Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 8)

Рисунок 3.7 – Окно программы в рабочем режиме

С левой стороны окна находятся тестовые изображения для проверки работоспособности программы. С правой стороны информация о распознавшемся знаке такая как:

• цвет;

• форма;

• содержание знака.

Сам идентифицированный знак на фотографии выделяется желтым цветом.

В правом нижнем углу находится кнопка «показать все» она отвечает за фильтр, программы который не выводит на экран похожие на дорожные знаки объекты. Эту функцию можно отключить (рис. 3.8).

Рисунок 3.8 - Работа программы без функции фильтра

Как видно из рисунка 3.8 ИС нашла похожие на дорожные знаки объекты так как они тоже удовлетворяют параметрам идентификации по форме и цвету.

Технические характеристики ПК, использованного для вычислительных элементов:

Таблица 3.1 – Характеристики ПК

Окончание таблицы 3.1

3.4 Оценка качества работы программной системы

В данном разделе представлены результаты тестирования разработанной программы. Экспериментальная оценка качества работы программной системы осуществлялась в четыре этапа:

• оценка качества распознавания дорожных знаков на изображениях где таковые отсутствуют;

• оценка качества распознавания дорожных знаков при различных углах отклонения, относительно регистрирующего устройства;

• оценка качества распознавания дорожных знаков на большом расстоянии;

• оценка качества распознавания нескольких дорожных знаков в одном кадре.

3.4.1 Оценка качества распознавания дорожных знаков на ложных изображениях

Для оценки данного параметра использовался набор из изображений, которые не содержат дорожные знаки, а также изображения, которые содержат дорожные знаки, но которые не были в обучающей выборки приложения.

На рисунке 3.10 видно, что программа не находит на изображении дорожный знак так как его нет в обучающей выборке, но по параметрам (форма и цвет) он подходит под описание дорожного знака. Всего есть 30 ложных изображений для проверки работы программы, представлены на рисунке 3.9.

Рисунок 3.9 – Ложные изображения

Рисунок 3.10 – Не опознанный программой дорожный знак

На рисунке 3.11 на движущемся автомобиле находится треугольный предмет, похожий по форме и цвету на предупреждающий дорожный знак. Как видно из рисунка программа не сделала ложной идентификации.

Рисунок 3.11 – Демонстрация работы программы

Несмотря на высокий процент «правильного» распознавания объектов иногда программа выводит ложные идентификации, что видно из рисунка 3.12.

Программа точно не определила, дорожный знак это или нет, но все равно вывела на панель результатов распознавания. Это произошло из-за схожести цвета и формы и будет рассматриваться как ложное распознавание.

Рисунок 3.12 – Пример ложной идентификации программы

В целом программа хорошо себя показала в ложных срабатываниях из 30 изображений, ложно идентифицировались всего два, что дает результат в 93,3% правдивых распознаваний.

3.4.2 Оценка качества распознавания дорожных знаков при различных углах отклонения

Чтобы оценить на сколько ПО справляется с задачей распознавания дорожных знаков при различных углах отклонения, была использована тестовая выборка, состоящая из 40 изображений на которой дорожные знаки в разной степени отклонены относительно регистрирующего устройства, пример рисунок 3.13.

Рисунок 3.13 – Тестовая выборка изображений с отклонением

На рисунке 3.14, 3.15, 3.16 изображены дорожные знаки под значительным углом наклонения, система без проблем распознала их, это результат работы метода SVM – опорных векторов.

Рисунок 3.14 – Распознавание дорожного знака под углом наклонения

Рисунок 3.15 - Распознавание дорожного знака под углом наклонения

Рисунок 3.16 – Распознавание дорожного знака под углом наклонения

Результаты оказались следующими из 40 изображений 3 изображения не распознались, что дает точность распознавания в 92,5%. Из этого следует, что алгоритм и метод распознавания устойчив к смене угла наклонения.

3.4.3 Оценка качества распознавания дорожных знаков на большом расстоянии от регистрирующего устройства

Нельзя переоценить практическую значимость способность идентификации на большом расстоянии информационной системой распознавания дорожных знаков для водителя. Это несомненно большой плюс работы системы. Водитель благодаря этому сможет заблаговременно снизить скорость, если знак находится для него на слишком большом расстоянии, чтобы его увидеть. Наша информационная система показала отличные результаты в распознавании дорожных знаков на дальних расстояниях, исключением стали изображения с слишком далеко расположенным знаком, которые находятся вне поле зрения информационной системы, плохи погодные условия, а также темное время суток. Результаты идентификации можно увидеть на рисунках 3.17, 3.18, 3.19.

Рисунок 3.17 – Идентифицированный знак «неровная дорога»

Рисунок 3.18 – Идентифицированные знаки «направление дороги» и «ограничение

скорости»

Рисунок 3.19 – Идентифицированный знак «направление дороги направо»

Точность распознавания оказалась на уровне 98%, что является отличным результатом. Предложенная модель идентификации дорожных знаков оказалась более чем приспособленной к распознаванию на дальнее расстояние.

