Прикладное использование M2M-технологий: разработка iOS-приложений для распознавания дорожных знаков. Назначение и применение системы распознавания дорожных знаков

Водителю при управлении транспортным средством приходится выполнять множество разнообразных действий в зависимости от складывающейся ситуации, и самое главное, она быстро меняется. Изменения обстановки или рельефа дороги зачастую не позволяют своевременно отследить установленные ограничения, и хорошо, если такие ошибки остаются без последствий. Чтобы облегчить весь этот процесс, автопроизводителями в помощь водителю, на некоторые модели авто устанавливается система распознавания дорожных знаков.

Что это такое?

Такая функция как распознавание дорожных знаков используется на автомобилях BMW, Opel, Mercedes-Benz и других. По сути дела, все базируется на работе видеокамеры, расположенной перед зеркалом обзора заднего вида и направленной по ходу движения. Работает такая система распознавания дорожных знаков следующим образом – видеокамера сканирует местность перед собой.

Полученное изображение передается в электронный блок, где распознается, и при его соответствии тем требованиям, которые заложены в устройство, на панели приборов высвечивается нужный символ, что порой сопровождается звуковым сигналом.


Чаще всего предметом анализа является ограничение скорости. При распознавании анализируется:

• форма знака;
• его цвет;
• значение надписи (скорости);
• содержание ограничения (вид ТС, на которое данное ограничение распространяется, время и зона действия);
• фактическая скорость машины.

Система распознавания дорожных знаков непрерывно улучшается и расширяется, в ее базе появляются новые знаки, такие как запрещение обгона и одностороннее движение. Для лучшего восприятия обстановки в сложных метеорологических условиях камера дополняется инфракрасным прожектором.

Чем это хорошо, и что в этом плохого?

То, что подобная система распознавания дорожных знаков может оказаться полезной водителю, не вызывает сомнений. Все, что облегчает его труд, помогает управлению и обеспечивает безопасность, должно оцениваться только положительно. Однако не стоит возлагать на это устройство слишком больших надежд, во всяком случае, пока.


Дело в том, что система зачастую не способна правильно идентифицировать знак. Когда он завален, криво установлен, или плохо читаем, то устройство его просто не видит. В то же время и скорость движения машины влияет на распознавание изображения. Чем она выше, тем хуже или с большей задержкой начинает работать такое изделие.

Кроме того, не стоит забывать о ложных срабатываниях. Отмечены случаи, когда изображения, нанесенные на другие транспортные средства, движущиеся в попутном направлении (на автобусах, грузовиках), воспринимаются системой как ограничения, и она при этом выдает соответствующее предупреждение.

Такое устройство, как система, распознающая дорожные знаки, несомненно может считаться полезным на автомобиле, но на него не стоит слишком полагаться. В любом случае, ответственность за безопасность движения несет водитель, да и штраф за превышение скорости платить придется именно ему.

Современные мегаполисы кишат большим количеством автомобилей. Из-за этого у любого приезжего возникает масса трудностей и неприятностей, вплоть до дорожно-транспортного происшествия. Дело в том, что не каждый знает особенности города, где располагаются дорожные знаки и что они означают. Для подобных ситуаций инженеры и придумали систему для распознавания дорожных знаков. Теперь водителю не придется особо смотреть по сторонам, следить за всеми дорожными знаками.

Что это за система?

Чтобы облегчить жизнь водителей, инженеры придумали довольно интересную систему для распознавания дорожных з наков. Ее главная задача состоит в предупреждении водителя о приближающемся дорожном знаке, перекрестке и так далее. Теперь у вас не будет возникать проблем и трудностей по поводу пропущенного знака.

Стоит отметить, что название системы может немного отличаться, все зависит от производителя и особенностей видения. Но, в общем, встречается аббревиатура TSR , которая расшифровывается как Traffic Sin Reconition . Применяется у таких производителей как , , и многих других.

