Классификация методов распознавания дорожных знаков по видеопоследовательности Текст научной статьи по специальности «Компьютерные и информационные науки»

Программные средства и информационные технологии

УДК 004.78

КЛАССИФИКАЦИЯ МЕТОДОВ РАСПОЗНАВАНИЯ ДОРОЖНЫХ ЗНАКОВ ПО ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ

С. С. Бычков

Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31

E-mail: stbychkov@live.com

Обосновывается важность автоматического распознавания дорожных знаков на видеопоследовательности. Проводится сравнительный анализ существующих методов решения задач локализации и распознавания дорожных знаков.

Ключевые слова: детектор, распознавание, дорожные знаки, видеопоследовательность.

CLASSIFICATION OF TRAFFIC SIGN RECOGNITION METHODS IN A VIDEO

S. S. Bychkov

Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: stbychkov@live.com

The work explains the importance of automatic traffic sign recognition process. It compares several existed methods of solving the problem of traffic sign detection and recognition.

Keyword: detector, recognition, traffic sign, video.

На текущий день, множество автомобилей оснащены различными средствами видеорегистрации, такими как установленный видеорегистратор, мобильный телефон или же встроенный в автомобиль комплекс сенсоров и фиксаторов. Информация о дорожных знаках с данных устройств может быть использована во множестве сфер, начиная от создания систем активной безопасности автомобиля в процессе движения, автоматического создания актуальной карты дорожных знаков и заканчивая реализацией автономной системы движения автомобиля. Поэтому решение задачи распознавания дорожных знаков по видеопоследовательности до сих пор представляет научный интерес.

Процесс распознавания дорожных знаков разделяется на два основных этапа, и первым из них является локализация. На этапе локализации дорожных знаков используются методы, основанные на особенностях цвета и формы дорожных знаков. Данные детекторы определяют и сегментируют области входного кадра видеопоследовательности, цвета которых входят в заранее заданный диапазон. Основной проблемой подобных методов является вариативность результатов поиска искомых областей кадра к наличию различных помех, вызванных изменением освещенности, воздействия погодных условий и т. д. Для решения данной проблемы исследователи используют различных цветовые пространства, такие как [1-3]:

- RGB - используется нормализованный фиксированный диапазон красного цвета;

- HSI - используется для получения информации с кадра, с меньшим воздействием погодных условий и изменением освещенности;

- СГБЬАБ - используется с применением фильтра Габора, что позволяет получить инвариантные результаты относительно интенсивности цвета.

Для решения задачи локализации дорожных знаков на входном кадре с помощью детекторов геометрических признаков, используют такие методы, как:

- преобразование Хафа [4];

- построение карты расстояний [5];

- построение гистограммы направленных градиентов [6].

Основным недостатком по сравнению с методами, основанными на особенностях цвета, является высокая вычислительная сложность алгоритмов.

Также для локализации дорожных знаков используются максимально стабильные области экстремума, при которых исходное изображение обрабатывается пороговой функцией с изменяющимся значением порога [7]. В результате получается новая последовательность изображений, размер которой соответствует количеству различных значений порога. Данный метод является устойчивым к изменению контраста и световых условий.

Работа представленных детекторов может быть скомбинирована для увеличения точности локализации и сегментирования дорожных знаков.

После получения локализованного дорожного знака требуется его классифицировать. Для решения данной задачи используются методы, разделяющиеся на две категории:

- шаблонные методы;

- классификаторы на основе нейронных сетей.

Шаблонные методы выполняют попиксельно

сравнение между сегментированной областью и зара-

Решетневские чтения. 2017

нее созданным шаблоном. Данная техника достаточно проста и дает высокие показатели точности и быстродействия при классификации на предварительно выровненных изображениях. Но для изображений, снятых под определенным углом потребуется создать шаблоны под различными углами наклона и поворота, либо же в процессе сравнения поворачивать и масштабировать сравниваемый шаблон в соответствии с различными ориентирами (направление прямых линий и т. п.). Такие методы называются деформируемыми моделями [8].

Классификаторы основываются на технологиях машинного обучения, что позволяет при должном обучении получать приемлемые результаты классификации вне зависимости от каких-либо внешних помех. Основными алгоритмам в этой категории являются:

- метод опорных векторов;

- нейронные сети;

- регрессионные деревья решений;

Основным недостатком данных методов является

требование правильно выбирать модель обучения, после чего проводить длительное обучение классификатора.

Подводя итоги, можно сделать предположение, что наиболее эффективным будет использование в качестве локализаторов цветовой детектор вместе с одним из геометрических детекторов, предварительно выбрать цветовое пространство HIS. Для классификатора лучше всего подойдет классификатор на основе нейронных сетей, так как вычислительные мощности на распознавание малы, что приемлемо для устройств, не обладающих высокими техническими характеристиками.

References

1. Road-sign detection and recognition based on support vector machines / S. Maldonado-Bascon [et al.] // IEEE Transactions on Intelligent Transportation Systems, 2007. Vol. 8. P. 264-278.

2. Khan J. F., Bhuiyan S. M. A., Adhami R. R. Image segmentation and shape analysis for road-sign detection. IEEE Transactions on Intelligent Transportation Systems, 2011. Vol. 12. P. 83-96.

3. De la Escalera A., Moreno L. E., Salichs M. A., Armingol J. M. Road traffic sign detection and classification. IEEE Transactions on Industrial Electronics, 1997. Vol. 44. P. 848-859.

4. Garcia-Garrido M. A., Sotelo M. A., Martin-Gorostiza E. Fast traffic sign detection and recognition under changing lighting conditions. In Proceedings of ITSC, 2006. P. 811-816.

5. Road-sign detection and recognition based on support vector machines / S. Maldonado-Bascon [et al.] // IEEE Transactions on Intelligent Transportation Systems, 2007. Vol. 8. P. 264-278.

6. Overett G., Petersson L. Large scale sign detection using HOG feature variants. In Proceedings of 2011 IEEE intelligent vehicles symposium, 2011. P. 326-331.

7. Greenhalgh J., Mirmehdi M. Real-time detection and recognition of road traffic signs. IEEE Transactions on Intelligent Transportation Systems, 2012. Vol. 13. P. 1498-1506.

8. De la Escalera A., Armingol J. M., Pastor J. M., Rodriguez F. J. Visual sign information extraction and identification by deformable models for intelligent vehicles. IEEE Transactions on Intelligent Transportation Systems, 2004. Vol. 5. P. 57-68.

© ELHKOB C. C., 2017