Транскрипт
1 УДК Алгоритм распознавания дорожных знаков Романов П. В., студент Россия, г. Москва, МГТУ им. Н. Э. Баумана, кафедры «Компьютерные системы и сети» Научный руководитель: Самарев Р. С., к.т.н., доцент Россия, г. Москва, МГТУ им. Н. Э. Баумана Введение Цель данной работы решение задачи распознавания дорожных знаков, а также проверка эффективности и удобства использования алгоритмов, реализованных в библиотеке opencv. Для получения исходных данных применялась камера, закрепленная в автомобиле типовой видеорегистратор, обеспечивающий видеосъемку в формате Full-HD. Основными задачами были: фиксирование знака на видео с камеры, определение его типа по упрощенной классификации. Алгоритм распознавания знаков В процессе анализа возможных подходов рассматривались как «нейронные сети», так и статистические подходы. Библиотека OpenCV реализует большое количество функций, позволяющих реализовать эти подходы по заранее приготовленным шаблонам. Однако в данном случае было принято решение об использовании точных методов, которые также реализованы в OpenCV. Для решения задачи была написана программараспознаватель. Процесс распознавания осуществлялся в три этапа: фиксация в кадре видеопотока области поиска и самого объекта (знака, в случае правильного срабатывания); анализ параметров найденного объекта, отнесение его к одному из типов (шаблонов из базы данных); адаптация программы для работы в более неблагоприятных условиях: в темноте, присутствии помех.
2 На каждом из указанных этапов вызываются функции из библиотеки. Обобщенная схема алгоритма анализа приведена на рисунке 1. В схеме показаны этапы и используемые функции OpenCV. Рис. 1. Обобщенная схема алгоритма (начало) Молодежный научно-технический вестник ФС, ISSN
3 Рис. 1. Обобщенная схема алгоритма (продолжение) На первом этапе использованы функции cvsetimageroi, cvboundingrect и cvcopy. Первая позволяет сфокусироваться на интересующем участке изображения (ROI region of interest). На рисунке 3 можно увидеть, что программа реально анализирует и представляет пользователю лишь часть кадра (рисунок 2). Одни из ее параметров, координаты выделяемого участка, легко вычисляется, поскольку в OpenCV предусмотрено сопровождение картинки необходимой информацией.
4 Рис. 2. Исходное изображение Рис. 3. Анализируемая часть изображения (кадра) После выделения области, в которой наиболее вероятно появление знаков, примерно средняя треть кадра, нужно приготовить ее для поиска похожих на знаки форм. Для этого использовались следующие инструменты из opencv. Функция cvcvtcolor с опцией перевода картинки в градации серого, необходимая для применения порогового преобразования (функция cvthreshold) или преобразования Кенни (функция cvcanny). Оба метода предназначены для бинаризации изображения(только черное и белое) и выделения на нем границ объектов, но первый учитывает только яркость участков изображения, тогда как алгоритм Кенни также выполняет частичное восстановление контуров. Эксперименты подтвердили преимущество функции cvcanny (рисунок 4). Молодежный научно-технический вестник ФС, ISSN
5 Рис. 4. Результат последовательного применения cvcvtcolor и cvcanny к изображению Далее на изображении нужно найти все возможные замкнутые контуры. Для этого использована функция cvfindcontours, имеющая параметром бинаризированное изображение, полученное ранее. Были попытки применить оператор Собеля для вычисления градиента яркости каждой точки картинки (функция cvsobel) и путем преобразования Хафа найти геометрические фигуры, в данном случае круги (функция cvhoughcircles). Ни одна из этих функций не показала себя в экспериментах достаточно универсальной в силу неточности комбинаций входных параметров при работе с видео. Следующий шаг выбор контуров, удовлетворяющих заданным условиям. Первое, что анализировалось площадь контура, поскольку она колеблется в заранее известных границах. Ее можно получить, вызвав cvcontourarea. cvcontourperimeter возвращает длину контура, что необходимо для вычисления второго параметра компактности. Это отношение площади ко квадрату периметра. Проще говоря, характеризует схожесть объекта с кругом, поскольку круг самая компактная фигура. имеет коэффициент примерно 0,79. И наконец, проводилась проверка на совпадение моментов контуров (их отличительных форм) с помощью функции opencv cvmatchshapes, сравнивающей переведенные в цепной код Фримана контуры и выдающей уровень их отличия. Опыты показали, что почти полное сходство выражается значением меньше На рисунке 5 пример всех зафиксированных контуров (выделено ярко зеленым и фиолетовым), а на рисунке 6 правильно узнанных знаков.
