Viteza este una dintre principalele cauze ale accidentelor rutiere grave. Sistemul de recunoaștere a semnelor rutiere este conceput pentru a avertiza șoferii cu privire la necesitatea respectării limitei de viteză. Acest sistem defineste indicatoare rutiere limitele de viteză la depășirea acestora și reamintește șoferului viteza maximă admisă actuală dacă se deplasează mai repede.
Sistem de recunoaștere a semnelor de circulație ( Recunoașterea semnelor de circulație, TSR) sunt deținute de mulți producători auto cunoscuți - Audi, BMW, Ford, Mercedes-Benz, Opel, Volkswagen. Sistem de recunoaștere a semnelor de circulație Mașini Opel face parte din sistem Ochiul Opel(împreună cu sistemul Lane Departure Warning). Opel Eye este recunoscut drept unul dintre cei mai buni în domeniul siguranța auto 2010. Mercedes-Benz și-a numit sistemul Asistență la limita de viteză(sistem de control al limitării vitezei), Volvo - Informații Road Sigh, RSI(sistem de informare a semnelor de circulație).
Sistemele de recunoaștere a semnelor de circulație utilizate pe mașini au un design tipic, care include o cameră video, o unitate de control și un dispozitiv de ieșire a informațiilor.
Unitatea electronică de control implementează următorul algoritm de operare:
- recunoașterea formei unui semn rutier ( formă rotundă);
- recunoașterea culorii semnului ( roșu pe alb);
- recunoașterea etichetei ( magnitudinea vitezei);
- recunoașterea plăcuței cu informații ( mod de transport, timp de acțiune, zonă de acțiune);
- analiza vitezei reale a vehiculului;
- compararea vitezei vehiculului cu viteza maximă admisă;
- avertizare vizuală și sonoră a șoferului în caz de abatere.
Semnul de limită de viteză este afișat pe afișajul grupului de instrumente sau pe afișajul sistemului de informații și rămâne vizibil până când limita este încheiată sau modificată. La vehiculele echipate cu afișaj de informații, imaginea este afișată pe parbriz.
În unele modele, sistemul de recunoaștere a semnelor de circulație interacționează cu sistemul de navigație și utilizează informațiile despre semnele de limită de viteză din hărțile de navigație. Chiar dacă marca nu este detectată de camera video, informațiile despre acesta vor fi afișate pe tabloul de bord.
Sistemul este capabil să recunoască limitele de viteză în vigoare pentru un anumit fel transport (prin semne Informații suplimentare- indicatoare), precum și semne de anulare a limitei de viteză. Sistemul Opel Eye a mers mai departe - recunoaște, alături de semnele de limitare a vitezei, semnele care interzic depășirea.
a doua generație informează șoferul despre diferite semne rutiere. Pe lângă semnele de limitare a vitezei, interzicerea depășirii, semnele individuale de informații suplimentare, sistemul recunoaște următoarele semne:- deplasarea fără oprire este interzisă;
- Nicio intrare;
- drum principal (capătul drumului principal);
- avantajul traficului din sens opus (avantaj față de traficul din sens opus);
- renunta la dorga;
- sfârșitul zonei tuturor restricțiilor;
- începutul (sfârșitul) decontării;
- începutul (sfârșitul) autostrăzii;
- sector de locuit.
Caracterele listate nu sunt afișate pe afișaj. Informațiile despre caracterele recunoscute sunt în concordanță cu datele sistem de navigare, parametrii actuali ai mișcării vehiculului. Ca urmare, sistemul informează șoferul despre curent situatia traficuluiși promovează mișcarea în siguranță.
Se confruntă cu nevoia de a lua multe decizii într-un minut. În plus, este necesar să se observe situația traficului cu o atenție deosebită. Este extrem de dificil să urmăriți mișcarea mașinilor în jur, să urmăriți marcajele și indicatoarele rutiere, utilizarea corespunzătoare a comenzilor acestora. Până atunci, când șoferul dobândește experiența necesară și este capabil să exercite controlul cu încredere asupra situației în timpul conducerii, va trece mult timp și riscul unei situații de urgență este prezent în mod constant.
