Пояснительная записка королёв (1206314), страница 10
Текст из файла (страница 10)
Экспериментальная оценка качества работы программнойсистемы осуществлялась в четыре этапа: оценка качества распознавания дорожных знаков на изображениях гдетаковые отсутствуют; оценка качества распознавания дорожных знаков при различных углахотклонения, относительно регистрирующего устройства; оценка качества распознавания дорожных знаков на большомрасстоянии; оценка качества распознавания нескольких дорожных знаков в одномкадре.673.4.1 Оценка качества распознавания дорожных знаков на ложныхизображенияхДля оценки данного параметра использовался набор из изображений,которые не содержат дорожные знаки, а также изображения, которыесодержат дорожные знаки, но которые не были в обучающей выборкиприложения.На рисунке 3.10 видно, что программа не находит на изображениидорожный знак так как его нет в обучающей выборке, но по параметрам(форма и цвет) он подходит под описание дорожного знака.
Всего есть 30ложных изображений для проверки работы программы, представлены нарисунке 3.9.Рисунок 3.9 – Ложные изображения68Рисунок 3.10 – Не опознанный программой дорожный знакНа рисунке 3.11 на движущемся автомобиле находится треугольныйпредмет, похожий по форме и цвету на предупреждающий дорожный знак.Как видно из рисунка программа не сделала ложной идентификации.Рисунок 3.11 – Демонстрация работы программы69Несмотря на высокий процент «правильного» распознавания объектовиногда программа выводит ложные идентификации, что видно из рисунка3.12.Программа точно не определила, дорожный знак это или нет, но все равновывела на панель результатов распознавания.
Это произошло из-за схожестицвета и формы и будет рассматриваться как ложное распознавание.Рисунок 3.12 – Пример ложной идентификации программыВ целом программа хорошо себя показала в ложных срабатываниях из 30изображений, ложно идентифицировались всего два, что дает результат в93,3% правдивых распознаваний.3.4.2 Оценка качества распознавания дорожных знаков при различныхуглах отклоненияЧтобы оценить на сколько ПО справляется с задачей распознаваниядорожных знаков при различных углах отклонения, была использована70тестовая выборка, состоящая из 40 изображений на которой дорожные знаки вразной степени отклонены относительно регистрирующего устройства,пример рисунок 3.13.Рисунок 3.13 – Тестовая выборка изображений с отклонениемНа рисунке 3.14, 3.15, 3.16 изображены дорожные знаки под значительнымуглом наклонения, система без проблем распознала их, это результат работыметода SVM – опорных векторов.Рисунок 3.14 – Распознавание дорожного знака под углом наклонения71Рисунок 3.15 - Распознавание дорожного знака под углом наклоненияРисунок 3.16 – Распознавание дорожного знака под углом наклоненияРезультаты оказались следующими из 40 изображений 3 изображения нераспознались, что дает точность распознавания в 92,5%.
Из этого следует, чтоалгоритм и метод распознавания устойчив к смене угла наклонения.723.4.3 Оценка качества распознавания дорожных знаков на большомрасстоянии от регистрирующего устройстваНельзяпереоценитьидентификациинапрактическуюбольшомрасстояниизначимостьспособностьинформационнойсистемойраспознавания дорожных знаков для водителя. Это несомненно большой плюсработы системы.
Водитель благодаря этому сможет заблаговременно снизитьскорость, если знак находится для него на слишком большом расстоянии,чтобы его увидеть. Наша информационная система показала отличныерезультаты в распознавании дорожных знаков на дальних расстояниях,исключением стали изображения с слишком далеко расположенным знаком,которые находятся вне поле зрения информационной системы, плохипогодные условия, а также темное время суток. Результаты идентификацииможно увидеть на рисунках 3.17, 3.18, 3.19.Рисунок 3.17 – Идентифицированный знак «неровная дорога»73Рисунок 3.18 – Идентифицированные знаки «направление дороги» и«ограничениескорости»Рисунок 3.19 – Идентифицированный знак «направление дороги направо»74Точность распознавания оказалась на уровне 98%, что является отличнымрезультатом.
