El tema de la movilidad vial, incidentes de tránsito y gestión oportuna de la movilidad terrestre está cobrando vital relevancia en los países en vías de desarrollo, principalmente México, Argentina o Colombia están buscando una forma de poder hacer más eficiente el uso de carreteras y autopistas para minimizar los impactos a la vida de las personas. De acuerdo con la Organización Mundial de la Salud, el número de muertos por accidentes de tránsito a nivel mundial es de1.2 millones de personas cada año. Los accidentes de tránsito constituyen la segunda causa de muerte para personas entre los 5 y 29 años y la tercera para aquellos que tienen entre 30 y 44 años.
En América Latina, dado que el número de vehículos crece rápidamente, los riesgos van en aumento, de manera que, de no mediar disposiciones que puedan revertir los riesgos en carreteras y autopistas, se convertirá en la tercera causa de muerte y discapacidad hacia los siguientes años, según lo menciona la CEPAL en su informe “La seguridad en la movilidad vial en la región de América Latina y el Caribe: situación actual y desafíos”.
Los Centros de Gestión de Tráfico (TMC), que deberían funcionar en todos los países, tienen la función de supervisar y gestionar el tráfico, informar a los usuarios de embotellamientos y controlar los flujos en tiempo real. Sin embargo, la CEPAL también señala que la realidad de muchos países de ingresos bajos o medios, es que no existen métodos de recopilación ni procesamiento de datos sobre el tránsito o movilidad vial en general, lo que genera estadísticas subestimadas o incompletas.
Al respecto, Mariano Vega, Regional Sales Manager para Suramérica en Axis Communications, señala que esta situación provoca importantes retos en la toma de decisiones para la generación de medidas destinadas a disminuir los accidentes, ya que al no existir una herramienta que permita una medición más exacta de los riesgos y oportunidades, no habrá políticas de seguridad vial de largo plazo que busquen una verdadera mejora de los servicios de movilidad vial ofrecidos a la ciudadanía.
El experto señala que la vigilancia por video es una herramienta clave para monitorear redes de carreteras, intersecciones e infraestructura crítica como túneles y puentes. Proporciona una visión en tiempo real del flujo y de los incidentes (incluidos choques, colas y tráfico lento) que podrían interrumpir la circulación libre en la carretera.
Sin embargo, dadas las limitaciones humanas de atención, concentración y, en el sentido físico más obvio de que cada persona sólo tiene dos ojos, los operadores no pueden monitorizar todas las cámaras en todo momento. Por lo tanto, el análisis de video, que hace un uso cada vez mayor de la inteligencia artificial (IA) y las tecnologías de aprendizaje profundo, son necesarias para explorar activamente e identificar problemas, es por ello, que “hoy es indispensable que los sectores públicos y privados busquemos la inclusión de estas herramientas en la región de América Latina, principalmente en aquellas donde aún no se voltea a ver a la videovigilancia con objetivos de eficiencia y retornos de inversión”, comentó el experto de Axis.
Innovación en inteligencia artificial para el procesamiento de imágenes
Mariano Vega comenta que, en el campo de la informática, la inteligencia artificial (IA) ha visto varios nuevos avances. Particularmente en el campo del procesamiento de imágenes, los conceptos de Machine Learning y Deep Learning han mejorado dramáticamente las posibilidades de clasificar y hacer computables objetos de eventos reales, acciones, personas y vehículos.
“Por ejemplo, un análisis de video de aprendizaje profundo ayuda a reducir drásticamente el número de falsas alarmas potenciales, en comparación con las tecnologías tradicionales de detección basadas en píxeles, al tiempo que mantenemos una alta precisión en la detección de situaciones reales significativas”, comenta.
Uno de los principales desafíos de la tecnología tradicional de análisis basada en video para la vigilancia del tránsito (y la principal fuente de falsas alarmas) son las sombras, por ejemplo, de vehículos o sombras más estáticas de árboles, nubes o estructuras. El concepto mismo de la tecnología Deep Learning es ‘enseñar’ a un ordenador a identificar y clasificar objetos. En el contexto de la vigilancia del tránsito, el ordenador está entrenado para identificar vehículos (coches, camiones, motos, etc.) y, por lo tanto, para «ignorar» eficazmente las sombras.
Una vez detectados los ‘objetos’ se convierten en datos. Los conocimientos y las posibilidades de la videovigilancia sirven para gestionar estos tipos de datos y crear la salida adecuada para los operadores, en otras palabras: representan los datos identificados a través del proceso de aprendizaje profundo una situación real que los operadores deben conocer.
Por supuesto, la precisión del aprendizaje profundo está altamente correlacionada con la calidad y definición de la imagen para empezar. Aquí es donde la labor de la tecnología de video hace su trabajo al proporcionar imágenes de alta definición en el espectro visible, lo que se convierte en un componente clave para el proceso.
La videovigilancia, ha entrado hace tiempo en la era de la digitalización y con ello ha generado una enorme cantidad de datos. El siguiente reto consiste en convertir esta gran cantidad de datos digitales en información que sea a la vez impactante y viable, cumpliendo así con las necesidades y objetivos clave de los usuarios de videovigilancia.