Пояснительная записка королёв (1206314), страница 2
Текст из файла (страница 2)
733.4.4 Оценка качества распознавания нескольких дорожных знаков водном кадре ..................................................................................................... 753.4.5 Сравнение технических характеристик разработанных алгоритмов ипрограммных средств с существующими ....................................................
783.5 Основные результаты и выводы по 3 главе .............................................. 80Заключение ............................................................................................................ 81Список используемых источников и литературы ..............................................
837ВведениеВ современном автомобилестроении все чаще встречаются техническиесистемы, направленные на оптимизацию вождения автомобиля, включающиев себя также системы автоматического распознавания дорожных знаков. Этооблегчает задачу водителя, позволяет ему лучше сосредоточиться на процессевождения, повышает безопасность всех участников дорожного движения. Вотличие от других способов идентификации знаков (как, например,радиометрические «маяки», способные сообщить радио-модулю автомобиля отом, что он вошёл в зону действия данного знака) система непосредственногораспознавания знаков с изображений имеет преимущества в плане надёжностии возможности её применения к существующей инфраструктуре дорожныхзнаков.81Аналитическийобзорсуществующихалгоритмовисистем,применяемых для распознавания дорожных знаков, а также обзорпредметной областиВ данной главе производится аналитический сбор информации осуществующих методах и алгоритмах, применяющихся для обнаружения ираспознавания дорожных знаков.
Рассмотрены основные недостатки ипреимущества этих методов, а также представлен обзор техническихпараметров существующих систем идентификации дорожных знаков.1.1 Обзор существующих алгоритмов, применяемых для идентификациидорожных знаковОбъекты на изображениях представляют собой некоторую упорядоченнуюсовокупность признаков. Совокупность объектов, обладающих некоторымиобщимихарактернымипризнаками,называетсяклассом.Машинноераспознавание объектов на изображениях заключается в способностиавтоматически классифицировать исходные данные и относить их копределенному классу с помощью выделения характерных признаков объекта.Проблема автоматического распознавания объектов на изображениях являетсяотносительно новой и получила свое развитие во второй половине 20 века.
Впервых системах распознавания использовались простые геометрическиемодели, и требовалось участие администратора, который производилвыделение признаков объекта на изображении. Затем система выполнялачисленные измерения размеров и расстояний выделенных признаковотносительно контрольных точек.Внастоящеевремяраспознаваниеобъектовнаизображенияхосуществляется на основе сложных математических представлений осуществующих процессах и является очень востребованной в областях9компьютерного зрения, обработки и анализа изображений, биометрии, систембезопасности и видеоконтроля.
Современные методы, решающие задачураспознавания объектов, применяются для решения широкого круга задач:распознавание лиц, отпечатков пальцев, сетчатки глаза, печатных символов,автомобильных номерных знаков, маркировки на поверхностях различныхобъектов и т.д.На сегодняшний день достигнуты значительные успехи при решении задачраспознавания объектов и символов на изображениях, однако существует рядсложностей,которыесущественноснижаютнадежностьприменениясовременных методов: низкое разрешение изображений.
В результате чего, признаки объектовмогут быть плохо различимы; наличиесложнойфоновойструктурынаизображениях.Этоподразумевает наличие на изображениях посторонних объектов, которыемогут иметь визуальные признаки, схожие с искомым объектом; различныеискажения,полученныевпроцессерегистрацииизображений. Регистрация изображений может производиться при неудачныхракурсах, плохих погодных условиях, различных углах и условиях освещения.В результате этого, на изображениях могут быть различные шумовые помехи,символы могут быть подвержены аффинным и проекционным искажениям; количество искомых объектов на изображении заранее не известно.Все это требует применения различных алгоритмов предварительнойобработки, что в свою очередь усложняет процесс распознавания, делает егоболее громоздким, увеличивает объем и время вычислительных процессов.Поэтому на сегодняшний день до сих пор существует потребность вразработке методов и алгоритмов, решающих вышеперечисленные проблемы.Для устранения вышеперечисленных сложностей требуется применениеразличных дополнительных подходов предобработки, что увеличиваетвычислительную сложность системы.
Таким образом, можно сделать вывод,10что сегодня существует необходимость в реализации методов и алгоритмов,позволяющих снизить влияние вышеперечисленных сложностей на процессраспознавания.Распознавание дорожных знаков на изображениях можно логическиразделить на два основных этапа: обнаружение области расположения дорожного знака на изображении; распознавание дорожного знака.Дляреализациикаждогоизэтихэтаповприменяютсясвоииндивидуальные методы и алгоритмы. Поэтому дальше в этой главеприводится обзор методов и алгоритмов по трем категориям применения.1.1.1 Сравнение с шаблономГлавным принципом работы этих методов является сравнение каждойобласти изображения с заданным шаблоном, в последствие чего определяетсявзаимная корреляция.
