Computer Vision-Based Vehicle Allotment System using Perspective Mapping

Esta investigación presenta un sistema inteligente de asignación de plazas de aparcamiento basado en visión por computadora y el modelo YOLOv8, que utiliza mapeo de perspectiva inversa para integrar vistas de múltiples cámaras y simular un entorno 3D que guía a los usuarios hacia espacios vacíos de manera eficiente y económica.

Lo esencial

¡Hola! Imagina que acabas de entrar a un estacionamiento subterráneo gigante. Es como un laberinto de concreto: hay columnas por todas partes, la luz es tenue y, lo peor de todo, no sabes si hay un lugar libre o si tendrás que dar vueltas como un tonto hasta que se te acabe la paciencia.

Este paper (trabajo de investigación) es como el plan maestro para convertir ese caos en un juego de "Donde está Wally", pero con ayuda de inteligencia artificial. Aquí te lo explico sin tecnicismos aburridos:

1. El Problema: Los "Ojos" del Estacionamiento

Antes, los estacionamientos usaban sensores carísimos (como pequeños radares o láseres) en cada lugar de estacionamiento. Imagina que para saber si tu coche está en la cama, tienes que ponerle un sensor de temperatura, un micrófono y una cámara a cada colchón. ¡Es costoso y complicado!

Si un sensor se rompe, el sistema falla. Además, en estacionamientos grandes, esos sensores a veces no ven bien.

2. La Solución: "Ojos" que ven todo (Visión por Computadora)

Los autores de este estudio dicen: "¿Por qué gastar una fortuna en sensores si ya tenemos cámaras de seguridad (CCTV)?".

En lugar de poner un sensor en cada lugar, usan cámaras inteligentes que funcionan como los ojos de un detective muy rápido. Estas cámaras no solo graban video; "piensan" y entienden lo que ven.

• El Detective (YOLOv8): Usan un modelo de inteligencia artificial llamado YOLOv8. Imagina a un guardia de seguridad que ha visto millones de coches y columnas. Es tan rápido que, en un solo parpadeo, puede decirte: "¡Ahí hay un coche rojo! ¡Y ahí hay una columna de cemento!". Es mucho más rápido y preciso que los modelos anteriores.

3. El Truco Mágico: El "Mapa de la Realidad" (Perspectiva Inversa)

Aquí viene la parte más divertida. Las cámaras están colgadas del techo y miran hacia abajo. Si ves un coche desde arriba, parece pequeño si está lejos y grande si está cerca. Es como mirar un avión desde el suelo: parece un punto, pero sabes que es gigante.

El sistema usa una técnica llamada Mapeo de Perspectiva Inversa (IPM).

• La Analogía: Imagina que tienes un mapa de un país dibujado en una hoja de papel curvada. Si intentas medir la distancia entre dos ciudades en ese papel curvo, te equivocarás. Pero si usas una herramienta mágica para "desenrollar" el papel y hacerlo plano, las distancias son reales.
• Lo que hace el sistema: Toma las imágenes de 4 cámaras diferentes (como si fueran 4 ojos mirando desde distintos ángulos) y las "pega" y "aplana" para crear un mapa 3D perfecto del estacionamiento. Convierte lo que la cámara ve (2D) en una realidad espacial (3D).

4. El Resultado: El "Tablero de Juego" 3D

Una vez que el sistema sabe dónde están los coches y las columnas, hace algo genial:

1. Dibuja un mapa 3D en una pantalla (como un videojuego).
2. Marca los coches y columnas.
3. Lo más importante: Calcula automáticamente los espacios vacíos entre ellos.

Es como si el sistema dijera: "Oye, entre la columna A y el coche B, hay espacio para un Fiat 500. ¡Ese es tu lugar!".

5. ¿Por qué es mejor que lo anterior?

• Es barato: No necesitas comprar sensores caros para cada lugar. Solo necesitas las cámaras que ya tienes.
• Es flexible: Si mueven una columna o cambian el diseño del estacionamiento, el sistema se adapta. Los sensores antiguos no pueden hacer eso.
• Es preciso: El estudio probó su sistema con diferentes versiones de "detectives" (YOLOv5, v7 y v8). El YOLOv8 fue el ganador indiscutible, acertando casi el 99% de las veces en identificar coches y columnas, incluso en la oscuridad.

En Resumen

Imagina que el estacionamiento es un rompecabezas gigante. Antes, tenías que adivinar dónde encajaban las piezas. Ahora, este sistema es como tener una foto del rompecabezas resuelto que se actualiza en tiempo real. Te dice exactamente dónde está cada pieza (coche) y dónde falta una pieza (lugar libre), guiándote directamente a tu destino sin que tengas que dar vueltas.

Es una forma inteligente, económica y moderna de hacer que nuestra vida en la ciudad sea menos estresante y más ordenada. ¡Adiós a las vueltas infinitas en busca de un lugar para estacionar! 🚗💨🅿️

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Sistema de Asignación de Vehículos Basado en Visión Computacional con Mapeo de Perspectiva

Autores: Sonakshi Satapathy, Prachi Nandi y Suchismita Chinara (NIT Rourkela).
Fecha: Marzo 2026.