Scopul principal al sistemului
Trebuie remarcat faptul că cea mai mare parte apare din cauza comportamentului necorespunzător al șoferului care nu respectă cerințele cerute. modul viteză... Și acest lucru este în zadar, deoarece introducerea restricțiilor a fost inventată dintr-un motiv: mașina trebuie să se miște cu o astfel de viteză încât șoferul să aibă timp să reacționeze corespunzător la schimbările din situația traficului, făcând independent o manevră sau frânare de urgență. Acesta este ceea ce a declanșat dezvoltarea sistemelor motiv special asistarea conducătorului auto în luarea deciziilor sau reglementarea acțiunilor sale. Sistemul de recunoaștere, al cărui nume este Traffic Sign Recognition, echipează modelele lor cu majoritatea producătorilor de mașini de marcă, BMW, Volvo etc. Un dispozitiv similar pe mașini mărci Opel face parte din complexul Opel Eye. Acest tip de dezvoltare este considerată una dintre cele mai bune descoperiri în domeniul siguranței auto în două mii zece. Producătorii Mercedes-Benz au dat numele instalației lor pentru detectarea indicatoarelor rutiere - Speed Limit Assist (care înseamnă controlul vitezei) și Volvo - RSI (sistem de informații).
Tipul de tehnologie prezentat este cel mai important din complex, care este inclus în setul complet al celor mai moderne mașini.
Componentele sistemului
Adesea, orice variație a Recunoașterii semnelor de circulație de la orice producător constă în instrumente și echipamente tipice. Aceasta se datorează necesității ca funcționarea oricărui sistem de acest fel să aibă dispozitive de aceeași natură, reprezentate de:
- o cameră video de înaltă sensibilitate proiectată special;
- un afișaj sau alt dispozitiv care afișează informații din sistem pentru proprietarul mașinii;
- o unitate de control care realizează partea principală a lucrării.
Camera video este plasată lângă parbriz în interior showroom auto... Într-o serie de modele, în care un astfel de sistem este încorporat în mașină, camera poate fi ascunsă undeva sub geamul ferestrei sau, de exemplu, în zona sigiliului. Direcția camerei trebuie setată astfel încât să poată vedea clar imaginea de ansamblu a spațiului din fața mașinii, în zonele unde sunt amplasate indicatoare rutiere, de-a lungul drumului puțin în dreapta drumului. Ulterior video filmat merge pentru procesare la unitatea de control, al cărei microprocesor efectuează analiza simultană a conținutului. În plus, o astfel de cameră este utilizată și de alte dezvoltări de securitate: sub forma unei instalații pentru detectarea pietonului pe șosea și a unui sistem de asistare a mișcării în rând sau de-a lungul unei benzi cu un flux mare de trafic.
Specificul de funcționare
Prin intermediul unității electronice de control a sistemului TSR este inițiat un mecanism special, care este încorporat în programul sistemului. Procedurile etapizate sunt:
- în recunoașterea caracteristicilor formei unui semn rutier;
- determinarea inscripțiilor pe plăcuța de semnalizare;
- recunoașterea nuanței de culoare a mărcii;
- verificarea prezenței plăcuței informative.
Să luăm în considerare caracteristicile funcționării acestei secvențe folosind exemplul de semne privind restricția modului de deplasare a vitezei, pentru a determina care sunt vizate sistemele de recunoaștere a indicatoarelor rutiere ale majorității mașinilor. În primul rând, instalația recunoaște semnele care au o formă rotundă, după care combinația nuanțelor sale - roșu și alb. Apoi se recunoaște inscripția de pe placă și anume indicatorul maximului valoare acceptabilă viteză. În plus, blocul analizează viteza mișcării în sine. o anumită mașină iar, dacă există diferențe, șoferului i se dă un semnal că limita maximă admisă de viteză este depășită pe o anumită secțiune a traseului. În absența încălcărilor, imaginea semnului apare pur și simplu pe afișajul tabloului de bord al mașinii, informând astfel șoferul despre recunoașterea semnului rutier.