К небольшой особенности следует отнести компанию Opel . Дело в том, что система распознавания знаков сразу же внедряется в комплекс Opel Eye , что довольно удобно и практично. В 2010-м году подобная система получила большое количество положительных отзывов не только от экспертов, но и простых водителей. За все время существования системы уменьшилось количество дорожно-транспортных происшествий. В систему входит не только распознавание знаков и пешеходов, но и автоматическая парковка.

Что касается компании Mercedes - Benz , то здесь система имеет особенность в ограничении скоростного режима. Теперь водитель не сможет превышать положенную скорость, даже на несколько километров. Специалисты отмечают, что система может быть как самостоятельной, так и входить в целый комплекс по защите и предупреждению.

Из чего состоит система

Отдельного внимания заслуживают компоненты системы, из чего она состоит. Практически каждый производитель использует следующий список:

· Видеокамера, которая устанавливается на ветровое стекло;

· Центральный блок для управления;

· Дисплей, чтобы выводить информацию.

Конечно, список может дополняться, все зависит от производителя и его желания. Специалисты отмечают, что подобное расположение камеры, на уровне головы водителя, является оптимальным. Ведь за счет такого подхода система без особого труда считывает информацию и передает ее на дисплей транспортного средства. Камера выполнена с применением качественной оптики, материалов и технологий.

Всего существует два поколения системы:

· Первое только информирует водителя о приближающемся знаке. Оно способно распознать знак ограничения скорости, запрета на обгон;

· Второе помимо считывания информации показывает, что нарушил водитель и где именно. Может распознавать знак движения без остановки запрещено, жилой зоны, начала и конца населенных пунктови преимущества движения.

Что касается второго поколения, то здесь применяется умный блок управления с операционной системой. При необходимости система обновляется, чтобы пополнять количество знаков.

Как работает система?

Что касается самого принципа работы, то здесь нет ничего сложного. Основным является камера, которая устанавливается на лобовое стекло. Она снимает весь путь водителя, в любое время года и суток. Камера крепится на стороне пассажира и сверху от водителя. Расположение может варьироваться в зависимости от особенностей дорожного движения. Камера способна распознавать пассажиров, что довольно удобно.

Полученная информация передается на центральный блок транспортного средства. Далее действия варьируются в зависимости от поколения. Если у водителя имеется только первое поколение, то происходит сравнение с базой и выдача знака на дисплей. Если второе поколение, то помимо выдачи знака и сравнения с базой данной водитель получает полную информацию о возможном нарушении. При таком подходе можно сразу понять, придется ли тратить деньги на штраф или нет.

Специалисты отмечают, что современная система распознавания знаков запоминает сразу несколько действий. Дело в том, что в настоящее время существует большое количество знаков с продолжительным действием. Если подобное не учитывать, то возникнет масса неприятностей.

Многие говорят, что следующее поколение системы получит возможность не только считывать знаки, но и использовать правило дорожного движения, давать рекомендации в некоторых ситуациях. Подобное понадобится новичкам, кто только сел за руль транспортного средства.

Вывод

Система распознавания знаков пользуется большой популярностью. Она облегчает жизнь водителей, позволяет предотвращать неприятные ситуации.

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.

Подобные документы

Дорожные условия как фактор, определяющий надежность работы водителя. Оценка влияния, качества, правильности установки и информативности дорожных знаков и иных сооружений на безопасность дорожного движения. Назначение и классификация дорожных знаков.

дипломная работа , добавлен 11.12.2009


Особенности и формы маршрутного ориентирования в городах. Установка знаков на пересечениях в одном уровне. Принципы размещения и проектирования дорожных знаков индивидуального проектирования. Компоновка и расчет знаков индивидуального проектирования.

курсовая работа , добавлен 08.12.2008


Общая характеристика дорожных знаков: предупреждающие, приоритетные, запрещающие, предписывающие, информационные, сервисные и знаки дополнительной информации. Анализ эффективности работы технических средств организации дорожного движения на перекрестке.

