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.
Достаточно нередко начинающие и уже бывалые водители сталкиваются с рядом
заморочек во время управления транспортным средством. Водителю нужно
успевать смотреть за разметкой на дороге и созидать все дорожные знаки, чтоб
избежать аварийных и неожиданных ситуаций. Для облегчения жизни автомобилистов
разработана система определения дорожных символов.
В первый раз они были
установлены в2008 году на автомобилях Бмв 7 серии, а потом на Mersedes-Benz S-Class. Современные
системы, которые обнаруживают знаки ограничения скорости, можно отыскать по всей
Европе.
Как работает система определения
дорожных символов
Система определения дорожных символов
представляет собой камеру, которая крепится меж зеркалом заднего вида и
лобовым стеклом. Ее обычная конструкция помогает водителям совладать со
многими непростыми задачками в пути следования. Устройство сканирует и
распознает дорожный символ, а потом передает сигнал на экран, находящийся на
приборной панели. Это также может быть и звуковой сигнал. Почти всегда
эти системы распознают только знаки ограничения скорости, но существует и те,
которые подают сигнал о запрете обгона и однобоком движении. Устройство
определения дорожных символов повсевременно совершенствуется и обновляется, и
равномерно интегрированная база данных становится более широкой. Для правильной
работы в сложных погодных критериях камера оснащается инфракрасным прожектором.
Точность определения вышеуказанной системы
находится в зависимости от скорости передвижения тс, погодных критерий,
огромных автомобилей, находящихся на обочине и деревьев. Взвесив все
перечисленные причины, водителям не следует вполне доверяться этой системе,
потому что она является только дополнительной опцией, которая может стать надежным
ассистентом в неких ситуациях на дороге.
Более продвинутые
системы, установленные в премиум-автомобилях, показывают наивысшую скорость
определенного типа дороги. Если шофер едет на автомобиле со скоростью 100 км в
час за пределами населенных пт, то после обнаружения знака «конец
ограничения скорости», система показывает на стандартное ограничение скорости.
Система просто приспосабливается
к погодным условиям. Если она ощущает дождик, то происходит отображение соответственного
ограничения скорости на маленьком мониторе автомобиля, расположенном меж
2-мя основными циферблатами. Это вправду может посодействовать водителю
избежать неких штрафов за превышение скорости, ездить в неопасной обстановке
и быть более ознакомленным в пути.
Достоинства системы
Система определения
дорожных символов для тс в незнакомой местности, в местах, где
авто передвигаются на высочайшей скорости, в плотном городском потоке
является неподменным ассистентом для водителя. Достаточно нередко дорожные знаки
остаются без внимания водителей либо ненамеренно игнорируется. Система, о
которой сказано выше, является ценным инвентарем для хоть какого автомобилиста,
в особенности в отношении признаков, указывающих на опасность и ограничение
скорости. Она способна распознавать дорожные
знаки, определять их значение и стабильно помогать водителю в адаптации собственного
стиля вождения к ситуации и правилам дорожного движения. С системой определения дорожных символов вы всегда будете
находиться в неопасной обстановке во время движения. Функциональная камера способна
распознавать знаки, контролируя участок дороги в фронтальной части автомобиля,
сравнивая отысканные признаки и сохраняя их в собственной базе данных. Ограничение скорости либо предупреждение о неких дорожных
знаках, которое отображается на приборной либо системной панели, может спасти участников
дорожного движения от многих противных последствий.
Современная установка
в автомобилях может также признавать индикатор временных символов сообщения. Камера работает очень
накрепко и способна распознавать признаки в тяжелых критериях. В редчайших случаях нехороший видимости, к примеру, с замороженным
ветровым стеклом либо очень сильным дождиком шофер получает сигнал и воспринимает
надлежащие деяния. Для этой цели создано особое программное
обеспечение для оптической диагностики. Камера распознает более 90
процентов из поддерживаемых дорожных символов. Благодаря сочетанию функций камеры
в автомобиле с навигационной системой, особенности и достоинства отдельных устройств
существенно возросла. Навигационная система не
может сама по для себя показывать всякую значимую информацию. Не считая того, информация, хранящаяся на карте в навигационной
системе, устаревает со временем. К примеру,
знаки перемещения скорости либо ограничение скорости нужно поновой
отрегулировать. Система обеспечивает более
точную и своевременную информацию, конкретно там, где автомобиль проходит под
знаком.
