Распознавание предупреждающих дорожных знаков на изображении с помощью нейронных сетей
Особенность распространения видеорегистраторов, которые помогут водителям ориентироваться в трудных дорожных узлах. Основная характеристика результата работы медианного фильтра. Анализ нахождения углов треугольника и проверка его на правильность.
| Рубрика | Коммуникации, связь, цифровые приборы и радиоэлектроника |
| Вид | статья |
| Язык | русский |
| Дата добавления | 10.08.2018 |
| Размер файла | 158,5 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Национальный исследовательский университет «Высшая школа экономики»
РАСПОЗНАВАНИЕ ПРЕДУПРЕЖДАЮЩИХ ДОРОЖНЫХ ЗНАКОВ НА ИЗОБРАЖЕНИИ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
Канищев Виталий Владимирович
В данном исследование представлен вариант распознавания предупреждающих дорожных знаков с помощью использования нейронных сетей. видеорегистратор дорожный медианный фильтр
Достижение этой цели подразумевает решение следующих задач:
· Преобразование цветового пространства.
· Удаление шумов.
· Верификация объектов интерфейса.
· Идентификация дорожного знака
Первым этапом реализации проекта являлось определение контуров предупреждающего дорожного знака (Рис. 1).
Рисунок. 1. Контуры предупреждающего дорожного знака
Все предупреждающие дорожные знаки имеют хатактерный отличительный признак, а именно контур ярко-красного цвета. Входной сигнал представлял собой последовательность изображений, которые были представлены в цветовой гамме RGB виде матрицы в три слоя MxNx3, состоящей из цветных пикселей. После чего было выполнено преобразование в черно-белый вариант, где красный и наиболее близкие оттенки обозначались белым, а все остальное черным.
Следующим шагом в реализации проекта являлся процесс устранения шумов. Шумы устранялись с помощью медианного фильтра (Рис. 2), который в реализации проще чем Гауссов, однако для данной задачи качество усреднения не важно поэтому использовался именно этот фильтр.
Рисунок. 2. Бинаризованное изображение и формула медианнго фильтра.
Последовательно используя алгоритмы медианного фильтра и бинаризации изображения, подавлялись практически все шумы (Рис. 3).
Рисунок. 3. Результат работы медианного фильтра.
Дальнейшим действие нашего проекта являлась верификация найденного объекта. Поскольку в нашем случае просто знание того что фон красный недостаточно было введено дополнительное свойство. У знака это правильный треугольник. Для этого мы должны были проверить границы объекта. Для достижения этой цели применялся оператор Собеля, который выделял границы изображения. А поскольку мы применяем его к бинарному изображению, он был реализован в примитивной форме просмотра градиента в узкой области. После чего по формулам векторной алгебры было проверено, насколько правильный данный треугольник. Для этого бралось усредненное значение прямых для различных точек из границы (рис 5).
Рисунок. 4. Результат выполнения оператора Собеля.
Объект считается верифицированным, если
Рисунок. 5. Нахождение углов треугольника и проверка его на правильность.
Последним шагом являлось определение дорожного знака в определенном нами контуре. Для классификации дорожного знака была использована глубокую сеть, в которой вначале были заданы большие веса, которые потихоньку уменьшались, пока не достигли состояния равновесия, которое и было использовано. Полученная таким образом нейронная сеть была использована как начальное приближение при обучении методом обратного распространения ошибки. Наконец используя настроенную сеть можно было получать информацию о том, какой дорожный знак располагался на фотографии или картинке.
Результаты исследований
Для тестирования было использовано два набора знаков, каждый из которых состоял из 150 элементов, на 130 из них были знаки. Результаты тестирования представлены в таблице 1.
Таблица. 1. Результаты работы программы на тестовых наборах данных
|
Параметры |
Результаты |
||
|
Тест 1 |
Тест 2 |
||
|
Общее кол-во знаков |
130 |
130 |
|
|
Кол-во правильных распознаний |
118 |
116 |
|
|
Кол-во ошибок |
8 |
8 |
|
|
Кол-во пропущенных (не замеченных) знаков |
7 |
10 |
|
|
Среднее время обработки фото. |
0.4 |
0.1 |
На основании полученных результатов можно сделать вывод, что сверточная нейронная сеть хорошо подходит для задач связанных с распознаванием изображений и имеет среднюю точность 90,7%.
Аннотация
В современном мире все большую актуальность приобретает функция, позволяющая распознавать дорожные знаки на изображениях и в покадрово видеопотоке. Данная тенденция связана в первую очередь с широким распространением видеорегистраторов, ведь она поможет водителям ориентироваться в трудных дорожных узлах. Кроме того данная функция будет полезна для использования дорожными службами.
Ключевые слова: анализ изображения, компьютерное зрение, нейронные сети, распознавание изображений
Размещено на Allbest.ru
...Подобные документы
Определение и виды искусственных нейронных сетей. Функция активации. Биологический нейрон. Персептрон как инструмент для классификации образов. Классификация объектов с помощью нейронной сети. Нормализация входных сигналов. Алгоритм работы в MatlabR2009b.
курсовая работа [349,7 K], добавлен 17.03.2016Понятие и применение нейронных сетей, особенности классификации искусственных нейронных сетей по Терехову. Решение задачи классификации римских цифр на основе нейронной сети. Составление блок-схемы алгоритма обучения нейронной сети и анализ ее качества.