O inovație în sistemul de recunoaștere a semnelor de circulație este operarea în comun cu un navigator auto.
Recunoașterea avansată a semnelor de circulație informează șoferul nu numai despre limitatoarele de viteză, ci și despre alte semne de reglementare trafic rutier... Alături de semnele care interzic depășirea, semnele separate despre informații suplimentare, sistemul recunoaște semnele care indică:
- să interzică circulația fără oprire;
- interzicerea intrării;
- O drumul principal(terminând-o);
- despre avantajul mașinilor care se deplasează banda care se apropie sau vice versa;
- nevoia de a ceda;
- despre sfârșitul zonei cu toate restricțiile;
- despre începutul (sfârșitul) așezării;
- despre începutul (sfârșitul) autostrăzii;
- pentru a intra in zona rezidentiala.
Unele dintre caracterele afișate în lista de mai sus nu sunt afișate pe afișaj. Coordonarea informațiilor despre semnele care sunt recunoscute are loc cu sistemul de navigație și cu indicatorii actuali ai mișcării mașinii. În cele din urmă, sistemul transmite șoferului informații despre situația de pe drum și asigură conducerea în siguranță.
Astfel, acest tip de sistem de siguranță este un ajutor esențial pentru orice șofer, atât experimentat, cât și începător. Contribuie la reacția corectă a proprietarului mașinii și la adoptarea unei decizii adecvate.
Transcriere
1 UDC Algoritm de recunoaștere a semnelor de circulație PV Romanov, student Rusia, Moscova, MSTU im. N.E. Bauman, departamentul " Sisteme informaticeși rețele „Consilier științific: Samarev RS, Ph.D., conferențiar Rusia, Moscova, MSTU im. N. E. Bauman Introducere Scopul acestei lucrări este de a rezolva problema recunoașterii indicatoarelor rutiere, precum și de a testa eficiența și utilitatea algoritmilor implementați în biblioteca opencv. Pentru obținerea datelor inițiale s-a folosit o cameră, fixată într-o mașină, un video recorder tipic, care asigură înregistrarea video în format Full-HD. Sarcinile principale au fost: fixarea semnului pe video de la cameră, determinarea tipului acestuia după o clasificare simplificată. Algoritmul de recunoaștere a semnelor În procesul de analiză a posibilelor abordări au fost luate în considerare atât „rețelele neuronale”, cât și abordările statistice. Biblioteca OpenCV implementează un număr mare de funcții care vă permit să implementați aceste abordări conform șabloanelor predefinite. Cu toate acestea, în acest caz s-a decis să se utilizeze metode exacte care sunt implementate și în OpenCV. Pentru a rezolva problema, a fost scris un program de recunoaștere. Procesul de recunoaștere s-a desfășurat în trei etape: fixarea zonei de căutare și a obiectului propriu-zis (semnul, în cazul funcţionare corectă); analiza parametrilor obiectului găsit, alocarea acestuia unuia dintre tipuri (şabloane din baza de date); adaptarea programului pentru a lucra în mai multe conditii nefavorabile: în întuneric, prezența interferențelor.
2 La fiecare dintre aceste etape sunt apelate funcții din bibliotecă. O diagramă generalizată a algoritmului de analiză este prezentată în Figura 1. Diagrama prezintă etapele și funcțiile utilizate ale OpenCV. Orez. 1. Schema generalizată a algoritmului (început) Buletinul științific și tehnic pentru tineret FS, ISSN
Fig. 3 1. Schema generalizată a algoritmului (continuare) În prima etapă au fost utilizate funcțiile cvsetimageroi, cvboundingrect și cvcopy. Primul vă permite să vă concentrați asupra regiunii de interes ROI. În Figura 3, puteți vedea că programul analizează și prezintă utilizatorului doar o parte a cadrului (Figura 2). Unul dintre parametrii săi, coordonatele zonei selectate, este ușor de calculat, deoarece OpenCV prevede însoțirea imaginii cu informațiile necesare.