Благодаря высочайшему
уровню надежности система определения дорожных символов оказывает решающее воздействие
на существенное понижение нагрузки на водителя и увеличение уровня безопасности
для всех участников дорожного движения.
Сталкивается с необходимостью принятия множества решений в течение минуты. Кроме того, с особой внимательностью нужно наблюдать за обстановкой на дороге. Отслеживать перемещение автомобилей вокруг, следить за разметкой трассы и знаками, соответствующим использованием их органами управления, чрезвычайно трудно. До тех пор, когда водитель приобретёт необходимый опыт и будет способен осуществлять уверенный контроль обстановки во время движения, пройдёт большое количество времени и постоянно присутствует риск аварийной ситуации.
Главное предназначение системы
Следует отметить, что большая часть возникает ввиду неправильного поведения водителя, не соблюдающего требуемый скоростной режим. И это напрасно, поскольку введение ограничений придумано не просто так: автомобиль должен следовать с такой скоростью, чтобы у водителя было время правильно среагировать на изменения обстановки дорожного движения, независимо совершая манёвр либо экстренно тормозя. Именно это и спровоцировало разработку систем специального назначения, оказывающих помощь шофёру в принятии решений либо регулировании его действий. Системой распознавания , иное название которой Traffic Sign Recognition, оснащают свои модели большинство брендовых автопроизводителей, БМВ, Вольво и пр. Подобное устройство на автомобилях марки Opel является составляющей комплекса Opel Eye. Такого рода разработку считают одним из наилучших открытий в сфере автомобильной безопасности две тысячи десятого года. Производители Mercedes-Benz дали название своей установке по определению знаков дорожного движения - Speed Limit Assist (что означает контроль за скоростью), а Volvo - RSI (система информирования).
Представленный вид технологии является самым главным в комплексе , что входит в комплектацию большей части современных машин.
Системные компоненты
Зачастую любая вариация Traffic Sign Recognition от любой компании изготовителя состоит из типичного инструментария и оборудования. Это обуславливается необходимостью для функционирования любой системы такого рода наличия приборов одинакового характера, представленных:
- специально предназначенной видеокамерой повышенной чувствительности;
- дисплеем либо иного рода устройством, выводящим сведения системы для автовладельца;
- блоком управления, выполняющим главную часть работы.
Видеокамеру размещают возле ветрового стекла внутри автомобильного салона. В ряде моделей, где такая система является встроенной в авто, камера может скрываться где-то под оконным стеклом либо, к примеру, в области уплотнителя. Направление камеры необходимо задавать такое, чтобы ей хорошо было видно обзор пространства перед машиной, на участках, где располагают дорожные знаки, вдоль дороги немного правее от трассы. В последующем снятое видео поступает для обработки на управляющий блок, микропроцессором которого осуществляется одновременный анализ содержимого. К тому же такую камеру применяют и иные разработки безопасности: в виде установки выявления пешехода на дороге и системы помощи передвижения в ряду либо по полосе при большом автомобильном потоке.
Специфика функционирования
Посредством электронного управляющего блока системы TSR осуществляется инициирование специального механизма, который заложен в программу системы. Поэтапность процедур заключается:
- в распознавании особенностей формы дорожного знака;
- определении надписей на табличке знака;
- опознавании цветового оттенка знака;
- проверке присутствия информирующей таблички.
Рассмотрим особенности функционирования настоящей последовательности на примере знаков об ограничении скоростного режима движения, на определение которого и направлены системы распознавания дорожных знаков большей части авто. Первостепенно установкой опознаются знаки, имеющие круглую форму, после этого сочетание его оттенков - красного с белым. Затем распознаётся надпись, присутствующая на табличке, а именно показатель предельно допустимого значения скорости. Далее, блоком выполняется анализ скорости непосредственно движения конкретного авто и, в случае наличия различий, водителю подаётся сигнал о превышении предельно разрешённого скоростного режима на конкретном участке трассы. В случае же отсутствия нарушений образ знака просто появляется на дисплее панели приборов машины, таким образом сообщая водителю о распознавании дорожного знака.
Новшеством в системе распознавания дорожных знаков выступает совместное функционирование с автомобильным навигатором.
Traffic Sign Recognition усовершенствованного типа сообщает водителю не только об ограничителях скорости, но и прочих знаках, регулирующих дорожное движение. Наряду с указателями, запрещающими обгон, отдельными знаками об информации дополнительного характера, системой распознаются знаки, указывающие:
- на запрещение движения без остановки;
- запрещение въезда;
- о главной дороге (окончании её);
- о преимуществе машин, движущихся по встречной полосе либо напротив;
- на необходимость уступить путь;
- о конце зоны со всеми ограничениями;
- о начале (конце) населённого пункта;
- о начале (конце) автомагистрали;
- на въезд в жилую зону.
