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.
Водителю при управлении транспортным средством приходится выполнять множество разнообразных действий в зависимости от складывающейся ситуации, и самое главное, она быстро меняется. Изменения обстановки или рельефа дороги зачастую не позволяют своевременно отследить установленные ограничения, и хорошо, если такие ошибки остаются без последствий. Чтобы облегчить весь этот процесс, автопроизводителями в помощь водителю, на некоторые модели авто устанавливается система распознавания дорожных знаков.
Что это такое?
Такая функция как распознавание дорожных знаков используется на автомобилях BMW, Opel, Mercedes-Benz и других. По сути дела, все базируется на работе видеокамеры, расположенной перед зеркалом обзора заднего вида и направленной по ходу движения. Работает такая система распознавания дорожных знаков следующим образом – видеокамера сканирует местность перед собой.
Полученное изображение передается в электронный блок, где распознается, и при его соответствии тем требованиям, которые заложены в устройство, на панели приборов высвечивается нужный символ, что порой сопровождается звуковым сигналом.
Чаще всего предметом анализа является ограничение скорости. При распознавании анализируется:
- форма знака;
- его цвет;
- значение надписи (скорости);
- содержание ограничения (вид ТС, на которое данное ограничение распространяется, время и зона действия);
- фактическая скорость машины.
Система распознавания дорожных знаков непрерывно улучшается и расширяется, в ее базе появляются новые знаки, такие как запрещение обгона и одностороннее движение. Для лучшего восприятия обстановки в сложных метеорологических условиях камера дополняется инфракрасным прожектором.
Чем это хорошо, и что в этом плохого?
То, что подобная система распознавания дорожных знаков может оказаться полезной водителю, не вызывает сомнений. Все, что облегчает его труд, помогает управлению и обеспечивает безопасность, должно оцениваться только положительно. Однако не стоит возлагать на это устройство слишком больших надежд, во всяком случае, пока.
Дело в том, что система зачастую не способна правильно идентифицировать знак.
Когда он завален, криво установлен, или плохо читаем, то устройство его просто не видит. В то же время и скорость движения машины влияет на распознавание изображения. Чем она выше, тем хуже или с большей задержкой начинает работать такое изделие.
Кроме того, не стоит забывать о ложных срабатываниях. Отмечены случаи, когда изображения, нанесенные на другие транспортные средства, движущиеся в попутном направлении (на автобусах, грузовиках), воспринимаются системой как ограничения, и она при этом выдает соответствующее предупреждение.
Такое устройство, как система, распознающая дорожные знаки, несомненно может считаться полезным на автомобиле, но на него не стоит слишком полагаться. В любом случае, ответственность за безопасность движения несет водитель, да и штраф за превышение скорости платить придется именно ему.
На сегодняшний день превышение скорости или несоответствие ее конкретным дорожным условиям является одной из основных причин совершения ДТП, в результате которых ежегодно гибнут и получают увечья тысячи человек. Причем, согласно статистике ДТП, при увеличении скорости, тяжесть последствий ДТП возрастает в геометрической прогрессии. К сожалению, не многие водители знают, что превышение скорости в реальных условиях дорожного движения не приводит к существенному выигрышу во времени. Водитель, преодолевает средний городской маршрут (около 20 км) со скоростью 80 км / ч, вместо разрешенных 60 км / ч, выигрывает во времени всего две минуты. Стоит ли рисковать и нервничать ради пары минут? Не стоит также забывать, что водитель, превышающей скорость, подвергает риску не только себя, но и окружающих людей. В ДТП на скорости 30 км / ч риск смертельного исхода для пешехода 5%, при 50 км / ч -- 40%, а при 65 км / ч -- уже 84%. Превышение скорости часто становится причиной тяжелых дорожно- транспортных происшествий, однако водители часто относятся к этой проблеме без должного внимания. Даже законопослушные водители, которые никогда не позволяют себе вождение в нетрезвом виде, выезда на встречную полосу и т.п., не считают опасным «небольшое» (до 20 км / ч) превышение разрешенной скорости. На следующем графике приведена статистика ДТП, в которой явно показано, что наиболее частой причиной аварий является превышение скорости.