4 Fig. 2. Imaginea originală Fig. 3. Partea analizată a imaginii (cadru) După selectarea zonei în care este cel mai probabil aspectul semnelor, aproximativ treimea mijlocie a cadrului, trebuie să o pregătiți pentru a căuta forme similare semnelor. Pentru aceasta, au fost folosite următoarele instrumente de la opencv. Funcția cvcvtcolor cu opțiunea de a converti imaginea în tonuri de gri, necesară pentru a aplica transformarea de prag (funcția cvthreshold) sau transformarea Kenny (funcția cvcanny). Ambele metode sunt concepute pentru a binariza o imagine (doar alb-negru) și a evidenția limitele obiectelor de pe ea, dar prima ia în considerare doar luminozitatea zonelor imaginii, în timp ce algoritmul lui Kenny realizează și restaurarea parțială a marginilor. Experimentele au confirmat superioritatea funcției cvcanny (Figura 4). Buletinul științific și tehnic al tineretului FS, ISSN
5 Fig. 4. Rezultatul aplicării secvențiale a cvcvtcolor și cvcanny la imagine În continuare, trebuie să găsiți toate contururile închise posibile în imagine. Pentru aceasta se folosește funcția cvfindcontours, care are ca parametru o imagine binarizată obținută anterior. Au existat încercări de a aplica operatorul Sobel pentru a calcula gradientul de luminozitate al fiecărui punct al imaginii (funcția cvsobel) și, prin transformarea Hough, pentru a găsi forme geometrice, în acest caz cercuri (funcția cvhoughcircles). Niciuna dintre aceste funcții nu s-a dovedit a fi suficient de versatilă în experimente din cauza inexactității combinațiilor parametrilor de intrare atunci când lucrați cu video. Următorul pas este selectarea contururilor care îndeplinesc condițiile specificate. Primul lucru care a fost analizat a fost zona conturului, deoarece fluctuează în limitele cunoscute anterior. Se poate obține apelând la cvcontourarea. cvcontourperimeter returnează lungimea conturului, care este necesară pentru a calcula al doilea parametru de compactitate. Acesta este raportul dintre suprafață și pătratul perimetrului. Mai simplu spus, caracterizează asemănarea unui obiect cu un cerc, deoarece un cerc este figura cea mai compactă. are un coeficient de aproximativ 0,79. Și, în final, a fost efectuată o verificare a coincidenței momentelor contururilor (formele lor distincte) folosind funcția opencv cvmatchshapes, care compară contururile traduse în codul de lanț Freeman și indică nivelul diferenței lor. Experimentele au arătat că asemănarea aproape completă este exprimată printr-o valoare mai mică.