Ряд знаков, представленных в перечне выше, не выводятся на дисплей. Согласование информации о знаках, что распознаны, происходит с системой навигации и текущими показателями движения машины. В конечном счёте системой передаются сведения водителю об обстановке на дороге и обеспечивается безопасное движение.
Таким образом, такого рода система безопасности выступает существенной помощью для любого водителя - как опытного, так и новичка. Она способствует правильности реакции автовладельца и принятию соответствующего решения.
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
У видеокамеры переднего обзора достаточно работы. Тем не менее список объектов, которые она фиксирует, продолжает расти. Образы автомобилей и пешеходов, дорожная разметка, а теперь еще и знаки. Разумеется, не все. Чтобы система не распылялась по пустякам, разработчики вложили в электронную память минимум символов: ограничение максимальной скорости, запрет обгона и сопряженные с ними таблички с временем и зоной действия, знаки отмены. Их и распознает система, передавая изображение на панель приборов. Машин с такой опцией пока немного, среди поставляемых к нам еще меньше. На тест попали БМВ 3‑й серии и «Опель-Инсигния». И хотя задачи у этих систем одинаковые, различий в работе набралось предостаточно.
ПРЕДМЕТ И МЕТОД
Типичные ситуации для проверки устройств в избытке предоставляют дороги общего пользования. Подмосковные трассы богаты различными ограничениями скорости, более узкие шоссе - запрещающими обгон «леденцами», магистраль и скоростное кольцо в черте города - нестандартными знаками, которые видеоглазок должен считать на довольно быстром ходу. Маршрут мы прошли дважды: в светлое время и в темноте. Причем днем ветровое стекло периодически смачивал дождь, а большегрузные фуры щедро обдавали грязью. В общем, от дорожных реалий не отступили.
В отличие от большинства электронных ассистентов, ответственный за распознавание знаков устроен сравнительно просто. Камера выхватывает и сверяет со своей картотекой таблички, схожие по форме, набору и расположению символов. На похожие ограничения максимальной массы или высоты автомобиля (тоже крупные цифры в красной окантовке) сканеры не реагируют. Правда, доходит до курьезов. При обгоне очередного грузовика «Опель» неожиданно высветил на дисплее «30». Оказалось, сканер считал миниатюрный знак ограничения скорости на цистерне поливальной машины.
БМВ известны знаки запрета обгона и ограничения скорости, а также их отмены. В инструкции упоминаются еще дополнительные информационные таблички «Влажная дорога» и «Зона действия». Забегая вперед, скажем, что первые нам за время прохождения маршрута не попались, а на другие машина попросту не отреагировала. «Опель», даром что попроще брендом, несет более весомый багаж знаний. Например, выучил знаки «Автомагистраль», «Дорога для автомобилей», «Пешеходная зона», да и таблички, сопутствующие основным знакам, камера «Опель ай» (Opel Eye) не игнорирует.
ПРОВЕРКА НА ДОРОГАХ
БМВ разочаровывает в первые минуты: знаки «80» на правой обочине широких московских магистралей он замечает редко. «Опель» чуть внимательнее. Но чувствуется, что для систем эти условия нештатные: на столь широкой дороге нужно дублировать информацию на растяжках, верхней рампе или разделительном барьере.
За городом помощники заработали увереннее: отвлекающей информации меньше, а знаки гораздо ближе. Однако и в этом горшочке меда не обошлось без дегтя. «Опель» чувствителен к ориентации знака. Если тот чуть наклонен или развернут, камера пропускает его. У БМВ свои причуды. В штатной навигации «баварца» зашиты ограничения скорости для всех дорог. Если сканер не видит придорожных знаков, компьютер опирается на данные дорожных карт. Но лучше бы он этого не делал! Электронный Сусанин не всегда четко отслеживает границы населенных пунктов, переключая лимиты «60» и «90». А иной раз высвечивает совершенно необъяснимые ограничения в 50 или 70 км/ч, причем смена происходит в лесу или чистом поле. Система «Опель ай» лишена привязки к навигации, отслеживает только реальную придорожную информацию, а потому и дезинформирует водителя реже.