Несмотря на то, что на дорогах России с каждым днем появляется все больше камер регистрирующих превышение скорости, количество нарушений остается на высоком уровне. С каждым годом количество автомобилей в мире возрастает, соответственно возрастает и количество дорожно-транспортных происшествий.
Рис. 1.
В связи с этим все больше внимания уделяется автомобильным системам интеллектуальной обработки информации и принятия решений. Инженерами разных стран мира разработано множество систем активной безопасности для автомобилей таких, как ABS (антиблокировочная система), EBD (система распределения тормозных усилий), ESP (система динамической стабилизации автомобиля) и многие другие. Одной из наиболее современных является система распознавания дорожных знаков и дорожной разметки. Система распознавания дорожных знаков призвана предупреждать водителей о необходимости соблюдения скоростного режима. Данная система определяет дорожные знаки ограничения скорости при их проезде и напоминает водителю текущую максимальную разрешенную скорость, если он движется быстрее.
Применяемые на автомобилях системы распознавания дорожных знаков имеют типовую конструкцию, которая включает:
- - видеокамеру;
- - блок управления;
- - экран.
Видеокамера располагается на ветровом стекле за зеркалом заднего вида.
Камера снимает пространство перед автомобилем в зоне расположения дорожных знаков (справа и сверху по ходу движения) и передает изображение в электронный блок управления. Видеокамера также используется другими системами активной безопасности - системой обнаружения пешеходов, системой помощи движению по полосе. Электронный блок управления реализует следующий алгоритм работы:
- а) распознавание формы дорожного знака (круглая форма);
- б) распознавание цвета знака (красный цвет на белом);
- в) распознавание надписи (величина скорости);
- г) распознавание информационной таблички (вид транспорта, время действия, зона действия);
- д) анализ фактической скорости автомобиля;
- е) сравнение скорости автомобиля с максимально допустимой скоростью;
- ж) визуальное и звуковое предупреждение водителя при отклонении.
Изображение в виде знака ограничения скорости выводится на экран панели приборов (расположен внутри спидометра, на некоторых моделях - на лобовом стекле) и остается видимым, пока ограничение не закончится или будет изменено. В ряде конструкций системы распознавания дорожных знаков электронный блок взаимодействует с навигационной системой, а именно в своей работе использует данные о знаках ограничения скорости из навигационных карт. Даже если знак не будет определен видеокамерой, информация о нем будет выведена на панель приборов.
- - преобразование цветового пространства кадров видеосигнала;
- - выделение контуров и удаление шумов;
- - верификация объектов интереса;
- - идентификация дорожного знака.
