovative Approach to Estimating Costs of Vehicle Parking Services. Science and innovation, 16(6), 94-103. https://doi.org/10.15407/scine16.06.094

15.  Stanislav V�tek, & Petr Melničuk. (2017). A Distributed Wireless Camera System for the Management of Parking Spaces. Sensors, 18(2), 69. https://doi.org/10.3390/s18010069

16.  Vasquez, O., Pitti, D., & Pinzon, C. (2017). Sistema inteligente visual para la gesti�n de plazas de estacionamiento. 2017 IEEE Central America and Panama Student Conference (CONESCAPAN), 1-6. https://doi.org/10.1109/CONESCAPAN.2017.8277605

17.  Zhang, L., Li, X., Huang, J., Shen, Y., & Wang, D. (2018). Vision-Based Parking-Slot Detection: A Benchmark and A Learning-Based Approach. Symmetry, 10(3), 64. https://doi.org/10.3390/sym10030064

 

 

 

 

 

 

 

 

 

 

� 2021 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/)