CC BY
7новые селективные направленные ответвители [8] и методы обработки сигналов на выходе нетрадиционных волоконных световодов [9].
Таким образом, специализированные волоконные световоды позволяют транспортировать и создавать различные состояния ОАМ, используемые в сегментах ВОЛС и АОЛС для многообразных оптических комбинированных линий телекоммуникаций. Современные КОТС интенсивно совершенствуются, что подтверждается так же недавними экспериментами работы [2].
Список литературы
1. Gibson G., Courtial J., Padgett M. et al. Free-space information transfer using light beams carring orbital angular momentum // Optics Express. - 2004. - v. 12. -Is. 22. - p. 5448 - 5456.
2. Krenn M., Fickler R., Fink M., Handsteiner J., Malik M., Scheidl T., Ursin R. // A.Z., arXiv: 1402.2602; Ученые впервые осуществили передачу информации на большое расстояние при помощи «закрученного» света // Лазер-Информ. - 2014. - № 22 (541). - (ноябрь) - с. 12.
3. Кузяков Б.А., Мораренко В.В., Шмелев В.А. Современные методы реализации и селекции орбитальных угловых моментов фотонов в оптических комбинированных линиях связи // Труды IV-й Международной конференции по фотонике и информационной оптике. М.: НИЯУ МИФИ. - 2014. - с. 24 - 25.
4. Кузяков Б.А., Тихонов Р.В. К проблеме повышения доступности оптической телекоммуникационной
системы с атмосферными сегментами // Труды III-й Всероссийской конференции по фотонике и информационной оптике. М.: НИЯУ МИФИ. - 2014.- c. 23 -24.
5. Масалов А.В. Спиральные световые пучки и угловой момент излучения // Сборник статей конф. «12 Международные чтения по квантовой оптике (IWQO-2015)», г. Троицк, 11-16 Август 2015. - с. 33.
6. Павлов Н.М. Коэффициент готовности атмосферного канала АОЛП и методы его определения // Фотон-Экспресс. - 2006. - №6. - с. 78-90.
7. Sanchez D.J., Oesch D.W. Localization of angular momentum in optical waves propagating through turbulence // Optics Express. - 2011. - v. 19. - Is. 25.-p. 25388 - 25396.
8. Funes G., Vial M., Anguita J.A. Orbital-angular-momentum crosstalk and temporal fading in a terrestrial laser link using single-mode fiber coupling // Optics Express. - 2015. - Vol. 23. - Is. 18. - p. 23133 -23142.
9. Xu J., Chen Y. General coupled mode theory in non-Hermitian waveguides // Optics Express. - 2015. -Vol. 23. - Is. 17. - p. 22619 - 22627.
10. Ung B., Vaity P., Wang L., Messaddeg Y., Rusch L.A., LaRochelle S. Few-mode fiber with inverse-parabolic graded - index profile for transmission of OAM-carrying modes // Optics Express. - 2013. - v. 22.- No. 15.- p. 18044-18055.
ДЕТЕКТИРОВАНИЕ ДОРОЖНЫХ ЗНАКОВ НА ОСНОВЕ ТЕКСТУРНЫХ И ЦВЕТОВЫХ
ПРИЗНАКОВ С ПОМОЩЬЮ ОБУЧЕННОЙ НЕЙРОННОЙ СЕТИ
Максимовский Александр Сергеевич
аспирант 2 курса ЯрГУ им. П.Г. Демидова Палочкин Виталий Валерьевич
аспирант 2 курса ЯрГУ им. П.Г. Демидова
THE ROAD SIGNS DETECTION BASED ON THE TEXTURAL AND COLOUR SIGNS WITH NEURAL NETWORK TRAINING Maximovskiy Aleksander, second year postgraduate student of Yaroslavl Demidov State University Palochkin Vitaliy, second year postgraduate student of Yaroslavl Demidov State University
АННОТАЦИЯ
Задача распознавания объектов актуальна для решения задач обнаружения, дистанционного управления системами и цифровой обработки изображений. Целью данной работы является программная реализация алгоритма детектирования некоторых специально отобранных дорожных знаков по цветовым и текстурным признакам. В данной работе были программно реализованы алгоритм детектирования дорожных знаков по цветовым признакам с помощью алгоритма Лукаса-Канаде и алгоритм детектирования дорожных знаков по цветовым и текстурным признакам, проведено исследование зависимости вероятности правильного детектирования дорожных знаков от их формы.