6 Рис. 5. Все найденные в области контуры Рис. 6. Контуры, подошедшие по форме По результату работы этой функции бывает нельзя точно сказать, подходит контур или нет, поэтому последний из приемов установления различий это анализ цвета в контуре. Для разбиения изображения на цветовые каналы применялись функции cvsplit и cvcvtpixtoplane. Однако функция cvcvtpixtoplane предназначена для изображений, представленных не цветовыми, а тональными каналами: оттенком, яркостью и глубиной (модель HSV) Отличие второго этапа от первого в меньшем размере обрабатываемого изображения, но более тщательном сравнении моментов контуров. Происходит сопоставление со всеми знаками базы данных, удовлетворяющими условиям, проверенным на предыдущем этапе. Также производилось вручную контрастирование изображения для обеспечения более четкой работы функций детекции границ. Результаты Выборка сформирована с учетом включения различных форм знаков и изображений на них. Тестировалось распознавание 7 знаков на 16 видео фрагментов с разрешением 1920x1080. Использовано видео в ясный день. Результаты сведены в таблицу. Молодежный научно-технический вестник ФС, ISSN
7 Пример знака Точность распознавания Пример формы знака Точность распознавания Обгон запрещен 85% Круглый Въезд запрещен 65% Ограничение скорости 40 км/ч 65% 75% Ограничение скорости 70 км/ч 70% Поворот запрещен 40% Уступите дорогу 70% Треугольный Примыкание второстепенной дороги 80% 75% Заключение По результатам проведенной работы можно отметить возможность использования библиотеки OpenCV для решения задачи распознавания дорожных знаков. Распознается примерно 70%, что, однако, говорит о необходимости нахождения более оптимальных методов. В качестве возможного направления работ также следует отметить исследование распознавания знаков в сложных условиях, например, ночью или при тумане. Список литературы 1. Ворошин Г. Я Методы распознавания образов. Режим доступа: (дата обращения). 2. Владимир Н. OpenCV шаг за шагом. Режим доступа: (дата обращения). 3. Распознавание образов с OpenCV: контуры против haartraining Режим доступа: (дата обращения:). 4. Gary Bradski, Adrian Kaehler. Learning OpenCV. Computer vision with the OpenCV library. Available at: %D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0, accessed RECOG.RU: распознавание образов для программистов Режим доступа: (дата обращения:).
УДК 004.932.72"1 Ключевые особенности алгоритма распознавания дорожной разметки Введение Чистяков И.Ю., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные системы и телекоммуникации»
УДК 004.051 Бойнов М.А. студент магистратуры факультет Системы обработки информации и управления МГТУ им. Н.Э.Баумана Россия г. Москва Джанаев С.И. студент магистратуры факультет Системы обработки информации
УДК 004.932 Метод выделения похожих изображений на основе применения SIFT дескрипторов Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ и информационные
# 06, июнь 2016 УДК 004.932 Использование нейросети и SIFT дескрипторов для сравнения изображений Введение Савонин А.И., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение
УДК 004.93"1 П.Ф. Павленко, Институт автоматики и информационных технологий НАН КР РАСПОЗНАВАНИЕ ДВИЖУЩИХСЯ ОБЪЕКТОВ В ТРАНСПОРТНОМ ПОТОКЕ Работа посвящена проблеме выделения движущихся объектов (транспортных
УДК 004.932 Алгоритм распознавания заданных участков дорожно-транспортной инфраструктуры на аэрофотоснимках Косюра О.В., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение
Секция 6. Цифровая обработка сигналов и изображений 337 УДК 004.932.4 Бани-Амер Тамер, Хмелевой С.В., Азаренко Д.В. Донецкий национальный технический университет, г. Донецк, кафедра автоматизированных
УДК 004.93 Исследование методов формирования вектора признаков изображения лица с использованием фильтров Габора Лаврова Е.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Биомедицинские
ÓДÊ 004.932.2 Ðазработка и оптимизация процесса сегментации изображения и видео потока на стороне мобильного устройства Н.À. Северинов Московский государственный университет печати имени Ивана Федорова
УДК 004.932 Алгоритм классификации отпечатков пальцев Ломов Д.С., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ и информационные технологии» Научный руководитель:
# 08, август 2016 УДК 004.93"1 Нормализация данных 3D камеры с использованием метода главных компонент для решения задачи распознавания поз и поведения пользователей Умного дома Малых Д.А., студент Россия,
# 06, июнь 2016 УДК 681.531.2 Распознавание объектов с помощью телекамеры Воронин А.В., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Специальная робототехника и мехатроника» Научный
УДК 681.5:004.93 Калиниченко Ю.В. К ВОПРОСУ О ВЫДЕЛЕНИИ ГРАНИЦ ДЕТЕКТОРОМ КЕННИ Луганский национальный университет имени Тараса Шевченко Рассмотрен вопрос выделения границ детектором Кенни. Алгоритм реализован
УДК 004.93 Сравнительный анализ алгоритмов распознавания лиц в задаче визуальной идентификации О.В. Рогозин, С.А. Кладов МГТУ им. Н.Э. Баумана, Москва, 105005, Россия Статья посвящена двум подходам к распознаванию
УДК 004.932, 681.518 Сравнительный анализ алгоритмов построения изображений подстилающей поверхности Бочаров В.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Системы автоматического
УДК 159.9.072.592 Распознавание характеристик пользователя по почерку всего интересных сведений. http://sntbul.bmstu.ru/doc/616688.html Тамбиев К.Ш., студент кафедра «Информационные системы и телекоммуникации»,
Преобразование Хафа (Hough transform) Анна Дегтярева [email protected] Вежневец Владимир [email protected] Содержание Введение Основная идея метода Пример: выделение прямых на изображении Пример:
УДК.004.01 Вычисление оптического потока для выделения транспортных средств на видеоизображении П. А. Девайкин 1, А. В. Шикуть 1 1 МГТУ им. Н.Э. Баумана, Москва, 105005, Россия Рассмотрены алгоритмы вычисления
Вопросы для текущего контроля успеваемости и промежуточной аттестации по курсу «Методы и техника распознавания образов» 1. Задача анализа изображений, ее практическая значимость 2. Понятие изображения.
