Сравнительный анализ алгоритмов распознавания дорожных знаков Текст научной статьи по специальности «Компьютерные и информационные науки»

Рисунок 8 - Гистограмма распределения пострадавших на шахте «Молодёжная»

по стажу за исследуемый период.

Список использованной литературы:

1. Хакимжанов Т.Е. Охрана труда. Учебное пособие для вузов.- Алматы: Эверо, 2006 - 264с.

© Умбаев Б.Н., Имангазин М.К., 2018

УДК 004

М.В. Цуканов

студент 2 курса магистратуры ОГУ имени И.С. Тургенева,

Е-тай: [email protected] Е.В. Пшеничкин

студент 2 курса магистратуры ОГУ имени И.С. Тургенева,

Е-тай: [email protected] г. Орел, РФ

СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ДОРОЖНЫХ ЗНАКОВ

Аннотация

В статье проводится краткий анализ нескольких существующих алгоритмов с целью выявления сильных и слабых сторон, которые позволят определить наиболее пригодный алгоритм для решения вопроса поиска дорожных знаков на изображениях.

Ключевые слова: Распознавание дорожных знаков.

Введение

Теория распознавания образов - раздел информатики, разрабатывающий основы и методы классификации и идентификации объектов, процессов, сигналов, ситуаций, явлений и т. п., которые

характеризуются конечным набором некоторых свойств и признаков.

Вопросы, связанные с распознаванием объектов могут решаться в различных отраслях современного мира. Также они могут отличаться по уровню точности и сложности.

Применяются различные алгоритмы при решении задач распознавания объектов, среди которых можно отметить: сравнение с шаблоном, дескрипторы локальных особенностей, алгоритм Виолы-Джонса, нейронные сети и т.д.

Данная научная область является актуальной и быстроразвивающейся на сегодняшний день, однако существуют не решенные вопросы, которые влияют на эффективность работы современных алгоритмов:

• Низкое качество изображений;

• Изображения со сложным фоном;

• Различный ракурс объектов на изображениях, способствующий геометрическим и фотометрическим искажениям;

• Множество искомых объектов на изображении, количество которых заранее не известно.

Решить данные вопросы возможно при помощи дополнительных подходов предобработки, что

увеличивает вычислительную сложность системы. Таким образом, можно сделать вывод, что до сих пор существует потребность в реализации алгоритмов, связанных с поиском объектов.

Рассмотрим три часто встречаемых алгоритма распознавания дорожных знаков на изображениях и выявим ряд достоинств и недостатков каждого.

Поиск дорожных знаков по цвету

Основной принцип алгоритма заключается в определении знака по его цвету.

Поступающий на вход сигнал состоит из изображений (кадры из видео), идущих в определенной последовательности, вдобавок каждое изображение представлено в цветовом пространстве RGB. Из этого следует, что для поиска знака на кадре по цвету требуется обрабатывать три составляющие, а именно матрицы размером M на N для каждого цвета - MxNx3. Также стоит отметить, изменение одной из составляющих цвета влияет на допустимые значения других составляющих (изменение G влияет на допустимые значения R и B).

Следовательно, целесообразно будет использовать другое цветовое пространство - HSV. В нем эффективность выделения нужного цвета выше по сравнению с пространством RGB. Поэтому для преобразования изображения из цветовой модели RGB в модель HSV используют следующие формулы[3]:

V ^ max(R, G,B)

(V - min(R, G,B)

s J-$-hf v*o

v0, otherwise

60(G-B)

—r-'if V = R

60CB-R) 120 + —^-if V = G

60(R - G)

240 + —^- , lf V = B

H ^

Если H <0, то H = H + 360 HSV (Hue, Saturation, Value — тон, насыщенность, значение) — цветовая модель, в которой [1]:

• Hue — цветовой тон, (например, красный, зелёный или синеголубой). Варьируется в пределах 0— 360°, однако иногда приводится к диапазону 0—100или 0—1.

• Saturation — насыщенность. Варьируется в пределах 0—100 или 0—1. Чем больше этот параметр, тем «чище» цвет, поэтому этот параметр иногда называют чистотой цвета. А чем ближе этот параметр к нулю, тем ближе цвет к нейтральному серому.