ABSTRACT
The problem of objects recognition relevant to the challenge of detection, remote control systems and digital image processing. The goal of this work is software implementation of the road signs detection algorithm for color and texture features. The road signs detection algorithm on color attributes using the algorithm of Lucas-Canada and the road signs detection algorithm on color and texture features were implemented in this work. Depending on the probability of correct detection of the road signs on their forms was investigated.
Ключевые слова: цветовые признаки, текстурные признаки, алгоритм Лукаса-Канаде, нейронная сеть, диаграмма Вороного, триангуляция Делоне.
Keywords: color signs, texture signs, algorithm of Lucas-Canada, neural network, Voronoi diagram, Delaunay triangulation.
В данной работе рассматривается распознавание дорожных знаков по цветовым и текстурным признакам. В качестве входного потока цифровых изображений берется видеопоток с веб-камеры, каждый кадр которого размером 640x480 и на каждом из которых изображен какой-либо один из специально отобранных дорожных знаков. На входном видеопотоке пользователь выделяет кликом мыши пиксель дорожного знака для распознавания. На основе указанного пикселя формируется вектор признаков. Этот вектор подается на «обученную» ранее нейронную сеть, и на каждом последующем кадре будет выделяться тот объект, который удовлетворяет выходному вектору нейронной сети.
Целью данной работы является программная реализация алгоритма детектирования дорожных знаков по цветовым и текстурным признакам и исследование качества распознавания этих знаков на основе их формы.
Для детектирования объекта по цвету определяются координаты указанного пользователем пикселя дорожного знака как в пространственных координатах, так и в координатах RGB. На каждом кадре видеопотока выделяются объекты, пиксели которых попадают в эпсилон-окрестность цветовой системы RGB указанного пользователем пикселя. Графическое изображение эпсилон-окрестности представлено на рис. 1. [1]
Рисунок 1. Эпсилон-окрестность в цветовой системе RGB
Затем каждое изображение сглаживается гауссов-ским фильтром и производится обнаружение контуров с помощью детектора Кенни.
Для практического применения алгоритма детектирования объекта необходимо, чтобы на каждом кадре видеопотока выделялись не все объекты, пиксели которых попадают в эпсилон-окрестность, а только дорожный знак, внутри которого находится указанный пользователем пиксель. Для этого определяются координаты указанного пользователем пикселя объекта в пространственных координатах и реализуется алгоритм слежения за данным
1(х + 5х,у + 5уД + 50 = I (х, у
Отсюда следует, что вектор оптического потока (Ух,Уу) является решением системы уравнений (2).
пикселем. В данной работе в качестве такого алгоритма используется алгоритм Лукаса - Канаде.
Пусть интенсивность указанного пользователем пикселя равна 1(х,уД). При смещении пикселя на следующем кадре, его интенсивность станет равной 1(х + 5х,у + 5уД + 5£), где 5х и 5у - это смещения, а t - это номер кадра в последовательности. Эти интенсивности равны. Предположив, что смещение между кадрами мало, интенсивность 1(х + 5х,у + 5у, t + 5£) раскладывается в ряд Тейлора (1).
ч dI dI dI
t) + — * 5x + — * 5y + — * 5t dx dy dt
(1)
vx
Ix(qz)*Vx+ Iy(qz)*Vy = - It(q2) Ux(qJ * Vx + Iy(qn) * Vy = - It(qn)
(2)
Решая данную систему с помощью метода наименьших квадратов, вычисляется вектор оптического потока (3). [2]
(3)
Ч\ = (й 1х(^)2 Б ¡хЫ * /- £ ЬЫ *
Vy) 1Х(^) * 1у(^) й 1у^)2) * £ 1Х(^) * Ц^))
Результаты работы алгоритма детектирования дорожных знаков «Пешеходный переход» и «Остановка запрещена» с алгоритмом Лукаса-Канаде представлены на рис. 2.