266 Секция 6. Цифровая обработка сигналов и изображений УДК 004.932 Д.С. Химич, А.Ю. Харитонов Донецкий национальный технический университет, г. Донецк Кафедра компьютерных систем мониторинга ТЕХНОЛОГИИ
Построение дополненной реальности на примере создания виртуальной примерочной. 77-48211/482783 # 08, август 2012 Девайкин П. А., Шикуть А. В. УДК.004.021 Россия, МГТУ им. Н.Э. Баумана [email protected]
Программный комплекс «Интерактивная информационная доска» Дроздова Юлия Александровна ПГНИУ, Пермь, Россия. Аннотация. Статья посвящена вопросу создания программного комплекса «Интерактивная информационная
298 СПЕЦИАЛИЗИРОВАННАЯ КОМПЬЮТЕРНАЯ СИСТЕМА ФОКУСИРОВКИ МИКРОСКОПА Кириченко М.Н., группа КСД-05м Руководитель доц. каф. АСУ Омельченко А.А. В настоящее время в медицине и технике широко применяются микроскопы
172 Секция 5. Цифровая обработка сигналов и изображений Н.Н. Шеремет Донецкий национальный технический университет, кафедра программного обеспечения интеллектуальных систем ИССЛЕДОВАНИЕ МЕТОДА АКТИВНЫХ
ОБНАРУЖЕНИЕ, КЛАССИФИКАЦИЯ И ОПРЕДЕЛЕНИЕ ПАРАМЕТРОВ ОБЪЕКТОВ ЗАДАННЫХ ГРАНИЦАМИ ЕГО ОСОБЕННОСТЕЙ НА ПОЛУТОНОВОМ ИЗОБРАЖЕНИИ В РЕАЛЬНОМ ВРЕМЕНИ. А.В. Бовырин, А.В. Губанов, В.Ф. Курякин, К.В. Родюшкин,
Математические структуры и моделирование 2015. 4(36). С. 123 128 УДК 004.93 КОМПЬЮТЕРНОЕ ЗРЕНИЕ КАК СРЕДСТВО ИЗВЛЕЧЕНИЯ ИНФОРМАЦИИ ИЗ ВИДЕОРЯДА Н.В. Манюкова кандидат педагогических наук, доцент, e-mail:
УДК 57.08 Тестирование библиотек автоматической расстановки контрольных точек лица 07, июль 2012 Томак К.С. Студентка, кафедра «Системы обработки информации» Научный руководитель: Кашапова Л.Х., ассистент
УДК 004.4 ПРЕДВАРИТЕЛЬНАЯ ГРУБАЯ СКЕЛЕТЕЗАЦИЯ РАСТРОВЫХ ИЗОБРАЖЕНИЙ И ДЕТЕКТИРОВАНИЕ ПРОСТЫХ ЭЛЕМЕНТОВ А.Н. Романов, М.В. Привалов Донецкий национальный технический университет У статті розглядається задача
# 07, июль 2017 УДК 004.032.26 Сверточная нейронная сеть для разработки системы распознавания и классификации изображений Гузий Е.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Компьютерные
АЛГОРИТМЫ РАСПОЗНАВАНИЯ ЛИЦА НА БАЗЕ БИБЛИОТЕКИ OPENCV 66 С.В. Томилов Большинство современных систем распознавания лиц очень чувствительны к характеристикам предъявляемых изображений. Поэтому перед непосредственным
УДК 0093 1; 0093 АН САМОЙЛОВ, ИВ ШЕВЧЕНКО МЕТОД ОБНАРУЖЕНИЯ ЛИНИЙ КОНТУРОВ В ЯРКОСТНЫХ ПЕРЕПАДАХ ПРЕДПОЛАГАЕМЫХ ГРАНЕЙ БИНАРИЗОВАННОГО ИЗОБРАЖЕНИЯ СЛЕДОВ ДИСЛОКАЦИЙ НА ПЛАСТИНАХ GaAs Рассматривается проблема
УДК 621.391 Двумерное распознавание сигнала на основе метода k ближайших соседей Якубов Р.Ж., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационная безопасность» Научный руководитель:
УДК 531.1 СИСТЕМА ОБНАРУЖЕНИЯ И СОПРОВОЖДЕНИЯ ВИДЕОМАРКЕРОВ ДЛЯ ОБЕСПЕЧЕНИЯ НАВИГАЦИИ РОБОТА А.В.Калиниченко ([email protected]) Институт прикладной математики им. М.В. Келдыша РАН, Москва В работе описывается
Донецкий национальный технический университет Факультет компьютерных наук и технологий Кафедра прикладной математики и информатики АВТОМАТИЧЕСКОЕ ОТСЛЕЖИВАНИЕ ДВИЖУЩИХСЯ ОБЪЕКТОВ В СИСТЕМАХ ВИДЕОНАБЛЮДЕНИЯ
УДК 004.932.2 Алгоритмы сегментации изображений Оглуздина Ю.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное обеспечение ЭВМ и информационные технологии» Научный руководитель:
УДК 681.327.1 # 12, декабрь 2015 Проектирование системы распознавания динамического поведения людей Демин Н.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные системы
УДК 681.326 А.М. Шашлов ЭФФЕКТИВНОЕ ВОССТАНОВЛЕНИЕ СВЕДЕНИЙ О РАЗДЕЛАХ ПРИ ПОВРЕЖДЕНИЯХ СИСТЕМ РАЗДЕЛОВ НАКОПИТЕЛЕЙ Рассмотрены существующие подходы восстановления данных при логических повреждениях систем
АЛГОРИТМЫ КОНТРОЛЯ КООРДИНАТ ИСТОЧНИКА ИЗЛУЧЕНИЯ НА ФОТОЧУВСТВИТЕЛЬНОЙ ПОВЕРХНОСТИ МАТРИЦЫ В.В.Замятин Для измерения координат точечного источника излучения на поверхности фоточувствительной матрицы применяют
Обнаружение узких мест трасс передачи данных в компьютерной сети и оценка их пропускной способности Для организации эффективной работы компьютерной сети маршрутизаторам и иным устройствам необходимы сведения
54 ВЕРИФИКАЦИЯ ОПТИКО-ПЕРЕМЕННОГО ОБЪЕКТА ПУТЁМ ОБНАРУЖЕНИЯ ИЗМЕНЕНИЯ ЦВЕТА Екатерина Горшкова, Роман Телятников, Иван Шумский Аннотация: Рассматривается задача обнаружения изменения цвета на оптико-переменных
УДК 004.031.2, 004.932 Методы оптимизации вычисления оптического потока в автономных системах навигации Введение Жуков Р.В., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра ««Системы
Санкт Петербургский государственный университет Математико Механический факультет Кафедра системного программирования Снижение разрешения гистограммы ориентированных градиентов для детекции объектов малого
# 01, январь 2016 УДК 534.4 Программный синтез звука музыкальных инструментов Тишина Е. М., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Информационные системы и телекоммуникации»
Паспорт фонда оценочных средств по дисциплине «Теория распознавания образов» Приложение 1 п/п Контролируемые разделы (темы) дисциплины* Код компетенции Наименование оценочного средства Раздел 1. Распознавание