1. Problema Identificado

El artículo aborda los desafíos críticos en los sistemas de estacionamiento inteligente, particularmente en entornos interiores y áreas urbanas densamente pobladas:

• Ineficiencia y Congestión: Los sistemas tradicionales sufren de mala visibilidad de espacios disponibles, tráfico en los estacionamientos y tiempos prolongados de búsqueda.
• Limitaciones de Sensores: Las soluciones basadas en sensores convencionales (como PIR, ultrasónicos o LiDAR) son costosas, difíciles de integrar en grandes estructuras multi-nivel y presentan limitaciones de cobertura.
• Navegación Deficiente: La falta de sistemas de navegación precisos en interiores (donde el GPS no funciona) genera confusión y reduce la eficiencia del flujo de tráfico.
• Necesidad de una Solución Económica: Existe una brecha para una solución de bajo costo que no dependa de hardware sensorial costoso, sino que aproveche la infraestructura de CCTV existente.

2. Metodología Propuesta

El sistema propuesto es un enfoque de visión por computadora que combina detección de objetos, mapeo de perspectiva inversa (IPM) y visualización 3D. El flujo de trabajo se divide en tres etapas:

• A. Adquisición y Preparación de Datos:

  • Se generó un entorno de simulación 3D de un estacionamiento interior utilizando Spline.AI, que incluye variaciones de iluminación, tipos de vehículos, columnas y muros.
  • Se capturaron videos desde cuatro cámaras en diferentes ángulos para simular una cobertura completa.
  • Se extrajeron 150 imágenes (escaladas a 640x640) y se anotaron manualmente utilizando la herramienta Roboflow para identificar dos clases principales: vehículos y columnas. El conjunto de datos se dividió en 75% para entrenamiento y 25% para prueba.

• B. Detección de Objetos (Modelo YOLOv8):

  • Se utilizó la arquitectura YOLOv8 (You Only Look Once), seleccionada por su capacidad de procesamiento en tiempo real y alta precisión.
  • El modelo se entrenó para localizar vehículos y columnas mediante cajas delimitadoras (bounding boxes).
  • Se implementó un mecanismo de parada temprana (early stopping) para evitar el sobreajuste (overfitting).

• C. Proceso de Mapeo y Extracción de Espacios (IPM y 3D):

  • Mapeo de Perspectiva Inversa (IPM): Se utiliza para convertir las coordenadas 2D de las imágenes de las cámaras en coordenadas 3D del mundo real.
  • Cálculo de Profundidad (Eje Z): Se calculó la distancia euclidiana desde el centroide de cada objeto (cámara como origen) y se aplicó una transformación inversa ($z = 1/D$) para determinar la profundidad.
  • Visualización 3D: Se generó un gráfico cartesiano 3D utilizando matplotlib. Las imágenes de las cuatro cámaras se fusionaron, eliminando regiones superpuestas para crear un mapa coherente del estacionamiento.
  • Extracción de Espacios Vacíos: El sistema calcula el espacio residual entre columnas y vehículos detectados. Utilizando el ancho estándar de un espacio de estacionamiento, estima el número de plazas disponibles entre obstáculos.

3. Contribuciones Clave

• Enfoque de Bajo Costo: Sustituye sensores físicos costosos por cámaras de vigilancia (CCTV) y algoritmos de software, reduciendo drásticamente la inversión inicial.
• Fusión Multi-cámara: Propone un método novedoso para unir vistas de cuatro cámaras en un solo mapa 3D, superando las limitaciones de las vistas monoculares.
• Simulación 3D Interactiva: Ofrece una representación visual en tiempo real de la disponibilidad de plazas mediante un plot cartesiano 3D, mejorando la experiencia del usuario.
• Optimización de Algoritmos: Demuestra la superioridad de YOLOv8 sobre versiones anteriores (v5 y v7) en la detección simultánea de vehículos y estructuras fijas (columnas) en entornos complejos.

4. Resultados y Análisis

El estudio comparó el rendimiento de YOLOv5, YOLOv7 y YOLOv8 utilizando curvas de Precisión-Recall (PR):

• YOLOv5: Logró una precisión general del 84%. Fue efectivo detectando coches (97.3%) pero tuvo dificultades con las columnas (70.6%).
• YOLOv7: Mejoró la precisión general al 89.5%, con una detección de coches del 94.7% y columnas del 84.2%.
• YOLOv8 (Modelo Propuesto): Superó a los anteriores con una precisión general del 98.4%.
  • Precisión en detección de coches: 98.6%.
  • Precisión en detección de columnas: 98.2%.
• Conclusión de Resultados: YOLOv8 demostró un equilibrio superior entre precisión y recall, minimizando falsos positivos y proporcionando la fiabilidad necesaria para un sistema de navegación en tiempo real.

5. Significado e Impacto

• Gestión de Tráfico Urbano: Al reducir el tiempo de búsqueda de estacionamiento, el sistema contribuye directamente a disminuir la congestión vehicular y las emisiones de carbono en áreas urbanas.
• Escalabilidad y Adaptabilidad: La solución es adaptable a diferentes configuraciones de estacionamiento y tipos de cámaras, lo que la hace viable para su implementación en grandes centros comerciales, aeropuertos y edificios corporativos.
• Base para Ciudades Inteligentes: Este trabajo sienta las bases para sistemas de transporte inteligentes (ITS) más sofisticados, integrando visión por computadora, análisis de datos y navegación automatizada para crear entornos urbanos más sostenibles y eficientes.
• Futuro: Los autores sugieren futuras mejoras enfocadas en la escalabilidad a grandes instalaciones, la integración con IoT y el desarrollo de aplicaciones móviles para los usuarios finales.