Дорожные знаки ограничения скорости имеют важные особенности такие как форма круга и красная окантовка. Поэтому первой стадией работы метода является выделение областей красного цвета на изображении. Для этого предпочтительнее использовать цветовую модель HSV, а не RGB, как у входного изображения. HSV дает возможность более точно указать оттенки красного цвета. Далее приведены формулы для перевода из палитры RGB в палитру HSV:
Важно отметить, что цветовая модель HSV наиболее близкая к человеческому восприятию цветов. После данных преобразований координаты цвета будут находиться в следующих диапазонах: 0 Среди выделенных контуров необходимо выделить контура, которые будут объектами интереса. Только цветового признака для определения принадлежности объекта из области интереса к классу дорожных знаков ограничения скорости недостаточно, так как помимо дорожных знаков на изображении могут находиться другие объекты красного цвета (например, автомобили, рекламные доски, автомобильные стоп-сигналы). Второй признак, который можно выделить для всех рассматриваемых дорожных знаков, - форма эллипса очень близкого к кругу. Таким образом, необходимо выделить контура очертания которых представляют окружность. Для поиска окружностей среди выделенных контуров используется теоретически обоснованное преобразование Хафа. В итоге получена область интереса на изображении, то есть сам дорожных знак. Заключительный этап работы систем автоматического распознавания дорожных знаков посвящен распознаванию дорожных знаков. В целом, существующие для этого методы либо используют предварительно построенные шаблоны, либо основаны на обучении. В первом случае для каждого возможного знака создаются специальные шаблоны, которые помещаются в базу данных. После этого производится сравнение вновь поступившего на вход знака со всеми шаблонами путем вычисления какого-либо расстояния (Евклидова, Махаланобиса и т. п.). Естественно. что при этом необходимо приведение всех знаков к одному и тому же размеру. Однако такой метод обычно обладает значительными ошибками даже при небольшом изменении в цвете и освещенности объектов. Поэтому, вместо того чтобы сравнивать сами знаки, выделяют некие их характерные признаки (гистограммы, сумма проекций и интенсивностей и т. д.), что приводит к повышению надежности распознавания. В конечном итоге система, интегрированная в систему управления автомобилем, должна распознать и идентифицировать определенные дорожные знаки в поле зрения камеры. Дорожные знаки должны соответствовать ГОСТ Р 52290-2004. В этой системе будем использовать знаки ограничения скорости, они описаны в ГОСТ Р 52290-2004. Эта задача усложняется внешними факторами такими, как изменение дневной освещенности, изменение погодных условий, выбор аппаратуры с достаточным качеством и надежностью. Система должна позволять с высокой вероятностью распознать знаки которые установлены криво либо имеют дефекты. Необходимо учесть степень сложности распознавания знаков на большой скорости. При увеличении скорости транспортного средства нагрузку на систему возрастает, так как скорость подачи информативных кадров возрастает и время на распознавание уменьшается. Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны. 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 Введение С каждым годом количество автомобилей в мире возрастает, соответственно возрастает и количество дорожно-транспортных происшествий. В связи с этим все больше внимания уделяется автомобильным системам интеллектуальной обработки информации и принятия решений. Инженерами разных стран мира разработано множество систем активной безопасности для автомобилей таких, как ABS (антиблокировочная система), EBD (система распределения тормозных усилий), ESP (система динамической стабилизации автомобиля) и многие другие. Одной из наиболее современных является система распознавания дорожных знаков и дорожной разметки, функциональные возможности которой заключаются в оповещении водителя о наличии дорожных знаков в поле зрения камеры и предупреждении о приближении к опасным участкам дороги. Идентификация дорожных знаков относится к актуальной и сложной научно-практической задаче распознавания образов. В настоящее время в этой области ведутся интенсивные исследования. Результатом этих работ стало появление коммерческих интеллектуальных систем, основной особенностью которых является закрытость алгоритма функционирования. Серийные автомобили, оснащенные системой распознавания дорожных знаков и дорожной разметки, появились на рынке в 2010 – 2011 гг. Однако многие системы подобного рода основаны на алгоритмах с высокой ресурсоемкостью, что затрудняет их использование в системах реального времени. Цель данной работы заключается в разработке алгоритма, осуществляющего распознавание дорожных знаков ограничения скорости, основной особенностью которого является высокая скорость обработки кадров (не менее 10 кадров/с). Достижение этой цели подразумевает решение следующих задач: преобразование цветового пространства; удаление шумов; выделение областей интереса; верификация объектов интереса; идентификация дорожного знака .