От системы БМВ, которой помогает навигация, мы ожидали более интеллектуального подхода. А именно - что она будет точнее отслеживать зоны запретов обгона или ограничения скорости. Ведь часто эти знаки действуют до ближайшего перекрестка, которые как раз отлично распознает навигатор. Но почему-то в этом случае от его помощи отказались. В итоге знак горит, пока не появится его отмена, метка в электронной карте с иным ограничением скорости или окончание заданного временного интервала. Последний нам точно определить не удалось: знаки горели на панели разное время, выявить какую-либо зависимость мы не смогли. Кстати, так же поступает и «Инсигния». А вот знак, запрещающий обгон, машина гасит четко спустя 15 секунд. К чему такая спешка? Жирный минус за подачу информации.
ДЕФЕКТЫ ЗРЕНИЯ
Кратковременный, но сильный дождь подпортил «Опелю» оценку за точность. Капли на стекле, которые не успевают смахивать щетки, снижают бдительность ассистента вдвое. Аналогично влияет на остроту его зрения и включенный в ночное время дальний свет: электроника стабильно игнорировала знаки, попадающие в свет фар. БМВ таких капризов себе не позволяет.
Но не надейтесь, что система предупредит вас о знаке заранее. При заявленной стометровой дальнобойности, камеры и «Опеля», и БМВ передают информацию на дисплеи не раньше, чем знак поравняется с передним бампером. А «баварец» и вовсе выдерживает театральную паузу и выдает сообщение, лишь когда столбик замаячит в зеркале заднего вида. Причем это не зависит от погодных условий или времени суток.
Кроме того, если знак хотя бы немного перекрыт стоящим на обочине грузовиком (человеческий глаз отлавливает его и в этом случае), сканеры бессильны. Даже если дорожный «леденец» расположен чуть поодаль, гарантированно система засечет его только на невысокой скорости. Вообще чем выше забирается стрелка спидометра, тем хуже становится реакция ассистентов. Например, при разрешенных на магистрали 110 км/ч сбои в работе случались даже в идеальных условиях.
А если оценивать точность срабатывания по итогам всего теста, БМВ справился примерно с 90% встретившихся знаков, «Опель» - с 75%.
Посовещавшись, вынесли общий вердикт. Вреда опробованные системы не приносят, а в некоторых случаях их подсказки полезны. Ведь при всей внимательности и опыте все мы люди, которым, известное дело, свойственно ошибаться. Да что далеко ходить - за время 600-километрового теста мы пару-тройку раз пропускали важную информацию. Тут-то лишние электронные глаза совсем не мешали. А что иногда сбиваются - простительно. Ведь они - как начинающие водители, только набираются опыта. И, к счастью, те оплошности, которые они допускают, - это не грубые ошибки, а свойственные новичкам помарки.
«Появляющиеся на проекционном дисплее цветные символы запрета обгона и его отмены просмотреть невозможно, а вот реальные знаки на обочине дорог - запросто. Темнота, капли или грязь на ветровом стекле камере не помеха. Мне бы такие зоркие глаза! В итоге БМВ превосходит „Опель“ по двум ключевым параметрам - качеству сканирования и подаче информации. Что касается неправильных подсказок навигации об ограничении скорости, то она ни разу их не завысила относительно реального лимита».
«Я предпочел бы „Опель ай“. Электронный ассистент „баварца“ напоминает чересчур заботливую бабушку, тщательно оберегающую от всякого рода напастей своего любимого внука, а его земляк из Рюссельсхайма - молодого папашу, который предоставляет ребенку достаточно свободы и подстраховывает лишь в опасных ситуациях. Мне больше по душе, когда человек полагается на себя и не ждет постоянно помощи от других. Хотя и таким людям в трудную минуту дельный совет пригодится».
БМВ
Проекция на ветровое стекло. Почти не реагирует на ухудшение видимости. Высокий процент распознавания, видит светодиодные, временные и висящие над дорогой знаки.
Нечетко реагирует на знаки на широкой дороге. Подсказки навигации о разрешенной скорости не всегда верны, полезен был бы контроль зоны действия знаков при помощи навигационной системы.
«Опель»
Распознает дополнительные таблички и знаки «Автомагистраль». Выдает информацию только о реальных дорожных знаках, не путая водителя. Видит светодиодные, временные и висящие над дорогой знаки.
Знаки, отменяющие и разрешающие обгон, удерживаются на дисплее всего 15 с. Систему необходимо активировать после каждого пуска двигателя. Эффективность снижается ночью и при дожде. Не распознает криво стоящие знаки.