• Value (значение цвета). Также задаётся в пределах 0—100 и 0—1.

Следует отметить, что устройство модели HSV является наиболее близким к человеческому восприятию цветов.

Зная диапазоны значений HSV цвета знака при разных видах освещениях (день, вечер, ночь) мы сможем с высокой точностью определить прямоугольную область со знаком и снизить нагрузку на устройство, производящее вычисления. Например, изучив данные из интернета видим, что значения оттенков красного цвета на знаке находится в диапазонах, представленных в таблице 1.

Таблица 1

Диапазоны красного цвета

Ясно Дождь Вечер Ночь

300 < H < 360 300 < H < 360 300 < H < 360 22 < H < 360

HSV 0.7 < S < 1 0.7 < S < 1 0.7 < S < 1 0.7 < S < 1

0.5 < V < 1 0.5 < V < 1 0.5 < V < 1 0.5 < V < 1

Источник: [1, с. 4, таблица 1

После преобразования цветовой модели проверяется каждый пиксель на изображении, путем подстановки каждого значения в промежутки из таблицы. Если условия соблюдаются, то пикселю присваивается белый цвет, иначе черный. По завершении проверки всех пикселей на изображении останутся только контуры дорожных знаков.

Достоинства:

• простота реализации;

• низкая нагрузка на устройство, с помощью которого производят вычисления;

• устойчивость к смене погодных условий;

• адаптация алгоритма под все существующие классы дорожных знаков.

Недостатки:

• обнаружение всех дорожных знаков на изображении, подходящих под определенный цвет, даже если этого не требуется;

• выгорание (износ) или загрязнение покрытия дорожного знака могут повлиять на результат работы.

Использование базовых функций библиотеки компьютерного зрения OpenCV

Входной сигнал также, как и в предыдущем алгоритме состоит из кадров, идущих в определенной последовательности. Затем каждое изображение подготавливают для поиска форм, похожих на дорожные знаки. Поэтому требуется перевести кадр в черно-белый формат (функция суСуСо1ог) и выделить границы объектов оператором Кэнни (функция суСаппу). Далее осуществляется поиск всех замкнутых контуров. Для данной задачи используется функция cуFindContours, на вход которой подается черно-белое изображение с контурами.

На завершающем этапе происходит выбор контуров, удовлетворяющих определенным условиям. Анализируется площадь и периметр контура с помощью функций суСопШигАгеа и cуContourPerimeter. Зная данные параметры, мы сможем определить компактность, т.е. определить схожесть объекта с геометрической фигурой (например, компактность круга равна 0,79). Компактность вычисляется по следующей формуле:

с=т-

где С - компактность,

S - площадь (суСойошАгеа),

Р - периметр(cуContourPerimeter).

Если значение компактности находится в допустимых пределах для требуемой геометрической фигуры, то проводится дополнительная проверка на совпадение моментов контуров с помощью функции

cvMatchShapes, другими словами, данная функция сравнивает контур с контуром-шаблоном и выдает уровень их отличия. По результатам исследований, можно сказать, что максимальное сходство достигается при значениях функции меньше 0,06-0,08.

Достоинства:

• простота реализации;

• детектор границ Кэнни имеет эффект сглаживания для удаления шума. Это позволяет определить контур с высокой точностью и исключить обнаружение ложных границ в тех местах, где объекты отсутствуют.

Недостатки:

• схожесть с геометрическими фигурами не только дорожных знаков, но и других объектов, которые могут встретиться на пути следования автомобиля;

• неустойчивость к изменению погодных условий, возможно искажение контура объекта.

Алгоритм Виолы-Джонса

Метод Виолы-Джонса - один из наиболее популярных алгоритмов, он позволяет с высокой скоростью найти области расположения объектов на изображениях. Главная задача алгоритма заключается в обнаружении лиц, однако, он используется и для распознавания различных классов объектов, а именно дорожных знаков. Метод имеет множество реализаций, не исключение библиотека компьютерного зрения ОрепСУ и функция cvHaarDetectObjects.