Преобразование цветового пространства кадров видеосигнала
Все дорожные знаки ограничения скорости имеют два общих признака – контур красного цвета и круглую форму знака (рис. 1). Поэтому первой стадией обработки кадров видеосигнала является выделение областей красного цвета. Рис. 1. Дорожные знаки ограничения скорости Входной видеосигнал состоит из последовательности изображений (кадров), каждое из которых представлено в цветовом пространстве RGB и фактически представляет собой матрицу размерностью M×N×3, состоящую из целых чисел в диапазоне , которые определяют цвет каждого пикселя изображения. В таком цветовом пространстве поиск областей красного цвета предполагает одновременный анализ трех составляющих, при этом изменение составляющей R будет влиять на допустимые значения составляющих G и B. Поэтому целесообразно использование цветового пространства HSV, в котором эффективность выделения красного цвета выше по сравнению с RGB пространством. HSV (Hue, Saturation, Value - тон, насыщенность, значение) - цветовая модель, в которой координатами цвета являются:
Цветовая модель HSV наиболее близкая к человеческому восприятию цветов. Преобразование изображения из цветовой модели RGB в цветовую модель HSV производится по следующим формулам : Если H < 0, то H = H + 360. После данных преобразований координаты цвета будут находиться в следующих диапазонах: . Цвет дорожных знаков меняется в зависимости от освещения. Так пороговые значения цветового тона (Hue) для дорожных знаков с красным контуром в дневное время будут отличаться от пороговых значений цветового тона (Hue) для этих знаков в ночное время. В связи с эффектом отражения света от поверхности дорожных знаков, например, при свете автомобильных фар или уличного освещения в ночное время красный цвет на знаках может восприниматься как оранжевый. Поэтому нами экспериментально были подобраны пороговые значения координат цвета в различных погодных условиях и при различной освещенности (табл. 1). Таблица 1. Пороговые значения координат цвета, используемые для выделения красного цвета Цветовое пространство
Ясный день
Дождь/Влажность
Вечер
Ночь
129 0 0 129 0 0 156 0 0 100 0 0 YCbCr
40 100 140 30 100 150 60 77 170 27 70 156 30 15 0 15 15 0 15 15 0 15 15 0 300 0.7 0.5 300 0.7 0.5 300 0.7 0.5 22 0.7 0.5 Как видно из результатов таблицы 1 цветовое пространство HSV является наиболее подходящим для выделения красного цвета, т.к. пороговые значения координат цвета практически в любых условиях постоянны и только в ночное время пороговые значения цветового тона (Hue) отличны. Выделение объектов красного цвета на кадрах видеосигнала после их конвертации в цветовое пространство HSV производится следующим образом: Суммарная матрица изображения размером M×N×3 разделяется на три матрицы размером M×N, которые соответствуют трем компонентам цвета H, S и V. Над каждой из матриц H, S, V производится пороговое преобразование в соответствии с пороговыми значениями из таблицы 1 такое, что если компонент матрицы попадает в интервал между пороговыми значениями, то яркость данного пикселя равна 1, в противном случае – 0. В результате данной операции получаются три матрицы со значениями компонентов 0 или 1. Модифицированные матрицы H*, S*, V* объединяются с помощью выполнения над ними операции логического И. В результате получается бинарное изображение, на котором белые области соответствуют объектам красного цвета, а черные – всему остальному. Рис. 2. Функции пороговой обработки Рис. 3. Выделение красного цвета на изображении: а – исходное изображение; б – результат порогового преобразования Удаление шумов с помощью морфологической фильтрации изображения
Морфологическая фильтрация представляет собой применение к, как правило, бинарному изображению следующих операций: расширение, сужение, открытие, закрытие. Расширение - это свёртка некоторого изображения (или области изображения), которое мы будем называть A, с некоторым ядром, которое мы будем называть B. Ядро имеет точку привязки (якорь) и может быть любых форм и размеров. Чаще всего ядро имеет квадратную форму с точкой привязки в центре. Ядро может рассматриваться как шаблон или маска, и его эффект на расширение зависит от оператора локального максимума. Когда ядро “скользит” над изображением вычисляется максимальное значение пикселя перекрываемого B, и затем значение пикселя лежащего под опорной точкой заменяется этим максимальным значением. Это вызывает появление ярких областей на изображении. Сужение - обратная операция. Действие оператора сужения заключается в вычислении локального минимума под ядром. Данный оператор создаёт новое изображение на основе исходного по следующему алгоритму: когда ядро “скользит” над изображением вычисляется минимальное значение пикселя перекрываемого B, и затем значение пикселя лежащего под опорной точкой заменяется этим минимальным значением. Суть операции сужения в том, что вкрапления и шумы размываются, в то время как большие и соответственно более значимые регионы не затрагиваются. А идея операции расширения – найти регионы аналогичного цвета и интенсивности и попытаться их объединить. Полезность расширения возникает, потому что во многих случаях большая область разбита на несколько более мелких, шумами, тенями и т.д. Применение небольшого расширения должно привести к тому, что эти области “сплавятся” в одну. Операции открытие и закрытие, представляют собой комбинацию операций сужения и расширения. В случае открытия сначала выполняется сужение, а затем расширение. В операторе закрытия наоборот сначала выполняется расширение, а затем сужение. Закрытие может использоваться для устранения нежелательных шумов.