Получение контура стопы по фотографиям с максимальной точностью Немного о проекте Место выполнения проекта: СПБГПУ, лаборатория компьютерной графики, руководитель Беляев Сергей Юрьевич Задача является
Системы автоматического распознавания автономеров # 12, декабрь 2014 Юзов М. В., Пугачёв Е. К. УДК: 004.8 Россия, МГТУ им. Н.Э. Баумана [email protected] Введение Сегодня технологии компьютерного
УДК 004.021 Использование Redis Cluster в задаче выявления плагиата Евграфов И.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Компьютерные системы и сети» Научный руководитель:
СИСТЕМА РАСПОЗНАВАНИЯ ДОРОЖНЫХ ЗНАКОВ Гильманов Тимур Аделевич, магистрант, КНИТУ-КАИ им. А.Н. Туполева, г. Казань E-mail: [email protected] Аннотация: В данной статье представлено описание системы
3 Л.В. АНТОНОВ, А.А. ОРЛОВ Экспериментальное исследование алгоритмов обработки снимков промышленных изделий УДК 004.942 Муромский институт (филиал) ФГБОУ ВПО «Владимирский государственный университет имени
Компьютерная модель системы ВАДС Сегеда С.В., к.т.н. Девочкин О.В. МГТУ «МАМИ» С целью снижения количества ДТП на дорогах постоянно развиваются новые системы безопасности автомобиля. Наиболее перспективными,
382 Секция 7. Технологии и системы искусственного интеллекта УДК 004.931 Ткачук Е.О., Федяев О.И. Донецкий национальный технический университет Кафедра прикладной математики и информатики [email protected]
Алгоритм регистрации трехмерных образов объектов с помощью пассивной стереоскопической системы с использованием кратномасштабной обработки изображений. 77-3569/23289 # 1 октябрь 211 Зайцев К. И. Перов
УДК 681.325 СОВМЕЩЕНИЕ РАСТРОВЫХ ИЗОБРАЖЕНИЙ В СИСТЕМАХ ТЕХНИЧЕСКОГО ЗРЕНИЯ Н.В.Соловьев, канд. техн. наук, доцент А.А.Козлов, соискатель М.Ю.Литвинов, соискатель Санкт-Петербургский государственный университет
Лекция 15 Использование аппарата нейронных сетей для определения качества восприятия в системах IPTV План 1. Общие понятия о нейронных сетях (определение нейронной сети, шкала MOS) 2. Классификация нейронных
Руководство пользователя по работе с программным обеспечением «Орион-Авто» 1 Назначение системы «Орион-Авто»... 3 2 Характеристики системы... 3 3 Установка «Орион-Авто»... 4 4 Организация системы... 4
# 09, сентябрь 2015 УДК 004.021 Применение фильтра Калмана для обработки последовательности GPS-координат Листеренко Р.Р., бакалавр Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Программное
Line fitting, или методы аппроксимации набора точек прямой Анна Дегтярева [email protected] Вежневец Владимир [email protected] Содержание Line fitting, или методы аппроксимации набора точек прямой
УДК 004.424.4 Исследование влияния количества слоев и их количества на поведение ошибки скорость обучения сети Живых C.Ю., студент кафедра «Система обработки информации и управление» Россия, 105005, г.
Н.Н. Алексеева, А.С. Иргит, А.А. Куртова, Ш.Ш. Монгуш Применение методов обработки изображений к задаче распознавания васкулярного рисунка ладони С каждым годом возрастают требования к системам безопасности.
2. ЭРГОНОМИЧЕСКИЕ ТРЕБОВАНИЯ К СРЕДСТВАМ ИНФОРМАЦИИ Главный принцип информационного дизайна состоит в том, что основной массив информации нужно сделать доступным и легко усваиваемым аудиторией. Продуманная
ПОСТРОЕНИЕ МОДЕЛИ ИЗОБРАЖЕНИЯ И ЕЁ ПРИМЕНЕНИЕ В ЗАДАЧАХ ДЕТЕКТИРОВАНИЯ ОБЪЕКТОВ 1. Введение Получение признакового описания изображений является одним из главных этапов в таких задачах машинного (технического)
Понятие алгоритма. Изображение алгоритма в виде блок схемы. Алгоритмы линейной и разветвляющейся структуры. Решение любой задачи на ЭВМ необходимо разбить на следующие этапы: разработка алгоритма решения
Исследование библиотек технического зрения для построения системы учёта движения на перекрёстках А. Е. Соколов Институт автоматики и электрометрии СО РАН Новосибирский государственный университет Научный
17 я Всероссийская конференция с международным участием «Математические методы распознавания образов - 2015» г. Светлогорск Калининградская область 19-25 сентября 2015 Морфологическая фильтрация изображений
ПРИКЛАДНЫЕ АСПЕКТЫ ИНФОРМАТИКИ Поиск изображений по визуальному содержанию в графических базах данных и сети Интернет И.Е. Десятников Аннотация. В статье представлена система поиска изображений по визуальному
Методы распознавания лиц Ю. Лифшиц. 4 декабря 2005 г. Содержание 1 Применение алгоритмов распознавания лиц 2 2 Особенности распознавания лиц 2 2.1 Специфика задачи.......................... 2 2.2 Абстрактная
Современные мегаполисы кишат большим количеством автомобилей. Из-за этого у любого приезжего возникает масса трудностей и неприятностей, вплоть до дорожно-транспортного происшествия. Дело в том, что не каждый знает особенности города, где располагаются дорожные знаки и что они означают. Для подобных ситуаций инженеры и придумали систему для распознавания дорожных знаков. Теперь водителю не придется особо смотреть по сторонам, следить за всеми дорожными знаками.