6 Fig. 5. Toate contururile găsite în zonă. 6. Contururi care se potrivesc formei Prin rezultatul acestei functii este imposibil de spus cu certitudine daca un contur este potrivit sau nu, de aceea ultima dintre metodele de stabilire a diferentelor este analiza culorii in contur. Funcțiile cvsplit și cvcvtpixtoplane au fost folosite pentru a împărți imaginea în canale de culoare. Cu toate acestea, funcția cvcvtpixtoplane este destinată imaginilor reprezentate nu prin culoare, ci prin canale tonale: nuanță, luminozitate și adâncime (modelul HSV) Diferența dintre a doua etapă și prima constă într-o dimensiune mai mică a imaginii procesate, dar mai mult. compararea amănunţită a momentelor contururilor. Se potrivește cu toate caracterele din baza de date care se potrivesc cu condițiile verificate la pasul anterior. Contrastul imaginii a fost efectuat și manual pentru a asigura o funcționare mai clară a funcțiilor de detectare a frontierei. Rezultate Eșantionul a fost format ținând cont de includerea pe acestea a diferitelor forme de semne și imagini. A fost testată recunoașterea a 7 caractere pentru 16 fragmente video cu o rezoluție de 1920x1080. Video folosit într-o zi senină. Rezultatele sunt tabulate. Buletinul științific și tehnic al tineretului FS, ISSN
7 Exemplu de semn Precizia recunoașterii Exemplu de formă a semnului Precizia recunoașterii Depășirea interzisă 85% Turnul Intrarea interzisă 65% Limită de viteză 40 km/h 65% 75% Limită de viteză 70 km/h 70% Fără întoarcere 40% Cedare 70 % Intersecție rutieră laterală triunghiulară 80 % 75% Concluzie Pe baza rezultatelor lucrărilor efectuate, se remarcă posibilitatea utilizării bibliotecii OpenCV pentru rezolvarea problemei recunoașterii indicatoarelor rutiere. Aproximativ 70% sunt recunoscute, ceea ce indică însă necesitatea de a găsi metode mai optime. De asemenea, demn de remarcat ca o posibilă zonă de lucru este studiul recunoașterii caracterelor în condiții dificile, cum ar fi noaptea sau în ceață. Referințe 1. Voroshin G. Ya. Metode de recunoaștere a modelelor. Mod de acces: (data accesului). 2. Vladimir N. OpenCV pas cu pas. Mod de acces: (data accesului). 3. Recunoașterea imaginii cu OpenCV: contururi împotriva antrenamentului personal Mod de acces: (data accesului :). 4. Gary Bradski, Adrian Kaehler. Învățarea OpenCV. Viziune computerizată cu biblioteca OpenCV. Disponibil la:% D1% 81% D1% 82% D1% 80% D0% B0% D0% BD% D0% B8% D1% 86% D0% B0, accesat RECOG.RU: recunoaștere model pentru programatori Mod acces: (data tratament :).
UDC 004.932.72 „1 Caracteristicile cheie ale algoritmului de recunoaștere a marcajului rutier Introducere Chistyakov I.Yu., student Rusia, 105005, Moscova, Universitatea Tehnică de Stat Bauman din Moscova, Departamentul de Sisteme Informaționale și Telecomunicații
UDC 004.051 Boynov M.A. Masterand, Facultatea de Prelucrare a Informației și Sisteme de Management, Universitatea Tehnică de Stat din Moscova. N.E. Bauman Rusia Moscova Dzhanaev S.I. Masterand, Facultatea de Sisteme de Procesare Informațională
UDC 004.932 O metodă de identificare a imaginilor similare bazată pe utilizarea descriptorilor SIFT Savonin AI, student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Software și Informații
# 06, iunie 2016 UDC 004.932 Utilizarea unei rețele neuronale și a descriptorilor SIFT pentru a compara imaginile Introducere Savonin A.I., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Software
UDC 004.93 „1 P.F. Pavlenko, Institutul de Automatizare și Tehnologii Informaționale al Academiei Naționale de Științe a Republicii Kârgâzâ.
UDC 004.932 Algoritm pentru recunoașterea secțiunilor specificate ale infrastructurii de transport rutier în fotografiile aeriene Kosyura OV, student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Software
Secțiunea 6. Prelucrarea digitală a semnalelor și imaginilor 337 UDC 004.932.4 Bani-Amer Tamer, Khmelevoy S.V., Azarenko D.V. Universitatea Națională Tehnică Donețk, Donețk, Departamentul de Automatizare
UDC 004.93 Investigarea metodelor de formare a unui vector de caracteristici ale imaginii faciale folosind filtre Gabor EA Lavrova, student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Biomedicală
ÓД 004.932.2 Dezvoltarea și optimizarea procesului de segmentare a fluxului de imagine și video pe lateral dispozitiv mobil N / A. Severinov Ivan Fedorov Universitatea de Stat de Arte Tipografie din Moscova
UDC 004.932 Algoritm pentru clasificarea amprentelor Lomov DS, student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de software de calculator și tehnologia de informație„Supervizor:
# 08, august 2016 UDC 004.93 „1 Normalizarea datelor camerei 3D folosind metoda componentei principale pentru rezolvarea problemei recunoașterii posturilor și comportamentului utilizatorilor Smart Home. Malykh D.A., student Rusia,
# 06, iunie 2016 UDC 681.531.2 Recunoașterea obiectelor folosind o cameră TV Voronin A.V., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul Științific „Robotică și Mecatronică Specială”.