Рисунок 2. Работа алгоритма детектирования с алгоритмом Лукаса-Канаде
Проблемы начинаются при детектировании внутренних составляющих дорожного знака «Остановка запрещена». Если пользователь выберет лишь один из четырех внутренних синих кусочков, то и детектирование с помощью алгоритма Лукаса-Канаде будет проходить только этого кусочка. Результаты работы алгоритма детектирования дорожного знака «Остановка запрещена» с алгоритмом Лукаса-Канаде при выделении двух кусочков или всех четырех представлены на рис. 3.
Алгоритм Лукаса-Канаде решает задачу детектирования, но он чувствителен к освещению в помещении. Также одним из его минусов является тот факт, что если объект убрать из обзора веб - камеры, то слежение за интересующим пикселем срывается. Поэтому в данной работе рассматривается другой метод, основанный на детектировании дорожных знаков как по цветовым, так и по текстурным признакам. [3]
Рисунок 3. Работа алгоритма детектирования с алгоритмом Лукаса-Канаде при распознавании кусочков знака
«Остановка запрещена»
Под текстурой понимают пространственную организацию элементов в пределах некоторого участка поверхности. Эта организация обусловлена определенным статистическим распределением интенсивности серых тонов или тонов различного цвета. Участок может считаться текстурным, если количество отмечаемых на нем перепадов интенсивности или изменений цвета достаточно велико.
Также текстурой называют некоторым образом организованный участок поверхности. Еще одно определение текстуры: текстура - это матрица или фрагмент пространственных свойств участков изображений земной поверхности с однородными статистическими характеристиками.
В данной работе используются признаки, основанные на статистических характеристиках уровней интенсивности элементов разложения. В качестве таких признаков используются статистические моменты различных порядков. Момент - это суммарная характеристика контура, рассчитанная интегрированием (суммированием) всех пикселей контура. Момент (р,q) определяется формулой (4). В этой формуле р и q - это порядок возведения в степень соответствующего параметра при суммировании, п -число пикселей контура, 1(х,у) - интенсивность пикселя с координатами х и у.
п
М(р,я) = ^1(х,у)*хр*уЧ (4)
i=1
Исходя их определения, что момент М(0,0) - равен длине пикселей контура.
Таким образом, сравнение двух контуров можно свести к сравнению их моментов. Однако, моменты,
найденные по простой формуле (4) имеют существенные недостатки:
- они не позволяют сравнить контуры одинаковой формы, но разных размеров, поэтому их, сначала нужно нормализовать (операция эквализации контуров (приведение к единой длине) - позволяет добиться инвариантности к масштабу).
- зависят от системы координат, поэтому не позволят определить повёрнутую фигуру.
По этим причинам используются нормализованные инвариантные моменты.
Центральные моменты Ми(р,q) вычисляются по формуле (5). В этой формуле ХС и YC - центры масс, которые вычисляются по форме (6).
п
Ми(р, Я) = ^ 1(х, у) * (х - Хс)р * (у - Yc)q (5)
i=1
М(1,0) м(0,1)
X = Y = (6)
Хс M(0,0),Ic M(0,0) (6)
Вычисление нормализованных центральных моментов ^^ я) производится по формуле (7).