дипломная работа [603,9 K], добавлен 14.10.2010Расчет коэффициентов фильтра с помощью Matlab. Фазово-частотная характеристика фильтра. Синтезирование входного сигнала в виде аддитивной смеси гармонического сигнала с шумом. Нерукурсивный цифровой фильтр, отличительная особенность и выходной сигнал.
контрольная работа [4,6 M], добавлен 08.11.2012Рассмотрение принципов организации Deep Packet Inspection в телекоммуникации. Проведение исследований нейронных сетей. Выбор оптимальной модели для решения задач классификации мультимедийного трафика. Изучение вопросов безопасности жизнедеятельности.
дипломная работа [1,0 M], добавлен 22.06.2015Изучение сущности цифровой фильтрации - выделения в определенном частотном диапазоне с помощью цифровых методов полезного сигнала на фоне мешающих помех. Особенности КИХ-фильтров. Расчет цифрового фильтра. Моделирование работы цифрового фильтра в MatLab.
курсовая работа [2,0 M], добавлен 21.09.2010Выбор аппроксимирующего полинома Баттерворта для создания электрического фильтра, частотная характеристика его затухания. Использование программного обеспечения MicroCap 7 для проверки работы фильтра. Выбор значений из ряда номиналов радиодеталей.
курсовая работа [3,9 M], добавлен 13.03.2011Аналитическое выражение передаточной функции аналогового фильтра. Построение структурной схемы реализации цифрового фильтра прямым и каноническим способами. Определение реализационных характеристик фильтра. Проверка коэффициентов передаточной функции.
курсовая работа [604,4 K], добавлен 24.10.2012Характеристика замкнутых сетей массового обслуживания с экспоненциальным обслуживанием в узлах и марковской маршрутизацией. Примеры замкнутых сетей с переключением режимов. Условия мультипликативности стационарного распределения состояний замкнутой сети.
курсовая работа [199,4 K], добавлен 21.02.2010Расчет характеристик фильтра во временной и частотной областях с помощью быстрого преобразования Фурье, выходного сигнала во временной и частотной областях с помощью обратного быстрого преобразования Фурье; определение мощности собственных шумов фильтра.
курсовая работа [2,8 M], добавлен 28.10.2011Разработка модели работы фильтра с использованием микроконтроллера ATMEGA 8535 в среде CodeVision AVR. Тестирование ее работоспособности odesolve с помощью дифференциальных уравнений, решением конечно-разностных уравнений функцией mysolve в среде MathCad.
курсовая работа [303,3 K], добавлен 03.01.2015Расчет полосно-пропускающего фильтра Баттерворта, проверка его симметричности и коэффициента перекрытия. Определение передаточной функции проектируемого фильтра. Расчет каскадов, потребляемых токов, мощности, надежности. Выбор элементной базы устройства.
курсовая работа [343,5 K], добавлен 15.01.2015Основные источники шумов и помех сигналов ЭКГ. Обобщенная структурная схема кардиомонитора. Алгоритм работы микроконтроллера ADuC847. Программа реализации фильтра посредством решения уравнения. Программирование и отладка системы в целом с помощью ProView.
курсовая работа [911,9 K], добавлен 10.05.2015Классификация сетей и способы коммутации. Виды связи и режимы работы сетей передачи сообщений. Унификация и стандартизация протоколов. Эталонная модель взаимосвязи открытых систем. Особенность подготовки данных. Взаимодействие информационных систем.
реферат [18,9 K], добавлен 15.09.2014Нахождение коэффициентов фильтра с помощью программного пакета MatLab. Структурная схема прямой канонической формы фильтра. Листинг программного пакета visual DSP++. Построение амплитудно-частотной характеристики синтезированного фильтра, расчет графика.
курсовая работа [1,5 M], добавлен 23.04.2013Структурная схема цифрового фильтра. Расчет устойчивости, построение графиков. Виды свертки дискретных сигналов. Определение выходного сигнала в частотной области с помощью алгоритма "бабочка". Схема шумовой модели фильтра, мощность собственных шумов.
курсовая работа [641,3 K], добавлен 15.10.2013Спектральный анализ и расчет дискретизируемого сигнала, оценка его погрешности. Исследование частотных и временных характеристик восстанавливающего фильтра. Проверка основных расчетных результатов с помощью имитационного (схемотехнического) моделирования.
лабораторная работа [530,5 K], добавлен 21.03.2014Моделирование вихретокового контроля с помощью системы намагничивающих и измерительной катушек. Исследование зависимости информативного сигнала при разных частотах для различных форм дефектов. Расчет информативных признаков. Построение нейронных сетей.
курсовая работа [1,4 M], добавлен 27.10.2010Процесс дискретизации сигнала, заданного аналитически. Преобразование сигнала в цифровую форму с помощью аналого-цифровых преобразователей. Дискретизация непрерывных сигналов, их квантование по уровню. Расчет коэффициентов для низкочастотного фильтра.
курсовая работа [755,5 K], добавлен 11.02.2016Распространение цифровых стандартов в области сотовых сетей подвижной радиосвязи. Максимальное число обслуживаемых абонентов как основная характеристика системы подвижной радиосвязи. Достоинствами транкинговых сетей. Европейский проект стандарта W-CDMA.
контрольная работа [26,3 K], добавлен 18.09.2010Структурная схема и расчет устойчивости цифрового фильтра. Расчет X(jkw1) и H(jkw1) с помощью алгоритмов БПФ и ОБПФ. Определение мощности собственных шумов синтезируемого фильтра. Реализация заданной характеристики H(Z) на сигнальном процессоре 1813ВЕ1.
контрольная работа [144,2 K], добавлен 28.10.2011
