ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ РОЗПІЗНАННЯ ДОРОЖНІХ ЗНАКІВ З ВИКОРИСТАННЯМ НЕЙРОННОЇ МЕРЕЖІ
DOI:
https://doi.org/10.30837/2522-9818.2019.8.130Ключові слова:
розпізнання зображень, нейронна мережа, комп’ютерний зір, інформаційна технологіяАнотація
Предметом дослідження є методи та інструментальні засоби автоматизації розпізнання дорожніх знаків на рівні програмної реалізації. Детектування дорожніх знаків пов’язане з обробкою значного обсягу відеоданих в реальному часі, що потребує значних обчислювальних потужностей. Тому метою роботи є автоматизація процесу розпізнання дорожніх знаків для наповнення баз даних навігаторів, що дозволить оперативно надавати водіям актуальну інформацію щодо встановлених дорожніх знаків. Вирішуються наступні завдання: аналіз методів та програмних засобів розпізнання зображень; розробка алгоритму пошуку знаків на кадрі відео; реалізація визначення контуру знаку; реалізація згорткової нейронної мережі для розпізнання знаку; тестування роботи прикладної інформаційної технології. Застосовуються методи: згорткові нейронні мережі; метод Віоли-Джонса для розпізнання об’єктів на зображенні, метод Бустінгу як спосіб прискорення процесу розпізнання при великому об’ємі інформації. Результати: розглянуті різні підходи до виявлення знаків на зображеннях, різноманітні програмні засоби розпізнання об’єктів, перетворення зображень для отримання оптимального фрагменту. Розроблено алгоритм виявлення та розпізнання знаку. Із застосуванням методу Віола-Джонса реалізовано швидкий спосіб обчислення значень ознак, який використовує інтегральне представлення зображення. Процес розпізнавання відбувається шляхом побудови згорткової нейронні мережі. Розглянуто особливості шарів згорткової мережі. Схематично проілюстровано сценарій розпізнання. Процес взаємодії системи з різними джерелами даних представлений за допомогою діаграми прецедентів. Основним результатом є створення інформаційної технології автоматизованого розпізнання дорожніх знаків. Алгоритм її роботи представлено у вигляді діаграми послідовності. Висновки. Із застосуванням створеної прикладної інформаційної технології розпізнання дорожніх знаків робиться з середньою вірогідністю 88%, що дозволяє значною мірою автоматизувати процес наповнення бази даних навігаторів, підвищити надійність та продуктивність вказаного процесу.Посилання
Shneier, M. (2006), "Road sign detection and recognition", Unmanned Systems Technology VIII, International Society for Optics and Photonics, Vol. 6230 (623016). DOI: https://doi.org/10.1117/12.660219
Yakimov, P. Yu. (2013), "Preliminary processing of digital images in the systems of localization and recognition of road signs" ["Predvaritel'naya obrabotka tsifrovykh izobrazheniy v sistemakh lokalizatsii i raspoznavaniya dorozhnykh znakov. Komp'yuternaya optika"], Computer Optics, Vol. 37, No. 3. P. 401–405.
Malyeyeva, О., Nosova, N., Fedorovych, O., Kosenko, V. (2019), "The Semantic Network Creation for an Innovative Project Scope as a Part of Project Knowledge Ontology", CEUR Workshop Proceedings. Proceedings of the 3rd International Conference on Computational Linguistics and Intelligent Systems (COLINS-2019), Vol. I, P. 301–311.
Bolohova, N. Ruban, I. (2019), "Image processing models and methods research and ways of improving marker recognition technologies in added reality systems", Innovative Technologies and Scientific Solutions for Industries, No. 1 (7), P. 25–33. DOI: https://doi.org/10.30837/2522-9818.2019.7.025
Lisitsyn, S. O., Baida, O. A. (2012), "Recognition of road signs using the method of support vectors and histograms of oriented gradients" ["Raspoznavaniye dorozhnykh znakov s pomoshch'yu metoda opornykh vektorov i gistogramm oriyentirovannykh gradiyentov"], Computer optics, Vol. 36, No. 2, P. 289–295.
Zhu, Y., Zhang, C., Zhou, D., Wang, X., Bai, X., Liu, W. (2016), "Traffic sign detection and recognition using fully convolutional network guided proposals", Neurocomputing, Vol. 214, P. 758–766. DOI: http://dx.doi.org/10.1016/j.neucom.2016.07.009
Bodyanskiy, Y., Perova, I., Zhernova, P. (2019) "Online fuzzy clustering of high dimension data streams based on neural network ensembles", Innovative Technologies and Scientific Solutions for Industries, No. 1 (7), P. 16–24. DOI: https://doi.org/10.30837/2522-9818.2019.7.016
Chigorin, A. A., Konushin, A. S. (2013), "Experiments with learning methods for recognizing road signs on synthetic data" ["Eksperimenty s obucheniyem metodov raspoznavaniya dorozhnykh znakov na sinteticheskikh dannykh"], Science and education: a scientific publication MSTU. N.E. Bauman, No. 08, P. 315–324. DOI: https://doi.org/10.7463/0813.0603378, available at : https://bmstu.ru/doc/603378.html
Viola, P. A., Jones, M. J. (2004), "Robust realtime face detection", International journal of computer vision, Vol. 57, No. 2, P. 137–154.
LeCun, Y., Bengio, Y. (1994), "Wordlevel training of a handwritten word recognizer based on convolutional neural networks", Proceedings of the International Conference on Pattern Recognition, Jerusalem, Israel, Vol. 2, P. 88–92.
Lawrence, S., Giles, C. L., Tsoi, A. C., Back, A. D. (1997), "Face recognition: a convolutional neural network approach", IEEE Transactions on Neural Networks, Vol. 8, No. 1, P. 98–113.
Open Source Computer Vision, available at : https://docs.opencv.org/3.4/index.html
Kaehler, A., Bradski, G. (2016), Learning OpenCV 3: computer vision in C++ with the OpenCV library, Reilly Media, Inc., 1024 р.
Dergachev, K. Yu., Krasnov, L. A., Pyavka, I. A. (2018), "Analysis of the performance of technical vision algorithms in trajectory measurement problems" ["Analiz raboty algoritmov tekhnicheskogo zreniya v zadachakh trayektornykh izmereniy"], Electrotechnic and Computer Systems, No. 27 (103), P. 187–195. DOI: https://doi.org/10.15276/eltecs.27.103.2018.21
Yaloveha, V., Hlavcheva, D., Podorozhniak, A. (2019), "Usage of convolutional neural network for multispectral image processing applied to the problem of detecting fire hazardous forest areas", Advanced Information Systems, Vol. 3, No. 1, P. 116–120. DOI: https://doi.org/10.20998/2522-9052.2019.1.19
Krizhevsky, A., Sutskever, I., Hinton, G. E. (2012), ЄImagenet classification with deep convolutional neural networks", Advances in neural information processing systems, No. 25, P. 1097–1105.
Jia, Y., Shelhamer, E., Donahue, J., Karayev, S., Long, J., Girshick, R., Guadarrama, S., Darrell, T. (2014), "Caffe: Convolutional architecture for fast feature embedding", Proceedings of the 22nd ACM international conference on Multimedia, ACM, P. 675–678.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2019 Elena Yashina, Roman Artiukh, Nikolai Рan, Andrei Zelensky
![Creative Commons License](http://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png)
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.