Что это за система?
Чтобы облегчить жизнь водителей, инженеры придумали довольно интересную систему для распознавания дорожных з наков. Ее главная задача состоит в предупреждении водителя о приближающемся дорожном знаке, перекрестке и так далее. Теперь у вас не будет возникать проблем и трудностей по поводу пропущенного знака.
Стоит отметить, что название системы может немного отличаться, все зависит от производителя и особенностей видения. Но, в общем, встречается аббревиатура TSR , которая расшифровывается как Traffic Sin Reconition . Применяется у таких производителей как , , и многих других.
К небольшой особенности следует отнести компанию Opel . Дело в том, что система распознавания знаков сразу же внедряется в комплекс Opel Eye , что довольно удобно и практично. В 2010-м году подобная система получила большое количество положительных отзывов не только от экспертов, но и простых водителей. За все время существования системы уменьшилось количество дорожно-транспортных происшествий. В систему входит не только распознавание знаков и пешеходов, но и автоматическая парковка.
Что касается компании Mercedes - Benz , то здесь система имеет особенность в ограничении скоростного режима. Теперь водитель не сможет превышать положенную скорость, даже на несколько километров. Специалисты отмечают, что система может быть как самостоятельной, так и входить в целый комплекс по защите и предупреждению.
Из чего состоит система
Отдельного внимания заслуживают компоненты системы, из чего она состоит. Практически каждый производитель использует следующий список:
· Видеокамера, которая устанавливается на ветровое стекло;
· Центральный блок для управления;
· Дисплей, чтобы выводить информацию.
Конечно, список может дополняться, все зависит от производителя и его желания. Специалисты отмечают, что подобное расположение камеры, на уровне головы водителя, является оптимальным. Ведь за счет такого подхода система без особого труда считывает информацию и передает ее на дисплей транспортного средства. Камера выполнена с применением качественной оптики, материалов и технологий.
Всего существует два поколения системы:
· Первое только информирует водителя о приближающемся знаке. Оно способно распознать знак ограничения скорости, запрета на обгон;
· Второе помимо считывания информации показывает, что нарушил водитель и где именно. Может распознавать знак движения без остановки запрещено, жилой зоны, начала и конца населенных пунктови преимущества движения.
Что касается второго поколения, то здесь применяется умный блок управления с операционной системой. При необходимости система обновляется, чтобы пополнять количество знаков.
Как работает система?
Что касается самого принципа работы, то здесь нет ничего сложного. Основным является камера, которая устанавливается на лобовое стекло. Она снимает весь путь водителя, в любое время года и суток. Камера крепится на стороне пассажира и сверху от водителя. Расположение может варьироваться в зависимости от особенностей дорожного движения. Камера способна распознавать пассажиров, что довольно удобно.
Полученная информация передается на центральный блок транспортного средства. Далее действия варьируются в зависимости от поколения. Если у водителя имеется только первое поколение, то происходит сравнение с базой и выдача знака на дисплей. Если второе поколение, то помимо выдачи знака и сравнения с базой данной водитель получает полную информацию о возможном нарушении. При таком подходе можно сразу понять, придется ли тратить деньги на штраф или нет.
Специалисты отмечают, что современная система распознавания знаков запоминает сразу несколько действий. Дело в том, что в настоящее время существует большое количество знаков с продолжительным действием. Если подобное не учитывать, то возникнет масса неприятностей.
Многие говорят, что следующее поколение системы получит возможность не только считывать знаки, но и использовать правило дорожного движения, давать рекомендации в некоторых ситуациях. Подобное понадобится новичкам, кто только сел за руль транспортного средства.
Вывод
Система распознавания знаков пользуется большой популярностью. Она облегчает жизнь водителей, позволяет предотвращать неприятные ситуации.
По статистике превышение скорости является одной из весьма распространенных причин ДТП, которые могут закончиться тяжелыми последствиями для водителя и пассажиров. Разработанная TSR или система распознавания дорожных знаков (Traffic Sign Recognition) создана с тем, чтобы водитель не забывал придерживаться разрешенной скорости согласно правилам дорожного движения. Устройство считывает и распознает дорожные знаки, регламентирующие скорость, напоминая при этом водителю о максимальной разрешенной скорости на определенном участке дороги, если его автомобиль едет быстрее, чем допустимо.
Устанавливаемая на авто система распознавания дорожных знаков конструктивно состоит из видеокамеры, блока управления и устройства подачи информации.
Видеокамера закреплена на ветровое стекло и находится за зеркалом заднего вида. Камера осуществляет функцию фиксации участка дороги впереди движущегося транспортного средства в местах нахождения дорожных знаков сверху и справа по направлению движения, и посылает данные в электронный блок управления. Видеокамера также применяется и другими системами активной безопасности, таких как система помощи движения по полосе и система выявления пешеходов.