UDC 681.5: 004.93 Kalinichenko Yu.V. LA ÎNTREBAREA DESPRE IDENTIFICAREA FRONTIEI DE CĂTRE DETECTORUL KENNY Universitatea Națională Lugansk numită după Taras Shevchenko Se ia în considerare problema detectării granițelor de către detectorul Kenny. Algoritm implementat
UDC 004.93 Analiza comparativă a algoritmilor de recunoaștere a feței în problema de identificare vizuală O.V. Rogozin, S.A. Kladov MSTU le. N.E. Bauman, Moscova, 105005, Rusia Articolul este dedicat două abordări ale recunoașterii
UDC 004.932, 681.518 Analiza comparativă a algoritmilor pentru construirea de imagini ale suprafeței subiacente VA Bocharov, student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Automatică
UDC 159.9.072.592 Recunoașterea caracteristicilor utilizatorului prin scrierea de mână a tuturor informațiilor interesante. http://sntbul.bmstu.ru/doc/616688.html Tambiev K.Sh., student la Departamentul de Sisteme Informaționale și Telecomunicații,
Hough transforma Anna Degtyareva [email protected] Vejnevets Vladimir [email protected] Cuprins Introducere Ideea principală a metodei Exemplu: selectarea liniilor din imagine Exemplu:
UDC.004.01 Calculul fluxului optic pentru selectarea vehiculelor din imaginea video P. A. Devaikin 1, A. V. Shikut 1 1 MSTU im. N.E. Bauman, Moscova, 105005, Rusia Algoritmi de calcul
Întrebări pentru controlul curent al progresului și certificarea intermediară pentru cursul „Metode și tehnică de recunoaștere a modelelor” 1. Sarcina analizei imaginii, semnificația sa practică 2. Conceptul de imagine.
266 Sectiunea 6. Prelucrarea digitala a semnalelor si imaginilor UDC 004.932 D.S. Khimich, A.Yu. Universitatea Națională Tehnică Kharitonov Donețk, Departamentul de Tehnologii Sisteme de Monitorizare Calculatoare din Donețk
Construirea realității augmentate folosind exemplul creării unei cabine de probă virtuale. 77-48211 / 482783 # 08, august 2012 Devaykin P. A., Shikut A. V. UDC.004.021 Rusia, MSTU im. N.E. Bauman [email protected]
Complexul de software „Interactive Information Board” Drozdova Yulia Alexandrovna Perm State National Research University, Perm, Rusia. Adnotare. Articolul este dedicat problemei creării pachetului software „Informații interactive
298 SISTEM DE FOCALIZARE COMPUTERĂ SPECIALIZĂ A MICROSCOPULUI Kirichenko MN, grup KSD-05m Şef Asoc. departament ACS Omelchenko A.A. În prezent, microscoapele sunt utilizate pe scară largă în medicină și tehnologie.