курсовая работа , добавлен 19.12.2011


Правила перехода на перекрестке, пешеходном переходе или другом участке дороги. Изучение дорожных знаков для водителей транспортных средств. Регулирование движения светофором на дорогах. Значение в городе наземных и подземных переходов для пешеходов.

презентация , добавлен 14.02.2014


Исследование дорожных условий и схемы организации дорожного движения в месте совершения ДТП. Механизм развития ДТП по версии участников ДТП. Определение скорости движения автомобиля перед торможением и минимально допустимой дистанции между автомобилями.

курсовая работа , добавлен 01.03.2010


Виды дорожной разметки. Расчёт геометрических параметров. Перечисление и обоснование применения разметки на проектируемой развязке. Перечисление и обоснование применения знаков на проектируемой развязке. Правила применения дорожных знаков, разметки.

курсовая работа , добавлен 21.06.2010


Метод выявления опасных участков дороги на основе анализа данных о дорожно-транспортных происшествиях (ДТП). Метод коэффициентов аварийности. Основные виды ДТП. Анализ основных характеристик дорожных условий и эксплуатационного состояния дороги.

курсовая работа , добавлен 08.10.2014

Иван Ожиганов Июль 9, 2013

Будущее рынка программного обеспечения и мобильных приложений в частности тесно связано с прикладным использованием M2M-технологий, позволяющих реализовывать новые интересные идеи и внедрять более совершенные решения в самых различных областях: безопасности, удаленного видеонаблюдения, автоматизации производства, потребительской электроники и других.

В 2014 Apple планирует запустить iOS in the Car - мобильную платформу, позволяющую использовать iOS-устройства через интерфейс автомобиля, и сейчас наша команда работает над созданием прототипа приложения-помощника водителя для iOS-устройств.

Обзор проекта

Идея проекта - добавить к возможностям iOS-устройств функции штурмана, «умного видеорегистратора». Задача текущего этапа - разработать приложение-прототип, которое не только ведет запись дорожных событий, как обычный регистратор, но и распознает встречающиеся дорожные знаки, предупреждая о них водителя. Функция предупреждения важна, т. к. зачастую водители не успевают заметить знак или быстро забывают, какой последний знак или последовательность знаков они проехали.

Разрабатывая прототип, мы ограничились лишь запрещающими знаками - знаками круглой формы с красной каймой на белом фоне. В дальнейшем планируем добавить остальные знаки, реализовать постоянно пополняемую базу данных о дорогах и дорожных знаках, общую для всех устройств, использующих приложение, и многое другое.

Принцип работы приложения: видеокамера телефона захватывает видеопоток с разрешением 1920×1080, полученные кадры анализируются и распознаются, когда знак распознан, запускается определенное событие: подать предупреждающий сигнал водителю, добавить информацию в базу данных о дорогах и т. д.

Задачу можно условно разбить на два этапа:

• Цветовая сегментация изображения
• Распознавание знака

Этап 1. Цветовая сегментация изображения

Захват изображения. Поиск красного и белого цветов

Уникальной характеристикой запрещающих знаков является круг с преобладанием белого цвета и красным контуром, позволяющий идентифицировать эти знаки на изображениях. После того, как мы получили кадр с камеры в формате RGB, мы вырезаем изображение размером 512 на 512 (Рис. 1) и выделяем на нем красный и белый цвета, отбрасывая все остальные.

Для цветовой локализации - определения элементов конкретного цвета - формат RGB очень неудобен, потому что чистый красный цвет в природе встречается очень редко, но почти всегда идет с примесями других цветов. Кроме того, цвет изменяет оттенок и яркость в зависимости от освещения. Так, например, на восходе и закате солнца все предметы приобретаю красный оттенок; сумерки и полумрак тоже дают свои оттенки.

Рис. 1 . Изображение в формате RGB размером 512 х 512, поступающее на вход алгоритма.