Результаты морфологической фильтрации представлены на рис. 4. Из рисунка следует, что фильтрация эффективно удаляет шумы на изображении и способствует увеличению точности последующей верификации объектов интереса. Рис. 4. Удаление шумов на изображении с помощью морфологической операции закрытие: а – изображение с шумом; б – изображение после фильтрации
Верификация объектов интереса
Только цветового признака для определения принадлежности объекта из области интереса к классу дорожных знаков ограничения скорости недостаточно, так как помимо дорожных знаков на изображении могут находиться другие объекты красного цвета (например, автомобили, рекламные доски, автомобильные стоп-сигналы). Второй признак, который можно выделить для всех рассматриваемых дорожных знаков, – форма эллипса очень близкого к кругу. Для определения наличия эллипсов (кругов) в областях интереса целесообразно применять преобразование Хафа. Данный метод предназначен для поиска объектов, принадлежащих определённому классу фигур с использованием процедуры голосования. Процедура голосования применяется к пространству параметров, из которого и получаются объекты определённого класса фигур по локальному максимуму в, так называемом, накопительном пространстве (accumulator space), которое строится при вычислении трансформации Хафа. Точки окружности можно представить формулой: где (a, b) – координаты центра окружности, а R – ее радиус. Таким образом, формула, задающая семейство окружностей, имеет вид: Как видно из формулы, для нахождения окружностей нужно задавать 3 параметра - координаты центра окружности и её радиус. Это приводит к увеличению пространства Хафа на целое измерение, что в итоге сказывается на скорости работы. Поэтому для поиска окружностей применяется т.н. градиентный метод Хафа (Hough gradient method). Эффективность использования преобразования Хафа резко падает при увеличении размерности фазового пространства, поэтому перед его применением желательно минимизировать каким-либо образом количество параметров кривой. Можно существенно снизить количество кривых, потенциально проходящих через данную точку изображения, если рассматривать только кривые, касательная которой перпендикулярна градиенту яркости изображения в рассматриваемой точке. Таким образом, можно, например, свести задачу выделения окружностей с неизвестным радиусом к двумерному фазовому пространству: Применить детектор границ Кенни для нахождения границ на изображении . Определить центры кругов. Относительно центра определить ненулевые точки, лежащие на одном расстоянии. Идентификация дорожного знака
Для распознавания дорожных знаков на кадрах видеопоследовательности после определения областей интереса к данным изображениям необходимо применить алгоритмы идентификации объектов на растровом изображении с целью определения смысла дорожного знака. Прежде всего, изображение дорожного знака из области интереса должно быть приведено к единому размеру. После чего такое изображение подается на вход модуля идентификации. В разработанной системе для распознавания дорожных знаков на изображениях из областей интереса используется нейронная сеть с архитектурой многослойный персептрон. Исследователями были предложены многие модели нейронных сетей для распознавания дорожных знаков. Простейшая используемая в работах нейронная сеть представляет собой многослойный персептрон с количеством нейронов во входном слое равным количеству пикселей в изображении дорожного знака из области интереса, одним скрытым слоем с экспериментально подобранным числом нейронов и выходным слоем с количеством нейронов равным количеству распознаваемых дорожных знаков. Однако такая нейронная сеть не дает удовлетворительных результатов распознавания, так как является слишком общей и громоздкой. Для увеличения скорости работы