3.4.4 Оценка качества распознавания нескольких дорожных знаков в одном кадре

Одним из важных качеств для ИС распознавания дорожных знаков является возможность идентифицировать одновременно несколько дорожных знаков, потому что водитель в долгой дороге может попросту не заметить знак, который находился рядом с другим. Это может повлечь за собой серьезные последствия вплоть до ДТП. ИС распознавания дорожных знаков на основе метода опорных векторов и нейронной сети справляется с этой задачей, что можно увидеть на рисунках 3.20, 3.21, 3.22.

Рисунок 3.20 – Идентификация нескольких дорожных знаков

Рисунок 3.21 – Идентификация нескольких дорожных знаков

Рисунок 3.22 – Идентификация нескольких дорожных знаков

Тестовая выборка для проверки работоспособности программы включала в себя 45 изображений из них 43 изображения были идентифицированы показав процент точности распознавания 96%. Исключениями стали изображения, на которых знак перекрывает какой-либо объект, пример представлен на рисунке 3.23.

Рисунок 3.23 – Пример не идентифицированного дорожного знака

Дорожный знак на этом изображении не поддался идентификации из-за того, что его перекрыл другой знак. Пример представлен на рисунках 3.24.

Рисунок 3.24 – Пример не идентифицированного дорожного знака

3.4.5 Сравнение технических характеристик разработанных алгоритмов и программных средств с существующими

Для сравнения программного средства созданного в течении написания ВКР будут предложены программные решения, которые были описаны ранее в 1 главе:

• оpel Eye (opel);

• speed Limit assists (Mercedes);

• road sign information;

• система распознавания дорожных знаков Лаборатория им. Ломоносова.

Данные для сравнения приведены в таблице 3.2.

Таблица 3.2 – Сравнение созданного ПО с похожими решениями

На рисунке 3.25 представлено сравнение точности распознавания программных решений

Рисунок 3.35 – Сравнение точности распознавания

3.5 Основные результаты и выводы по 3 главе

Созданное приложение показало хороший результат в распознавании дорожных знаков, благодаря комбинированному методу из двух методов идентификации таких как метод опорных векторов и сверточная нейронная сеть, удалось добиться высокого процента распознавания даже при различных углах наклона, этому поспособствовала сверточная нейронная сеть, которая является устойчивой к различным видам искажений. Так же система умеет идентифицировать сразу несколько дорожных знаков на изображении, что тоже является несомненным плюсом. Несмотря на это система дает и ложные результаты в изображениях с объектами схожими по цвету и форме с дорожным знаком, но процент ложных распознаваний невелик, что можно считать приемлемым для нашего приложения. Последующее направление работы видится в улучшении скорости распознавания, доработки алгоритма для снижения процента ложного распознавания и добавление функции идентификации в реальном времени с помощью видеокамеры.

Заключение

В ходе теоретических и экспериментальных исследований, выполненных в ВКР магистра, были получены следующие научные и практические результаты:

• в работе проведен полный анализ существующих методов и алгоритмов для идентификации объектов на изображении сложным фоном. Были описаны характеристики предметной области (дорожные знаки) исследования в ВКР. Дана сравнительная характеристика существующих решений в области распознавания дорожных знаков на изображении. Выбраны наиболее подходящие методы для реализации собственного алгоритма;

• был предложен собственный метод для распознавания изображений, этот метод представляет из себя синтез двух существующих методов, такие как метод опорных векторов и сверточные нейронные сети. Данный метод работает по принципу двойного распознавания, сначала изображение проходит первый этап идентификации с помощью метода опорных векторов, который отыскивает на изображениях дорожный знак по его форме и, если он там находится передает его сверточной нейронной сети, которая уже принимает окончательное решение о присутствии искомого объекта на изображении. Благодаря этому методу можно улучшить быстродействие системы, быстроту ее обучения, а также показания точности при различных искажениях, шумах и изменениях углов наклона.

• было создано программное решение на основе методов и алгоритмов, предложенных во второй главе ВКР. Программной областью для реализации было принято решение выбрать Microsoft Visual Studio 2015 и открытую библиотеку компьютерного зрения и алгоритмов Opencv. Разработанная программа на основе нового алгоритма показала отличные результаты во всех основных требованиях для системы распознавания, таких как распознавания объекта на ложных изображениях, идентификация под различными углами наклона объекта, распознавания на больших расстояниях (от 50 и до 100м), а также захват и распознавание сразу нескольких объектов в кадре. Произведена сравнительная характеристика программы с существующими аналогами.

Плюсы разработанного программного решения в относительно высокой скорости обучения сети, большой процент точных распознаваний при различных углах наклона, также к плюсам можно отнести способность распознавания сразу нескольких дорожных знаков. Минусом программы является отсутствие функции распознавания в реальном времени. В дальнейшем планируется вести работу в улучшении алгоритма распознавания, а также добавления в программу функции идентификации в реальном времени. Результаты экспериментальных исследований, приведенные в работе, представляют практический интерес при проектировании систем управления и обработки информации в области компьютерного зрения и распознавания изображений.

Характеристики

Список файлов ВКР