-

Проблеме идентификации объектов на изображениях, на сегодняшний день посвящено много работ, но она все еще далека от разрешения. Основные проблемы заключаются в том, чтобы идентифицировать объект по изображению независимо от изменения ракурса и условий освещения при съёмке, а также при различных изменениях окружающей среды. Распознавание изображений пересекается с распознаванием образов. Подобные задачи не имеют четкого аналитического решения. При этом требуется выделение ключевых признаков, характеризующих зрительный образ, определение относительной важности признаков путём выбора их весовых коэффициентов и учёт взаимосвязей между признаками. Такие задачи изначально выполнялись экспертом вручную, путём экспериментов. Подобные подход отнимает много времени и не гарантирует качества.

---

Если вам необходимо найти решение задачи , но это вызывает у вас трудности, обратитесь за помощью в Work5.

---

В новых способах выделение ключевых признаков осуществляется путём автоматического анализа обучающей выборки. Тем не менее, большая часть информации о признаках задаётся вручную. Чтобы автоматически применять такие анализаторы выборка обязана быть довольно большой и охватывать все вероятные ситуации. На данный момент существует всего два класса методов распознавания: методы распознавания и отслеживания объектов, методы распознавания и отслеживания.  Каждый из этих методов обладает своими преимуществами и недостатками. Методы отслеживания и распознавания объектов, удобны тем, что позволяют распознать объект, изображение которого может быть сделано под разными углами поворота относительно камеры. Обычной камеры и персонального компьютера будет достаточно для большинства приложений. Также не требуется физический контакт с устройствами.. Актуальность работы заключается в том, что автоматизированная парковочная система также позволит эффективно организовать транспортный поток, легко отслеживать транспорт, минимизировать материальные потери, эффективно использовать объем пространства, гарантировать безопасность автомобиля и обеспечить максимальный комфорт для общества. Объектом исследования работы являются алгоритмы для распознавания дорожных знаков на основе видеонаблюдения. Предмет исследования является исследование алгоритмов для распознавания образов с целью написания программного обеспечения. В качестве методов исследований использовалось моделирование, компьютерная обработка изображений и компьютерное зрение. Целью данной работы является разработка системы для распознавания дорожных знаков. Для достижения поставленной цели, были решены следующие задачи: - рассмотреть основные принципы распознавания; - провести обзор существующих методов распознавания образов; - провести обзор технологий для обработки изображений; - изучить метод гибкого сравнения на графах; - изучить нейронные сети; - рассмотреть алгоритм поиска максимума корреляционной функции двух изображений; - рассмотреть алгоритм быстрого поиска на изображении с помощью методов Хаара; - осуществить разработку алгоритма выделения необходимого изображения в видеопотоке; - осуществить разработку алгоритма распознавания образа на изображении методом Виолы-Джонса; - осуществить разработку алгоритма распознавания дорожных знаков; - осуществить расчет экономической эффективности. Структурно работа состоит из введения, заключения, трех глав и списка использованных источников и приложения.

В работе описывается обновленная сквозная технология обнаружения и классификации дорожных знаков. Предлагаемый метод, является модификацией обобщенного преобразования Хафа и разрабатывался он с учетом ограничения по времени выполнения обработки одного кадра видеопоследовательности. Разработанный алгоритм показал отличные результаты и достаточно хорошую обработку предварительно обработанных изображений. Отслеживание с использованием значения текущей скорости автомобиля позволило улучшить производительность системы, так как область поиска на соседних кадрах может быть значительно уменьшена. Кроме того, наличие дорожного знака в последовательности смежных кадров видеоряда в предсказанных областях довольно сильно повышает уверенность в точности обнаружения. Классификация реализована при помощи сверточной нейронной сети. Была использована реализация из библиотеки TensorFlow. Тестирование описанных алгоритмов на видеопоследовательностях, полученных при съёмке реальных дорожных знаков, подтвердило возможность обрабатывать видеопоток высокого разрешения в реальном времени – 50 кадров в секунду. Дальность обнаружения дорожных знаков при использовании FullHD видеокамеры достигает 50 м. Для ускорения выполнения описанных методов были использованы графические процессоры и технология массивно-многопоточного программирования CUDA. В работе разработан и исследован алгоритм распознавания дорожных знаков с использованием сверточной нейронной сети. Особенности данного алгоритма в том, что он устойчив к изменению освещения углов плоскости знака и поворота самой плоскости знака. Разработана программа, реализующая предложенный алгоритм на языке Python с использованием библиотеки OpenCV. Реализованная программа позволяет распознавать дорожные знаки на видеопотоке в режиме реального времени. Для создания обучающей выборки для сверточной нейронной сети, реализована программа имитации различных шумов для генерации большого количества изображений. Цели и задачи данной работы выполнены. Разработана методика эксперимента, в ходе которого были установлены оценки качества работы алгоритма. Алгоритм был протестирован в реальных условиях с помощью видеопотока. Было установлено, что сверточная нейронная сеть независимо дает верные ответы в около 97% случаев, тогда как общий алгоритм распознавания дорожных знаков распознает 80% случаев, вследствие неустойчивости алгоритма детектирования к определенному виду шумов. Так как алгоритм обрабатывает в среднем 2 кадра в секунду, то можно использовать алгоритм для распознавания дорожных знаков в режиме реального времени, то вычислительная сложность не позволяет использовать алгоритм в мобильных устройствах. Средний показатель качества распознавания на изображениях, сегментированных с реального видеопотока, составляет 97,64%, что является доверительным показателем. Так как на реальном видеопотоке не присутствовали знаки ограничения скорости всех десяти наименований, результаты распознавания знаков этого класса были объединены в таблице. Можно заметить, что процент классификации изображений, сегментированных из видеопотока чуть меньше, чем процент классификации тестовых сгенерированных изображений. Это различие можно объяснить тем, что изображения, на которых обучалась нейронная сеть, имеют одно и то же происхождение, что и тестовые синтезированные изображения, а реальные изображения, в свою очередь, имеют разное родство с изображениями обучающей выборки. Объединив результаты оценки качества работы сегментирования и распознавания, можно выявить общий процент распознавания разработанного алгоритма: 80,59%. Исходя из проведенных экспериментов можно сказать, что «слабым местом» алгоритма является этап сегментирования. В перспективе возможно усовершенствование части детектирования дорожных знаков за счет введения новых алгоритмов детектирования, которые будут более устойчивыми к изменению параметров среды, что позволит существенно повысить качество работы программы.  