Электронный блок управления предназначен для осуществления следующих функций:
Определение конфигурации дорожного знака круглой формы.
Определение красного цвета знака на белом фоне.
Определение допустимой величины скорости, обозначенной на знаке.
Определение табличек, определяющих время и зону действия знака, а также вид транспортного средства.
Определение реальной скорости авто.
Сопоставление реальной скорости автомобиля с максимально разрешенной указанной на знаке.
Предупреждение водителя звуковым или световым сигналом.
Контурное изображение знака, ограничивающего скорость движения, поступает на экран расположения приборов или на экран системы информации и продолжает быть опознанным до тех пор, пока ограничение не исчезнет или не будет заменено. Если на автомобиле установлен информационный дисплей, то картинка будет отражаться на лобовом стекле.
В некоторых конструкциях система распознавания дорожных знаков согласована с системой навигации, и пользуется данными о знаках, ограничивающих скорость, из карт навигации. Распознавание возможно даже в том случае, когда видеокамера не определит знак – все равно данные о нем поступят на панель приборов.
Однако, возможности системы распознавания дорожных знаков не ограничиваются только определением знаков, ограничивающих скорость, запрета обгона или дополнительных информационных таблиц. Помимо этого, устройство способно передавать водителю информацию о следующих знаках:
Запрещающих въезд.
Пересечения с главной дорогой.
Проезд без остановки запрещен.
Начало и конец населенного пункта.
Начало и конец скоростной магистрали.
Знак, информирующий о въезде в жилую зону.
Окончание зоны ограничения знака.
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Подобные документы
Дорожные условия как фактор, определяющий надежность работы водителя. Оценка влияния, качества, правильности установки и информативности дорожных знаков и иных сооружений на безопасность дорожного движения. Назначение и классификация дорожных знаков.
дипломная работа , добавлен 11.12.2009
Особенности и формы маршрутного ориентирования в городах. Установка знаков на пересечениях в одном уровне. Принципы размещения и проектирования дорожных знаков индивидуального проектирования. Компоновка и расчет знаков индивидуального проектирования.
курсовая работа , добавлен 08.12.2008
Общая характеристика дорожных знаков: предупреждающие, приоритетные, запрещающие, предписывающие, информационные, сервисные и знаки дополнительной информации. Анализ эффективности работы технических средств организации дорожного движения на перекрестке.
курсовая работа , добавлен 19.12.2011
Правила перехода на перекрестке, пешеходном переходе или другом участке дороги. Изучение дорожных знаков для водителей транспортных средств. Регулирование движения светофором на дорогах. Значение в городе наземных и подземных переходов для пешеходов.
презентация , добавлен 14.02.2014
Исследование дорожных условий и схемы организации дорожного движения в месте совершения ДТП. Механизм развития ДТП по версии участников ДТП. Определение скорости движения автомобиля перед торможением и минимально допустимой дистанции между автомобилями.
курсовая работа , добавлен 01.03.2010
Виды дорожной разметки. Расчёт геометрических параметров. Перечисление и обоснование применения разметки на проектируемой развязке. Перечисление и обоснование применения знаков на проектируемой развязке. Правила применения дорожных знаков, разметки.
курсовая работа , добавлен 21.06.2010
Метод выявления опасных участков дороги на основе анализа данных о дорожно-транспортных происшествиях (ДТП). Метод коэффициентов аварийности. Основные виды ДТП. Анализ основных характеристик дорожных условий и эксплуатационного состояния дороги.
курсовая работа , добавлен 08.10.2014
Иван Ожиганов Июль 9, 2013
Будущее рынка программного обеспечения и мобильных приложений в частности тесно связано с прикладным использованием M2M-технологий, позволяющих реализовывать новые интересные идеи и внедрять более совершенные решения в самых различных областях: безопасности, удаленного видеонаблюдения, автоматизации производства, потребительской электроники и других.
В 2014 Apple планирует запустить iOS in the Car - мобильную платформу, позволяющую использовать iOS-устройства через интерфейс автомобиля, и сейчас наша команда работает над созданием прототипа приложения-помощника водителя для iOS-устройств.
Обзор проекта
Идея проекта - добавить к возможностям iOS-устройств функции штурмана, «умного видеорегистратора». Задача текущего этапа - разработать приложение-прототип, которое не только ведет запись дорожных событий, как обычный регистратор, но и распознает встречающиеся дорожные знаки, предупреждая о них водителя. Функция предупреждения важна, т. к. зачастую водители не успевают заметить знак или быстро забывают, какой последний знак или последовательность знаков они проехали.
Разрабатывая прототип, мы ограничились лишь запрещающими знаками - знаками круглой формы с красной каймой на белом фоне. В дальнейшем планируем добавить остальные знаки, реализовать постоянно пополняемую базу данных о дорогах и дорожных знаках, общую для всех устройств, использующих приложение, и многое другое.
Принцип работы приложения: видеокамера телефона захватывает видеопоток с разрешением 1920×1080, полученные кадры анализируются и распознаются, когда знак распознан, запускается определенное событие: подать предупреждающий сигнал водителю, добавить информацию в базу данных о дорогах и т. д.
Задачу можно условно разбить на два этапа:
- Цветовая сегментация изображения
- Распознавание знака
Этап 1. Цветовая сегментация изображения
Захват изображения. Поиск красного и белого цветов
Уникальной характеристикой запрещающих знаков является круг с преобладанием белого цвета и красным контуром, позволяющий идентифицировать эти знаки на изображениях. После того, как мы получили кадр с камеры в формате RGB, мы вырезаем изображение размером 512 на 512 (Рис. 1) и выделяем на нем красный и белый цвета, отбрасывая все остальные.