Тем не менее, сначала мы попробовали решить задачу, используя исходный RGB-формат. Чтобы выделить красный цвет, мы устанавливали верхний и нижний пороги: R > 0,7, а G и B < 0,2. Но модель оказалась не очень удобной, т.к. значения цветовых каналов сильно зависели от освещенности и времени суток. Например, значения каналов RGB красного цвета в солнечный и пасмурный дни сильно отличаются.

Поэтому модель RGB мы перевели в цветовую модель HSV/B, в которой координатами цвета являются: цветовой тон (Hue), насыщенность (Saturation) и яркость (Value / Brightness).

Модель HSV/B обычно представляют цветовым цилиндром (Рис. 2). Она удобна тем, что оттенки цвета в ней являются лишь инвариантами различных типов освещения и теней, что естественным образом упрощает задачу выделения необходимого цвета на изображении вне зависимости от условий, таких как время суток, погода, тень, расположение солнца и др.

Код шейдера для перехода от RGB к HSV/B:

Varying highp vec2 textureCoordinate; precision highp float; uniform sampler2D Source; void main() { vec4 RGB = texture2D(Source, textureCoordinate); vec3 HSV = vec3(0); float M = min(RGB.r, min(RGB.g, RGB.b)); HSV.z = max(RGB.r, max(RGB.g, RGB.b)); float C = HSV.z - M; if (C != 0.0) { HSV.y = C / HSV.z; vec3 D = vec3((((HSV.z - RGB) / 6.0) + (C / 2.0)) / C); if (RGB.r == HSV.z) HSV.x = D.b - D.g; else if (RGB.g == HSV.z) HSV.x = (1.0/3.0) + D.r - D.b; else if (RGB.b == HSV.z) HSV.x = (2.0/3.0) + D.g - D.r; if (HSV.x < 0.0) { HSV.x += 1.0; } if (HSV.x > 1.0) { HSV.x -= 1.0; } } gl_FragColor = vec4(HSV, 1); }

Рис. 2 . Цветовой цилиндр HSV/B.

Для выделения красного цвета мы строим три пересекающиеся плоскости, которые образуют область в цветовом цилиндре HSV/B, соответствующую красному цвету. Задача выделения белого цвета является более простой, т.к. белый цвет расположен в центральной части цилиндра и нам достаточно указать порог по радиусу (ось S) и высоте (ось V) цилиндра, которые образуют область, соответствующую белому цвету.

Код шейдера, выполняющий эту операцию:

Varying highp vec2 textureCoordinate; precision highp float; uniform sampler2D Source; //parameters that define plane const float v12_1 = 0.7500; const float s21_1 = 0.2800; const float sv_1 = -0.3700; const float v12_2 = 0.1400; const float s21_2 = 0.6000; const float sv_2 = -0.2060; const float v12_w1 = -0.6; const float s21_w1 = 0.07; const float sv_w1 = 0.0260; const float v12_w2 = -0.3; const float s21_w2 = 0.0900; const float sv_w2 = -0.0090; void main() { vec4 valueHSV = texture2D(Source, textureCoordinate); float H = valueHSV.r; float S = valueHSV.g; float V = valueHSV.b; bool fR=(((H>=0.75 && -0.81*H-0.225*S+0.8325 <= 0.0) || (H <= 0.045 && -0.81*H+0.045*V-0.0045 >= 0.0)) && (v12_1*S + s21_1*V + sv_1 >= 0.0 && v12_2*S + s21_2*V + sv_2 >= 0.0)); float R = float(fR); float B = float(!fR && v12_w1*S + s21_w1*V + sv_w1 >= 0.0 && v12_w2*S + s21_w2*V + sv_w2 >= 0.0); gl_FragColor = vec4(R, 0.0, B, 1.0); }

Результат работы шейдера, выделяющего красный и белый цвет на изображении 512 х 512, приведен на Рис. 2. Однако, как показали вычислительные эксперименты, для дальнейшей работы полезно понижать разрешение изображения до 256 на 256, т.к. это повышает производительность и практически не влияет на качество локализации знаков.

Рис . 3. Красно-белое изображение.