ми(р,я)
= М(0,0)(^)/2+1) (7)
Далее вводится понятие линейной комбинации центральных моментов по формулам (8) - (14). Идея состоит в том, что комбинируя различные нормализованные центральные моменты возможно создать инвариантное представление контуров, не зависящее от масштаба, вращения и отражения.[4]
Ни(0) = Ыи(2, 0) + Ш(0,2) (8)
Ни(1) = (Ш(2,0) - Ыи(0,2))2 + 4 * Ш(1,1) 2 (9)
Ни(2) = (Ыи(3, 0) - 3 * Ыи(1,2))2 + (3 * Ыи(2,1) - Ш(0, 3))2 (10)
Ни(3) = (Ш(3,0) + Ыи(1,2))2 + (Ыи(2,1) + Ш(0,3))2 (11)
Ни(4) = (Ыи(3, 0) - 3Ш(1,2)) * (Ыи(3, 0) + Ш(1,2)) * * [(Ш(3,0) + Ыи(1,2))2 - 3 * (Ш(2,1) + Ыи(0, 3))2] + (3Ш(2,1) - Ыи(0,3)) * (N(2,1) + N(0,3)) * [з * (N(3, 0) + N(1,2))2 - (N(2,1) + N(0, 3))2] (12)
Hu(5) = (Nu(2,0) - Nu(0,2)) ** [(Nu(3, 0) + Nu(1,2))2 - (Nu(2,1) + Nu(0,3))2] + 4 * N(1,1) * * (Nu(3,0) + Nu(1,2)) * (N(2,1) + N(0,3)) (13)
Hu(6) = (3Nu(2,1) - Nu(0, 3)) * (Nu(2,1) + Nu(0, 3)) * * [з * (Nu(3,0) + Nu(1,2))2 - (Nu(2,1) + Nu(0,3))2]
- (Nu(3,0) - 3Nu(1,2)) * (N(2,1) + N(0,3)) * [3 * (N(3, 0) + N(1,2))2 - (N(2,1) + N(0, 3))2] (14)
В данной работе детектирование осуществляется на основе именно этих линейных комбинаций центральных моментов. Пользователь щелчком мыши выделяет контур, и на каждом изображении видеопотока выделяются те объекты, у которых совпадают как цветовые параметры, так и данные линейные комбинации центральных
моментов с параметрами и моментами указанного контура в определенном приближении. [5]
Результаты работы алгоритма детектирования дорожных знаков «Пешеходный переход» и «Остановка запрещена» по цветовым и текстурным признакам представлены на рис. 4.
Рисунок 4. Результаты работы детектора по цветовым и текстурным признакам
Отдельно следует исследовать работу детектора по цветовым и текстурным признакам при распознавании кусочков знака «Остановка запрещена». В данном случае детектирование производится всех кусочков сразу, даже при указании на какую-либо область лишь одного из них.
Результаты работы алгоритма детектирования дорожного знака «Остановка запрещена» по цветовым и текстурным признакам при выделении всех четырех кусочков представлены на рис. 5.
Рисунок 5. Результаты работы детектора по цветовым и текстурным признакам при распознавании кусочков знака
«Остановка запрещена»
Для дальнейшего улучшения качества детектирования объектов цветовым и текстурным признакам необходимо глубже исследовать зависимость вероятности правильного детектирования от количества опорных векторов признаков и количества нейронов на скрытых слоях.
Список литературы
1. Шапиро Л., Стокман Дж. Компьютерное зрение. Пер. с англ. - М.:БИНОМ. Лаборатория знаний, 2006. - 752 с.
2. Lucas B. D., Kanade T. An iterative image registration technique with an application to stereo vision. (1981).
3. Максимовский А.С., Палочкин В.В. Детектирование объектов по интерактивно задаваемым текстурным и цветовым признакам с помощью обучения
нейронной сети. V Международная научно-практическая конференция: «Научные перспективы XXI века. Достижения и перспективы нового столетия». «Международный научный институт Educatio», ежемесячный научный журнал №5/2014. РИНЦ. С. 103 - 107.
4. Харалик Р. М. Статистический и структурный подходы к описанию текстур// ТИИЭР. - 1979. - Т. 67, № 5.
5. Computational geometry and computer graphics in C++/ by Michael J. Laszlo. ISBN 0-13-290842-5. QA76.73.C153L38. - 1996.