Для цветовой локализации - определения элементов конкретного цвета - формат RGB очень неудобен, потому что чистый красный цвет в природе встречается очень редко, но почти всегда идет с примесями других цветов. Кроме того, цвет изменяет оттенок и яркость в зависимости от освещения. Так, например, на восходе и закате солнца все предметы приобретаю красный оттенок; сумерки и полумрак тоже дают свои оттенки.
Рис. 1
. Изображение в формате RGB размером 512 х 512, поступающее на вход алгоритма.
Тем не менее, сначала мы попробовали решить задачу, используя исходный RGB-формат. Чтобы выделить красный цвет, мы устанавливали верхний и нижний пороги: R > 0,7, а G и B < 0,2. Но модель оказалась не очень удобной, т.к. значения цветовых каналов сильно зависели от освещенности и времени суток. Например, значения каналов RGB красного цвета в солнечный и пасмурный дни сильно отличаются.
Поэтому модель RGB мы перевели в цветовую модель HSV/B, в которой координатами цвета являются: цветовой тон (Hue), насыщенность (Saturation) и яркость (Value / Brightness).
Модель HSV/B обычно представляют цветовым цилиндром (Рис. 2). Она удобна тем, что оттенки цвета в ней являются лишь инвариантами различных типов освещения и теней, что естественным образом упрощает задачу выделения необходимого цвета на изображении вне зависимости от условий, таких как время суток, погода, тень, расположение солнца и др.
Код шейдера для перехода от RGB к HSV/B:
Varying highp vec2 textureCoordinate; precision highp float; uniform sampler2D Source; void main() { vec4 RGB = texture2D(Source, textureCoordinate); vec3 HSV = vec3(0); float M = min(RGB.r, min(RGB.g, RGB.b)); HSV.z = max(RGB.r, max(RGB.g, RGB.b)); float C = HSV.z - M; if (C != 0.0) { HSV.y = C / HSV.z; vec3 D = vec3((((HSV.z - RGB) / 6.0) + (C / 2.0)) / C); if (RGB.r == HSV.z) HSV.x = D.b - D.g; else if (RGB.g == HSV.z) HSV.x = (1.0/3.0) + D.r - D.b; else if (RGB.b == HSV.z) HSV.x = (2.0/3.0) + D.g - D.r; if (HSV.x < 0.0) { HSV.x += 1.0; } if (HSV.x > 1.0) { HSV.x -= 1.0; } } gl_FragColor = vec4(HSV, 1); }
Рис. 2
. Цветовой цилиндр HSV/B.
Для выделения красного цвета мы строим три пересекающиеся плоскости, которые образуют область в цветовом цилиндре HSV/B, соответствующую красному цвету. Задача выделения белого цвета является более простой, т.к. белый цвет расположен в центральной части цилиндра и нам достаточно указать порог по радиусу (ось S) и высоте (ось V) цилиндра, которые образуют область, соответствующую белому цвету.
Код шейдера, выполняющий эту операцию:
Varying highp vec2 textureCoordinate; precision highp float; uniform sampler2D Source; //parameters that define plane const float v12_1 = 0.7500; const float s21_1 = 0.2800; const float sv_1 = -0.3700; const float v12_2 = 0.1400; const float s21_2 = 0.6000; const float sv_2 = -0.2060; const float v12_w1 = -0.6; const float s21_w1 = 0.07; const float sv_w1 = 0.0260; const float v12_w2 = -0.3; const float s21_w2 = 0.0900; const float sv_w2 = -0.0090; void main() { vec4 valueHSV = texture2D(Source, textureCoordinate); float H = valueHSV.r; float S = valueHSV.g; float V = valueHSV.b; bool fR=(((H>=0.75 && -0.81*H-0.225*S+0.8325 <= 0.0) || (H <= 0.045 && -0.81*H+0.045*V-0.0045 >= 0.0)) && (v12_1*S + s21_1*V + sv_1 >= 0.0 && v12_2*S + s21_2*V + sv_2 >= 0.0)); float R = float(fR); float B = float(!fR && v12_w1*S + s21_w1*V + sv_w1 >= 0.0 && v12_w2*S + s21_w2*V + sv_w2 >= 0.0); gl_FragColor = vec4(R, 0.0, B, 1.0); }
Результат работы шейдера, выделяющего красный и белый цвет на изображении 512 х 512, приведен на Рис. 2. Однако, как показали вычислительные эксперименты, для дальнейшей работы полезно понижать разрешение изображения до 256 на 256, т.к. это повышает производительность и практически не влияет на качество локализации знаков.
Рис . 3. Красно-белое изображение.
Поиск окружностей на изображении
Большинство методов поиска окружностей работают с бинарными изображениями. Поэтому, полученное на предыдущем шаге красно-белое изображение нужно преобразовать в бинарный вид. В нашей работе мы опирались на то, что на запрещающих знаках белый цвет фона граничит с красным контуром знака, и разработали алгоритм для шейдера, который ищет такие границы на красно-белом изображении и отмечает граничные пиксели как 1, а не граничные - 0.
Работа алгоритма заключается в следующем:
- сканируются соседние пиксели каждого красного пикселя изображения;
- если находится хоть один пиксел белого цвета, то исходный красный пиксел помечается как граничный.
Таким образом, у нас получается черно-белое изображение (256 х 256), в котором фон залит черным цветом, а предполагаемые окружности - белым (Рис. 4а).
Рис. 4а
. Бинарное изображение, отображающее границы красного и белого цветов.
Для уменьшения количества ложных точек полезно применить морфологию (Рис. 4б).
Рис. 4б
. То же изображение, но после применения морфологии.