Поиск окружностей на изображении

Большинство методов поиска окружностей работают с бинарными изображениями. Поэтому, полученное на предыдущем шаге красно-белое изображение нужно преобразовать в бинарный вид. В нашей работе мы опирались на то, что на запрещающих знаках белый цвет фона граничит с красным контуром знака, и разработали алгоритм для шейдера, который ищет такие границы на красно-белом изображении и отмечает граничные пиксели как 1, а не граничные - 0.

Работа алгоритма заключается в следующем:

• сканируются соседние пиксели каждого красного пикселя изображения;
• если находится хоть один пиксел белого цвета, то исходный красный пиксел помечается как граничный.

Таким образом, у нас получается черно-белое изображение (256 х 256), в котором фон залит черным цветом, а предполагаемые окружности - белым (Рис. 4а).

Рис. 4а . Бинарное изображение, отображающее границы красного и белого цветов.

Для уменьшения количества ложных точек полезно применить морфологию (Рис. 4б).

Рис. 4б . То же изображение, но после применения морфологии.

Далее, на полученном бинарном изображении необходимо найти окружности. Сначала, мы решили использовать метод Хаффа для поиска окружностей (Hough Circles Transform), реализованный на CPU в библиотеке OpenCV. К сожалению, как показали вычислительные эксперименты, данный метод слишком нагружает CPU и снижает производительность до неприемлемого уровня.

Логичным выходом из данной ситуации служил бы перенос алгоритма на шейдеры GPU, однако, как и другие методы поиска окружностей на изображениях, метод Хаффа плохо соответствует парадигме шейдеров (shader-approach). Таким образом, нам пришлось обратиться к более экзотическому методу поисков окружностей - методу быстрого поиск кругов при помощи градиентных пар (Fast Circle Detection Using Gradient Pair Vectors) , который показывает более высокую производительность на CPU.

Основные этапы данного метода следующие:

1 . Для каждого пикселя бинарного изображения определяется вектор, характеризующий направление градиента яркости в данной точке. Данные вычисления выполняет шейдер, реализующий оператор Собеля (Sobel operator):

Varying highp vec2 textureCoordinate; precision highp float; uniform sampler2D Source; uniform float Offset; void main() { vec4 center = texture2D(Source, textureCoordinate); vec4 NE = texture2D(Source, textureCoordinate + vec2(Offset, Offset)); vec4 SW = texture2D(Source, textureCoordinate + vec2(-Offset, -Offset)); vec4 NW = texture2D(Source, textureCoordinate + vec2(-Offset, Offset)); vec4 SE = texture2D(Source, textureCoordinate + vec2(Offset, -Offset)); vec4 S = texture2D(Source, textureCoordinate + vec2(0, -Offset)); vec4 N = texture2D(Source, textureCoordinate + vec2(0, Offset)); vec4 E = texture2D(Source, textureCoordinate + vec2(Offset, 0)); vec4 W = texture2D(Source, textureCoordinate + vec2(-Offset, 0)); vec2 gradient; gradient.x = NE.r + 2.0*E.r + SE.r - NW.r - 2.0*W.r - SW.r; gradient.y = SW.r + 2.0*S.r + SE.r - NW.r - 2.0*N.r - NE.r; float gradMagnitude = length(gradient); float gradX = (gradient.x+4.0)/255.0; float gradY = (gradient.y+4.0)/255.0; gl_FragColor = vec4(gradMagnitude, gradX, gradY, 1.0); }

Все ненулевые векторы группируются по направлениям. В силу дискретности бинарного изображения всего получается 48 направлений, т. е. 48 групп.

2 . В группах ищутся пары противоположно направленных векторов V1 и V2, например, 45 градусов и 225. Для каждой найденной пары проверяются условия (Рис. 5):

• угол бета меньше некоторого порога
• расстояние между точками P1 и P2 меньше заданного максимального диаметра окружности и больше минимального.

Если данные условия выполняются, то считается, что точка С, являющаяся серединой отрезка P1P2, является предполагаемым центром окружности. Далее эта точка C помещается, в так называемый, аккумулятор.

