Sistema de alerta de exceso de velocidad con reconocimiento de placas vehiculares mediante visión computacional y DEEP Learning

Abstract

En el Perú, los accidentes de tránsito por exceso de velocidad representan una problemática creciente y una de las principales causas de siniestralidad vial. Los métodos tradicionales para su detección resultan insuficientes ante el incremento del parque automotor y las limitaciones de los sistemas de control actuales. En este contexto, el presente estudio propone un sistema que combina dos módulos automatizados, uno para la estimación de la velocidad de los vehículos a partir de secuencias de video y otro para la detección y reconocimiento de placas vehiculares utilizando técnicas de visión computacional y algoritmos de aprendizaje profundo. La arquitectura propuesta integra técnicas de detección de objetos y estimación de movimiento para el seguimiento y cálculo de la velocidad de los vehículos, junto con métodos de reconocimiento óptico de caracteres (OCR) que permiten extraer la información textual de las placas. Durante la evaluación experimental, el módulo de placas alcanzó una precisión del 87.5%, mientras que el módulo de velocidad obtuvo un error medio absoluto porcentual (MAPE) del 13.75%. Al integrar ambos módulos, el sistema no solo permitió identificar a los vehículos infractores y registrar sus placas, sino que además mejoró el rendimiento general, logrando un 92.4% de precisión en la extracción de caracteres y obteniendo un error medio absoluto en la estimación de velocidad de 14.74%. Los resultados demostraron que la integración de los módulos mejora el rendimiento del sistema y lo convierte en una herramienta con potencial para el monitoreo del tránsito y la identificación de infracciones. Sin embargo, se reconoce que el desempeño puede verse afectado en escenarios con alto flujo vehicular o con vehículos demasiado próximos, por lo que futuras mejoras deben enfocarse en optimizar la calibración, ampliar la base de datos de entrenamiento y perfeccionar el seguimiento cuando hay múltiples objetos.

In Peru, traffic accidents caused by speeding represent a growing concern and one of the main contributors to road-related incidents. Traditional detection methods are often insufficient due to the rapid increase in the vehicle fleet and the limitations of current control systems. In this context, the present study proposes a system that integrates two automated modules: one for estimating vehicle speed from video sequences and another for detecting and recognizing license plates using computer vision techniques and deep learning algorithms. The proposed architecture combines object detection and motion estimation methods for vehicle tracking and speed calculation, along with optical character recognition (OCR) techniques that allow extracting the textual information from license plates. During experimental evaluation, the license plate module achieved an accuracy of 87.5%, while the speed estimation module obtained a mean absolute percentage error (MAPE) of 13.75%. When both modules were integrated, the system not only identified speeding vehicles and recorded their plates but also improved overall performance, achieving 92.4% accuracy in character extraction and a mean absolute error of 14.74% in speed estimation. The results demonstrate that combining both modules enhances system performance and positions it as a potentially valuable tool for traffic monitoring and violation detection. However, it is acknowledged that performance may be affected in scenarios