Основная идея при создании алгоритма Виолы-Джонса для распознавания объектов является выделение признаков (локальных особенностей) изображения и последующего обучения алгоритма на них.

Локальные особенности, используемые алгоритмом, используют суммирование пикселей из прямоугольных областей изображения. Признаки, использованные Виолой и Джонсом, содержат более одной прямоугольной области. На рисунке 1 показаны примеры прямоугольных признаков, которые используются в стандартном методе Виолы-Джонса и называются примитивами Хаара.

Рисунок 1 - Типы прямоугольных признаков

Искомые значения прямоугольных признаков вычисляются вычитанием суммы пикселей в белых прямоугольниках из суммы пикселей в черных прямоугольниках. Вопреки чувствительности

прямоугольных признаков к горизонтальным и вертикальным особенностям изображения, они весьма примитивны, и результат их поиска груб. Тем не менее, если изображение сохраняется в интегральном формате, т.е. во всех пикселях изображения хранится сумма всех соседних пикселей, находящихся выше и слева, проверка признака на определенной области проводится за константное время, что является преимуществом в сравнении с более точными вариантами. Каждая область в используемых признаках всегда граничит с другими прямоугольными областями, в следствии это расчет признака с 2 прямоугольниками состоит из 6 обращений в интегральный массив, а для признака с 4 прямоугольниками из 9 обращений.

Достоинства:

• возможно обнаружение достаточно большого количества объектов на исходном изображении;

• высокая скорость обнаружения благодаря использованию простых классификаторов объектов во время работы алгоритма поиска;

• возможность обучения алгоритма на нахождение любых объектов;

• возможен не только поиск дорожных знаков на исходном изображении, но и их распознавание. Недостатки:

• сложность реализации за счет продолжительного время обучения. Во время обучения алгоритму требуется проанализировать большое количество изображений;

• объемное количество близко расположенных друг к другу результатов из-за применения различных масштабов.

Заключение

В данной статье были выявлены достоинства и недостатки применения каждого из алгоритмов поиска дорожных знаков на изображении. Проанализировав информацию, полученную в ходе анализа, пришли к выводу, что для решения задачи поиска целесообразнее всего использовать связку из двух алгоритмов, а именно поиск дорожного знака по цвету и использование базовых функций библиотеки компьютерного зрения, так как они взаимодополняют другу друга, исключая недостатки каждого из алгоритмов.

В качестве основного алгоритма поиска следует использовать поиск по цвету. После обнаружения всех дорожных знаков можно отсеять только нужные, в этом может помочь второй алгоритм. Он выберет только те объекты, которые будут удовлетворять интересующей нас форме дорожного знака.

Следует отметить, что поиск по цвету в качестве результата выдает черно-белое изображение, на котором изображены контуры дорожных знаков с четко выраженной формой, а следовательно второму алгоритму требуется только сопоставить формы найденных объектов с геометрическими фигурами и вырезать области, соответствующие условиям выборки, с исходного изображения.

В итоге данное сочетание поможет исключить некоторые недостатки каждого из алгоритмов с минимальной потерей производительности.

Список использованной литературы:

1. Попов Е.Ю., Крыжановский Д.И. Алгоритм распознавания дорожных знаков ограничения скорости // Современные научные исследования и инновации. 2012. № 6 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2012/06/14717 (дата обращения: 20.01.2018).

2. Романов П.В. Алгоритм распознавания дорожных знаков // Молодежный научно-технический вестник. 2014. [Электронный ресурс]. URL: http://sntbul.bmstu.ru/doc/722125.html (дата обращения: 20.01.2018).

3. Журавель И.М. Краткий курс теории обработки изображений. - М., 1999.

4. Гонсалес Р., Вудс Р. Цифровая обработка изображений. - М.: Техносфера - 2005. - 1072 с.

5. P. Viola and M.J. Jones, «Rapid Object Detection using a Boosted Cascade of Simple Features», proceedings IEEE Conf. on Computer Vision and Pattern Recognition (CVPR 2001), 2001

© Цуканов М.В., Пшеничкин Е.В., 2018