3 . Аккумулятор представляет собой трехмерный массив размером 256 x 256 x 80. Первые два измерения (256 x 256 - высота и ширина бинарного изображения) соответствуют предполагаемым центрам окружностей, а третье измерение (80) представляет возможные радиусы окружностей (максимальный - 80 пикселей). Таким образом, каждая градиентная пара накапливает отклик в некоторой точке, соответствующей предполагаемому центру окружности с некоторым радиусом.

Рис. 5 . Пара векторов V1-V2 и предполагаемый центр окружности C.

4 . Далее, в аккумуляторе ищутся центры, в которых дали отклик как минимум 4 пары векторов с различными направлениями, например, пары 0 и 180, 45 и 225, 90 и 270, 135 и 315. Близкие друг к другу центры объединяются. Если в одной точке аккумулятора найдено несколько центров окружностей с разными радиусами, то эти центры также объединяются и берется максимальный радиус.

Результат работы алгоритма поиска окружностей показан на Рис. 6.

Рис. 6 . Локализованные окружности, соответствующие двум запрещающим знакам.

Этап 2. Распознавание локализованных знаков

Локализованные на изображение окружности, которые должны соответствовать запрещающим знакам, вырезаются и нормализуются до размера 28х28 пикселя. Вырезанные изображения дополнительно обрабатываются оператором Собеля и передаются на вход сверточной нейронной сети, предварительно обученной на базе изображений запрещающих знаков.

О принципе работы нейросетей мы писали в одном из наших недавних проектов по распознаванию номеров банковских карт. Наша задача требовала работу с многослойными - сверточными - нейросетями. Когда сегментация знака завершена, мы получаем изображение, которое и передаем сверточной нейронной сети, построенной на основе работ Йэн ЛеКана, Леона Вотту, Йошуа Бенджио и Патрика Хаффнера. Для обучения нейросети была подготовлена небольшая база обучающих изображений.

После распознавания каждой окружности мы получаем массив вероятностей того или иного знака. Не всегда получается определить знак с хорошей вероятностью на одном кадре, нераспознанные знаки будут уточнены после обработки следующего кадра; точно распознанной считается знак, максимальное значение вероятности для которого в массиве вероятностей выше определенного порога.

Заключение

Прототип приложения-штурмана - наш пробный шар в использовании M2M-технологий, и мы планируем развивать это направление в дальнейшем. В ближайших планах - реализовать распознавание всех типов знаков и расширить диапазон яркости: день, сумерки, яркое солнце, закаты и др.

Основная сложность задачи по распознаванию других типов знаков - в определении форм отличных от круга: треугольников, квадратов и других. Пока у нас нет конечного решения, есть несколько вариантов, каждый со своими достоинствами и недостатками. Поэтому нам очень интересен ваш опыт решения задач по цветовой локализации, будем признательны вам за рекомендации и советы.

Сталкивается с необходимостью принятия множества решений в течение минуты. Кроме того, с особой внимательностью нужно наблюдать за обстановкой на дороге. Отслеживать перемещение автомобилей вокруг, следить за разметкой трассы и знаками, соответствующим использованием их органами управления, чрезвычайно трудно. До тех пор, когда водитель приобретёт необходимый опыт и будет способен осуществлять уверенный контроль обстановки во время движения, пройдёт большое количество времени и постоянно присутствует риск аварийной ситуации.

Главное предназначение системы

Следует отметить, что большая часть возникает ввиду неправильного поведения водителя, не соблюдающего требуемый скоростной режим. И это напрасно, поскольку введение ограничений придумано не просто так: автомобиль должен следовать с такой скоростью, чтобы у водителя было время правильно среагировать на изменения обстановки дорожного движения, независимо совершая манёвр либо экстренно тормозя. Именно это и спровоцировало разработку систем специального назначения, оказывающих помощь шофёру в принятии решений либо регулировании его действий. Системой распознавания , иное название которой Traffic Sign Recognition, оснащают свои модели большинство брендовых автопроизводителей, БМВ, Вольво и пр. Подобное устройство на автомобилях марки Opel является составляющей комплекса Opel Eye. Такого рода разработку считают одним из наилучших открытий в сфере автомобильной безопасности две тысячи десятого года. Производители Mercedes-Benz дали название своей установке по определению знаков дорожного движения - Speed Limit Assist (что означает контроль за скоростью), а Volvo - RSI (система информирования).