1. Вороновский, Г.К., Махотило, К.В., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский – Харьков: Основа, 2017. – 181с. 2. Демидович, Б.П. Основы вычислительной математики / Б.П. Демидович - М.: Наука, 2019. - 664с. 3. Круглов, В.В., Дли, М.И., Голунов, Р.Ю Нечеткая логика и искусственные нейронные сети [Электронный ресурс]: [сайт]. URL: http://bookini.ru/neironnye-seti/ (дата обращения: 17.04.2022). 4. Понс Форсайт Компьютерное зрение. Современный подход / Ф. Понс - М.: Наука и техника, 2019. - 214с. 5. Самаль, Д.И., Старовойтов, В.В. Методика автоматизированного распознавания людей по фотопортретам // Цифровая обработка изображений. / Д.И. Самаль- Минск: ИТК, 2019. -С.81-85. 6. Самаль, Д.И., Старовойтов, В.В. Подходы и методы распознавания людей по фотопортретам / Д.И. Самаль - Минск, ИТК НАНБ, 2019. - 54с. 7. Фурсов, В.А. Локализация контуров объектов на изображениях при вариациях масштаба с использованием преобразования Хафа / С.А. Бибиков, В.А. Фурсов, П.Ю. Якимов // Компьютерная оптика. – 2013. – Т. 37, No 4. – С. 502-508. 8. Якимов, П.Ю. Отслеживание дорожных знаков в видеопоследовательности с использованием скорости автомобиля / П.Ю. Якимов // Компьютерная оптика. – 2015. – Т. 39, No 5. – С. 795-800. 9. Введение в компьютерное зрение [Электронный ресурс]: [сайт]. URL: https://www.lektorium.tv/course/22847 (дата обращения: 17.04.2022). 10. Видеолекции курса «Машинное обучение» [Электронный ресурс]: [сайт]. URL: https://yandexdataschool.ru/edu-process/courses/machine-leaming (дата обращения: 17.04.2022). 11. Компьютерное зрение [Электронный ресурс]: [сайт]. URL: https://events.yandex.ru/lib/talks/2854/ (дата обращения: 17.04.2022). 12. Метод Виолы-Джонса (Viola-Jones) как основа для распознавания лиц [Электронный ресурс] // Хабрахабр [Электронный ресурс] : [сайт]. URL: https://habrahabr.ru/post/133826/ (дата обращения: 17.04.2022). 13. Shneier, M. Road sign detection and recognition // Proc. IEEE Computer Society Int. Conf. on Computer Vision and Pattern Recognition. – 2015 – P. 215– 222. 14. Ruta. A. A New Approach for In-Vehicle Camera Traffic Sign Detection and Recognition / A. Ruta, F. Porikli, Y. Li, S. Watanabe, H. Kage, K. Sumi// IAPR Conference on Ma-chine vision Applications (MVA), Session 15: Machine Vision for Transportationю. – 2015. 15. Belaroussi, R. Road Sign Detection in Images / R. Belaroussi, P. Foucher, J.P. Tarel, B. Soheilian, P. Charbonnier, N. Paparoditis // A Case Study, 20th International Conference on Pattern Recognition (ICPR). – 2020. – P. 484-488. 16. Houben, S. Detection of Traffic Signs in Real-World Images: The German Traffic Sign Detection Benchmark / S. Hou-ben, J. Stallkamp, J. Salmen, M. Schlipsing, C. Igel // Inter-national Joint Conference on Neural Networks. – 2018. 17. Zhu, Z. Traffic-Sign Detection and Classification in the Wild / Zhe Zhu, Dun Liang, Songhai Zhang, Xiaolei Huang, Baoli Li, Shimin Hu // proceedings of CVPR. – 2019. – P. 2110-2118. 18. LeCun, Y. Traffic Sign Recognition with Multi-Scale Convolutional Networks / Yan LeCun, Pierre Sermanet // Proceedings of International Joint Conference on Neural Networks (IJCNN'11). – 2021. 19. [9] Mathias, M. Traffic sign recognition - how far are we frоm the solution? / M. Mathias, R. Timofte, R. Benenson, L. V. Gool // Proceedings of IEEE International Joint Conference on Neural Networks. – 2021. – P. 1-8. – ISSN 2161-4393.