Шаблоны могут задаваться вручную либо определятьсякакой-либо функцией, а также могут соответствовать целому объекту илиотдельным составляющим объекта. При превышающим заданный порогкоэффициенте корреляции, область исследования изображения будетпомечаться как содержащая образ дорожного знака. Так же выделяютсяразличные улучшения данного подхода, использующие несколько шаблонов,которые соответствуют отдельным компонентам объектов, представлявшихсобой области в виде линий. Работа данных алгоритмов состояла изнескольких этапов, на каждом из которых определялась достоверностьнайденных областей.
Если область изображения соответствует одному изшаблонов, то она отмечается как область, представляющая интерес для болеедетального анализа.Таким образом, повышается мера сходства областей изображения сзаданным шаблоном. Далее выявленные области сравнивались с другимишаблонами, что позволяло определить наличие искомого объекта. Данные11методы использовались в основном в ранних работах по классификации ираспознаванию объектов на изображениях. Это были первые попыткисформировать признаки изображения объектов [1].Существуютсовременныемодификациишаблонныхметодов,применяемых для обнаружения областей расположения символов, маркировоктехнических объектов и дорожных знаков. Данные методы показываютвысокую точность распознавания. Недостаток данных методов заключается внизкой скорости работы и высокой чувствительности к фотометрическим игеометрическим искажениям объектов на изображениях.1.1.2 Метод преобразования ХафаДанный метод был предложен P.
Hough в 1962 году. Метод заключается впоиске на изображении объектов, принадлежащих определенному классугеометрическихфигур:прямыелинии,окружностиит.д.Поискосуществляется с помощью процедуры голосования, применяемой кпространству параметров изображения. Искомый объект представляется ввиде параметрического уравнения, параметры которого представляют такназываемое фазовое пространство. Основное утверждение преобразованияХафа заключается в том, что любая точка изображения может принадлежатьнекоторому набору линий. Прямая линия может задаваться следующейформулой (1.1): = cos + sin (1.1)где r – длина перпендикуляра, построенного из начала координат напрямую;θ –угол между этим вектором и осью абсцисс.Синусоидальные кривые для каждой точки являются уникальными.Данные кривые пересекутся в точке (r, θ) только в том случае, еслипорождающие их точки находятся на прямой, описываемой уравнением (1.1).Функция А (r, θ) называется аккумуляторной функцией и ее значение в точке12(r, θ) будет равно количеству точек, расположенных на соответствующейпрямой.
Чтобы найти прямые линии на изображении достаточно найтилокальные максимумы аккумуляторной функции.Для усиления пространственных частот на начальном этапе данногометода выполняется улучшение контраста, бинаризация или выделениеграниц на изображении. Далее выполняется последовательный анализ каждойточки изображения и ее соседей.
При этом вычисляется вес границы в даннойточке. Если вес соответствует заданному пороговому значению, товычисляются параметры прямой и увеличивается значение в соответствующейячейке массива. Далее выполняется поиск максимальных значений в массиве,за которые проголосовало большее количество пикселей изображения.
Такимобразом, находятся параметры уравнений искомого объекта.Алгоритм заключается в поиске прямых линий, удовлетворяющихследующим условиям: прямые линии должны иметь примерно одну длину и совпадающиекоординаты начала и конца. линии должны находиться на определенном расстоянии друг от друга.Таким образом, на изображении находятся пары линий, которые затемсопоставляются. Если линии пересекаются и образуют прямоугольник, товычисляетсясоотношениевысотыишириныгранейнайденногопрямоугольника. Если соотношения удовлетворяют условиям, то областьпомечается на возможное содержание дорожного знака. Достоинство данногометода заключается в том, что он является инвариантным к яркости и цветуизображения.
Недостаток данного метода заключается в том, что онвосприимчив к любой области изображения, имеющей прямоугольную форму.Это снижает эффективность его применения на изображениях со сложнойфоновой структурой [2].131.1.3 Дескрипторы локальных особенностейДля выделения признаков объектов на изображениях часто применяютсядескрипторылокальныхособенностей.Дескрипторомназываетсясовокупность параметров, с помощью которых можно описать характеристикиизображения, например, такие как цвет, текстуру и т.д.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