Предложенная модель идентификации дорожных знаковоказалась более чем приспособленной к распознаванию на дальнеерасстояние.3.4.4 Оценка качества распознавания нескольких дорожных знаков в одномкадреОдним из важных качеств для ИС распознавания дорожных знаковявляется возможность идентифицировать одновременно несколько дорожныхзнаков, потому что водитель в долгой дороге может попросту не заметить знак,который находился рядом с другим.
Это может повлечь за собой серьезныепоследствия вплоть до ДТП. ИС распознавания дорожных знаков на основеметода опорных векторов и нейронной сети справляется с этой задачей, чтоможно увидеть на рисунках 3.20, 3.21, 3.22.Рисунок 3.20 – Идентификация нескольких дорожных знаков75Рисунок 3.21 – Идентификация нескольких дорожных знаковРисунок 3.22 – Идентификация нескольких дорожных знаков76Тестовая выборка для проверки работоспособности программы включалав себя 45 изображений из них 43 изображения были идентифицированыпоказав процент точности распознавания 96%.
Исключениями сталиизображения, на которых знак перекрывает какой-либо объект, примерпредставлен на рисунке 3.23.Рисунок 3.23 – Пример не идентифицированного дорожного знакаДорожный знак на этом изображении не поддался идентификации из-затого, что его перекрыл другой знак. Пример представлен на рисунках 3.24.77Рисунок 3.24 – Пример не идентифицированного дорожного знака3.4.5 Сравнение технических характеристик разработанных алгоритмов ипрограммных средств с существующимиДля сравнения программного средства созданного в течении написанияВКР будут предложены программные решения, которые были описаны ранеев 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 3.2.78Таблица 3.2 – Сравнение созданного ПО с похожими решениямиРазработаннаясистема94,95ПараметрOpelEyeТочность75РаспознаванияРабота в реальном+времениПроцент точности с92,567различными угламиотклоненияМетодМетодНераспознаванияопорныхизвесвекторов тноисверточнаянейронная сетьSpeedLimitAssists70ИСRoadsign распознаванияinformationлаборатории им.Ломоносова7595+++636595НеНеизвестно известноСверточнаянейронная сеть,основанная наалгоритмеВиолы и ДжонсаНа рисунке 3.25 представлено сравнение точности распознаванияпрограммных решенийПроцент точности %1009080706050403020100СозданноерешениеOpel EyeSpeed LimitAssistaRoad SignInformationСистема расп-ялаб-рии имЛомоносоваРисунок 3.35 – Сравнение точности распознавания793.5 Основные результаты и выводы по 3 главеСозданное приложение показало хороший результат в распознаваниидорожных знаков, благодаря комбинированному методу из двух методовидентификации таких как метод опорных векторов и сверточная нейроннаясеть, удалось добиться высокого процента распознавания даже при различныхуглах наклона, этому поспособствовала сверточная нейронная сеть, котораяявляется устойчивой к различным видам искажений.
Так же система умеетидентифицировать сразу несколько дорожных знаков на изображении, чтотоже является несомненным плюсом. Несмотря на это система дает и ложныерезультаты в изображениях с объектами схожими по цвету и форме сдорожным знаком, но процент ложных распознаваний невелик, что можносчитать приемлемым для нашего приложения.
Последующее направлениеработы видится в улучшении скорости распознавания, доработки алгоритмадля снижения процента ложного распознавания и добавление функцииидентификации в реальном времени с помощью видеокамеры.80ЗаключениеВ ходе теоретических и экспериментальных исследований, выполненныхв ВКР магистра, были получены следующие научные и практическиерезультаты: в работе проведен полный анализ существующих методов и алгоритмовдля идентификации объектов на изображении сложным фоном. Были описаныхарактеристики предметной области (дорожные знаки) исследования в ВКР.Дана сравнительная характеристика существующих решений в областираспознавания дорожных знаков на изображении. Выбраны наиболееподходящие методы для реализации собственного алгоритма; был предложен собственный метод для распознавания изображений,этот метод представляет из себя синтез двух существующих методов, такиекак метод опорных векторов и сверточные нейронные сети.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