Представленный вид технологии является самым главным в комплексе , что входит в комплектацию большей части современных машин.

Системные компоненты

Зачастую любая вариация Traffic Sign Recognition от любой компании изготовителя состоит из типичного инструментария и оборудования. Это обуславливается необходимостью для функционирования любой системы такого рода наличия приборов одинакового характера, представленных:

• специально предназначенной видеокамерой повышенной чувствительности;
• дисплеем либо иного рода устройством, выводящим сведения системы для автовладельца;
• блоком управления, выполняющим главную часть работы.

Видеокамеру размещают возле ветрового стекла внутри автомобильного салона. В ряде моделей, где такая система является встроенной в авто, камера может скрываться где-то под оконным стеклом либо, к примеру, в области уплотнителя. Направление камеры необходимо задавать такое, чтобы ей хорошо было видно обзор пространства перед машиной, на участках, где располагают дорожные знаки, вдоль дороги немного правее от трассы. В последующем снятое видео поступает для обработки на управляющий блок, микропроцессором которого осуществляется одновременный анализ содержимого. К тому же такую камеру применяют и иные разработки безопасности: в виде установки выявления пешехода на дороге и системы помощи передвижения в ряду либо по полосе при большом автомобильном потоке.

Специфика функционирования

Посредством электронного управляющего блока системы TSR осуществляется инициирование специального механизма, который заложен в программу системы. Поэтапность процедур заключается:

• в распознавании особенностей формы дорожного знака;
• определении надписей на табличке знака;
• опознавании цветового оттенка знака;
• проверке присутствия информирующей таблички.

Рассмотрим особенности функционирования настоящей последовательности на примере знаков об ограничении скоростного режима движения, на определение которого и направлены системы распознавания дорожных знаков большей части авто. Первостепенно установкой опознаются знаки, имеющие круглую форму, после этого сочетание его оттенков - красного с белым. Затем распознаётся надпись, присутствующая на табличке, а именно показатель предельно допустимого значения скорости. Далее, блоком выполняется анализ скорости непосредственно движения конкретного авто и, в случае наличия различий, водителю подаётся сигнал о превышении предельно разрешённого скоростного режима на конкретном участке трассы. В случае же отсутствия нарушений образ знака просто появляется на дисплее панели приборов машины, таким образом сообщая водителю о распознавании дорожного знака.

Новшеством в системе распознавания дорожных знаков выступает совместное функционирование с автомобильным навигатором.

Traffic Sign Recognition усовершенствованного типа сообщает водителю не только об ограничителях скорости, но и прочих знаках, регулирующих дорожное движение. Наряду с указателями, запрещающими обгон, отдельными знаками об информации дополнительного характера, системой распознаются знаки, указывающие:

• на запрещение движения без остановки;
• запрещение въезда;
• о главной дороге (окончании её);
• о преимуществе машин, движущихся по встречной полосе либо напротив;
• на необходимость уступить путь;
• о конце зоны со всеми ограничениями;
• о начале (конце) населённого пункта;
• о начале (конце) автомагистрали;
• на въезд в жилую зону.

Ряд знаков, представленных в перечне выше, не выводятся на дисплей. Согласование информации о знаках, что распознаны, происходит с системой навигации и текущими показателями движения машины. В конечном счёте системой передаются сведения водителю об обстановке на дороге и обеспечивается безопасное движение.

Таким образом, такого рода система безопасности выступает существенной помощью для любого водителя - как опытного, так и новичка. Она способствует правильности реакции автовладельца и принятию соответствующего решения.