Далее, на полученном бинарном изображении необходимо найти окружности. Сначала, мы решили использовать метод Хаффа для поиска окружностей (Hough Circles Transform), реализованный на CPU в библиотеке OpenCV. К сожалению, как показали вычислительные эксперименты, данный метод слишком нагружает CPU и снижает производительность до неприемлемого уровня.
Логичным выходом из данной ситуации служил бы перенос алгоритма на шейдеры GPU, однако, как и другие методы поиска окружностей на изображениях, метод Хаффа плохо соответствует парадигме шейдеров (shader-approach). Таким образом, нам пришлось обратиться к более экзотическому методу поисков окружностей - методу быстрого поиск кругов при помощи градиентных пар (Fast Circle Detection Using Gradient Pair Vectors) , который показывает более высокую производительность на CPU.
Основные этапы данного метода следующие:
1 . Для каждого пикселя бинарного изображения определяется вектор, характеризующий направление градиента яркости в данной точке. Данные вычисления выполняет шейдер, реализующий оператор Собеля (Sobel operator):
Varying highp vec2 textureCoordinate; precision highp float; uniform sampler2D Source; uniform float Offset; void main() { vec4 center = texture2D(Source, textureCoordinate); vec4 NE = texture2D(Source, textureCoordinate + vec2(Offset, Offset)); vec4 SW = texture2D(Source, textureCoordinate + vec2(-Offset, -Offset)); vec4 NW = texture2D(Source, textureCoordinate + vec2(-Offset, Offset)); vec4 SE = texture2D(Source, textureCoordinate + vec2(Offset, -Offset)); vec4 S = texture2D(Source, textureCoordinate + vec2(0, -Offset)); vec4 N = texture2D(Source, textureCoordinate + vec2(0, Offset)); vec4 E = texture2D(Source, textureCoordinate + vec2(Offset, 0)); vec4 W = texture2D(Source, textureCoordinate + vec2(-Offset, 0)); vec2 gradient; gradient.x = NE.r + 2.0*E.r + SE.r - NW.r - 2.0*W.r - SW.r; gradient.y = SW.r + 2.0*S.r + SE.r - NW.r - 2.0*N.r - NE.r; float gradMagnitude = length(gradient); float gradX = (gradient.x+4.0)/255.0; float gradY = (gradient.y+4.0)/255.0; gl_FragColor = vec4(gradMagnitude, gradX, gradY, 1.0); }
Все ненулевые векторы группируются по направлениям. В силу дискретности бинарного изображения всего получается 48 направлений, т. е. 48 групп.
2 . В группах ищутся пары противоположно направленных векторов V1 и V2, например, 45 градусов и 225. Для каждой найденной пары проверяются условия (Рис. 5):
- угол бета меньше некоторого порога
- расстояние между точками P1 и P2 меньше заданного максимального диаметра окружности и больше минимального.
Если данные условия выполняются, то считается, что точка С, являющаяся серединой отрезка P1P2, является предполагаемым центром окружности. Далее эта точка C помещается, в так называемый, аккумулятор.
3 . Аккумулятор представляет собой трехмерный массив размером 256 x 256 x 80. Первые два измерения (256 x 256 - высота и ширина бинарного изображения) соответствуют предполагаемым центрам окружностей, а третье измерение (80) представляет возможные радиусы окружностей (максимальный - 80 пикселей). Таким образом, каждая градиентная пара накапливает отклик в некоторой точке, соответствующей предполагаемому центру окружности с некоторым радиусом.
Рис. 5
. Пара векторов V1-V2 и предполагаемый центр окружности C.
4 . Далее, в аккумуляторе ищутся центры, в которых дали отклик как минимум 4 пары векторов с различными направлениями, например, пары 0 и 180, 45 и 225, 90 и 270, 135 и 315. Близкие друг к другу центры объединяются. Если в одной точке аккумулятора найдено несколько центров окружностей с разными радиусами, то эти центры также объединяются и берется максимальный радиус.
Результат работы алгоритма поиска окружностей показан на Рис. 6.
Рис. 6
. Локализованные окружности, соответствующие двум запрещающим знакам.
Этап 2. Распознавание локализованных знаков
Локализованные на изображение окружности, которые должны соответствовать запрещающим знакам, вырезаются и нормализуются до размера 28х28 пикселя. Вырезанные изображения дополнительно обрабатываются оператором Собеля и передаются на вход сверточной нейронной сети, предварительно обученной на базе изображений запрещающих знаков.
О принципе работы нейросетей мы писали в одном из наших недавних проектов по распознаванию номеров банковских карт. Наша задача требовала работу с многослойными - сверточными - нейросетями. Когда сегментация знака завершена, мы получаем изображение, которое и передаем сверточной нейронной сети, построенной на основе работ Йэн ЛеКана, Леона Вотту, Йошуа Бенджио и Патрика Хаффнера. Для обучения нейросети была подготовлена небольшая база обучающих изображений.
После распознавания каждой окружности мы получаем массив вероятностей того или иного знака. Не всегда получается определить знак с хорошей вероятностью на одном кадре, нераспознанные знаки будут уточнены после обработки следующего кадра; точно распознанной считается знак, максимальное значение вероятности для которого в массиве вероятностей выше определенного порога.
Заключение
Прототип приложения-штурмана - наш пробный шар в использовании M2M-технологий, и мы планируем развивать это направление в дальнейшем. В ближайших планах - реализовать распознавание всех типов знаков и расширить диапазон яркости: день, сумерки, яркое солнце, закаты и др.
Основная сложность задачи по распознаванию других типов знаков - в определении форм отличных от круга: треугольников, квадратов и других. Пока у нас нет конечного решения, есть несколько вариантов, каждый со своими достоинствами и недостатками. Поэтому нам очень интересен ваш опыт решения задач по цветовой локализации, будем признательны вам за рекомендации и советы.