алгоритма необходимо сократить размер входного вектора признаков. В простейшем случае при размере входного изображения 30 × 30 пикселей входной вектор признаков будет состоять из 3 * 30 * 30 = 2700 компонентов – значения пикселей изображения по 3 компонентам цвета (RGB), что неприемлемо для работы системы в реальном времени. Предлагается сократить количество компонентов входного вектора признаков следующим образом: где – элементы матрицы A размера 90 × 30, составленной из значений пикселей входного изображения по 3 компонентам цвета (RGB). Преобразовать входное цветное изображение в изображение в градациях серого по формуле: C = 0.229R + 0.587G + 0.114B где C – интенсивность серого, R, G, B – красная, зеленая и синяя составляющие соответственно. где – компоненты матрицы C, T – адаптивный порог, вычисляемый по формуле: В результате данных преобразований количество компонентов входного вектора признаков сократится с 2700 до 63, что позволит значительно увеличить производительность алгоритма идентификации объектов на растровом изображении. Архитектура, используемой в системе нейронной сети представлена на рисунке 5. Рис. 5. Архитектура нейронной сети Экспериментально было подобрано число нейронов в скрытом слое для классификации знаков ограничения скорости. Число нейронов в скрытом слое N равно 90. Выходной слой нейронной сети состоит из 8 нейронов, каждый из которых соответствует своему дорожному знаку (таблица 2). Таблица 2. Соответствие дорожных знаков и выходных нейронов Результаты экспериментов применения разработанного алгоритма распознавания дорожных знаков ограничения скорости
Исследование точности и быстродействия разработанного алгоритма выполнялось в среде IDE Microsoft Visual Studio 2010 с использованием библиотеки Qt 4.7 на видеоролике участка трассы Саратов – Волгоград протяженностью 50 км. Видеоролик был снят смартфоном Samsung Galaxy S. В качестве аппаратной платформы использовался нетбук HP Mini 210 со следующими техническими характеристиками: Процессор Intel Atom N455; ОЗУ 2 Gb DDR2. Все методы обработки изображений реализованы с использованием хорошо оптимизированной библиотеки OpenCV 2.3. Результаты исследования алгоритма представлены в таблице 3. Таблица 3. Результаты исследования точности и быстродействия разработанного алгоритма Параметр
Результаты
Полученные характеристики точности и быстродействия разработанного алгоритма являются приемлемыми и позволяют использовать данный алгоритм в подобных системах реального времени. Выводы Разработан алгоритм распознавания дорожных знаков ограничения скорости. В результате проведения экспериментального исследования в среде IDE Microsoft Visual Studio 2010 с использованием библиотеки Qt 4.7 и библиотеки OpenCV 2.3 установлено, что точность (около 91 %) и быстродействие (20 кадров/с) алгоритма позволяет создавать на его основе интеллектуальные системы технического зрения, способные в режиме реального времени оповещать водителя о наличии дорожных знаков ограничения скорости в поле зрения камеры. В дальнейшем планируется адаптация данного алгоритма для работы на мобильном устройстве (смартфоне) на базе операционной системы Google Android.
Использованная литература Гонсалес Р., Вудс Р. Цифровая обработка изображений. – М.: Техносфера – 2005. – 1072 с. Bradski G., Kaehler A. Learning OpenCV. - Sebastopol: O’Reilly, 2008
. - 555 p. Brkic K. An overview of traffic sign detection methods. Canny J. A Computational Approach to Edge Detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. - November 1986. - V. 8, N. 6. - P. 679 – 697.
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Подобные документы
,
Общее количество знаков
Количество правильно определенных знаков
Количество неправильно определенных знаков
Количество пропущенных знаков
Среднее время обработки кадра, мс