172 Secțiunea 5. Prelucrarea digitală a semnalelor și imaginilor N.N. Universitatea Tehnică Națională Sheremet Donețk, departament software sisteme inteligente CERCETAREA METODEI DE ACTIV
DETECȚIA, CLASIFICAREA ȘI DETERMINAREA PARAMETRILOR OBIECTELOR SETĂȚI DE LIMITELE CARACTERISTICILOR SALE PE IMAGINEA ÎN SEMITONURI ÎN TIMP REAL. A.V. Bovyrin, A.V. Gubanov, V.F. Kuryakin, K.V. Rodyushkin,
Structuri matematice și modelare 2015.4 (36). Pg. 123 128 UDC 004,93 VIZIUNEA COMPUTERĂ CA MIJLO DE EXTRAGERE A INFORMAȚIILOR DIN VIDEO N.V. Manyukova Candidat la științe pedagogice, profesor asociat, e-mail:
UDC 57.08 Testarea bibliotecilor pentru amplasarea automată a punctelor de control ale feței 07, iulie 2012 Tomak K.S. Student, Departamentul Sisteme de Prelucrare a Informației Conducător: Kashapova L.Kh., Asistent
UDC 004.4 SCHELETIZAREA PRELIMINARĂ RARĂ A IMAGINILOR Raster ȘI DETECȚIA ELEMENTELOR SIMPLE А.N. Romanov, M.V. Universitatea Națională Tehnică Privalov Donețk Sarcina de a se uita la statistici
# 07, iulie 2017 UDC 004.032.26 Rețea neuronală convoluțională pentru dezvoltarea unui sistem de recunoaștere și clasificare a imaginilor Guziy E.A., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Calculatoare
ALGORITMI PENTRU RECUNOAȘTEREA FEȚEI BAZATE PE BIBLIOTECA OPENCV 66 S.V. Tomilov Most sisteme moderne recunoașterea feței este foarte sensibilă la caracteristicile imaginilor prezentate. Prin urmare, înainte de imediat
UDC 0093 1; 0093 AN SAMOILOV, IV SHEVCHENKO METODA PENTRU DETECȚIA LINIILOR DE CIRCUIT ÎN DIFERENȚELE DE LUMINozitate ALE MARCHIILOR PROPUSE ALE IMAGINII BINARIZATE ALE PISTEI DE DISLOCARE PE PLACI GaAs Problema este luată în considerare.
UDC 621.391 Recunoașterea semnalului bidimensional bazată pe metoda k-nearest neighbors Yakubov R.Zh., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Securitate Informațională Consilier științific:
SISTEM UDC 531.1 PENTRU DETECȚIA ȘI SISTEMUL MARKELOR VIDEO PENTRU A FURNIZA NAVIGAȚIA ROBOT A. V. Kalinichenko ( [email protected]) Institutul de Matematică Aplicată. M.V. Keldysh RAS, Moscova
Universitatea Națională Tehnică Donețk Facultatea de Informatică și Tehnologie Departamentul de Matematică Aplicată și Informatică URMĂRIREA AUTOMATĂ A OBIECTELOR ÎN MIȘCAREA ÎN SISTEME DE SUPRAVEGHERE VIDEO
UDC 004.932.2 Algoritmi de segmentare a imaginii Ogluzdina Yu.A., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul „Software de calculator și tehnologii informaționale” Consilier științific:
UDC 681.327.1 # 12, decembrie 2015 Proiectarea unui sistem de recunoaștere a comportamentului dinamic al oamenilor Demin N.A., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Sisteme Informaţionale
UDC 681.326 A.M. Shashlov RESTAURAREA EFICIENTĂ A DATELOR PARTIȚIEI ÎN DETERMINAREA SISTEMELOR DE PARTȚII DE DRIVE Sunt luate în considerare abordările existente pentru recuperarea datelor în cazul deteriorării sistemului logic
ALGORITMI PENTRU CONTROLUL COORDONATELOR SURSEI DE RADIAȚIE PE SUPRAFAȚA FOTOSENSIBILĂ A MATRICEI V.V. Zamyatin
Detectare blocajele rute de transmisie a datelor într-o rețea de calculatoare și evaluarea acestora lățimea de bandă Pentru a organiza funcționarea eficientă a unei rețele de calculatoare, routerele și alte dispozitive au nevoie de informații
54 VERIFICAREA UNUI OBIECT VARIABIL OPTIC PRIN DETECȚIA SCHIMBĂRII CULORII Ekaterina Gorshkova, Roman Telyatnikov, Ivan Shumsky
UDC 004.031.2, 004.932 Metode de optimizare a calculului fluxului optic în sisteme de navigație autonome Introducere Zhukov RV, student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul „” Sisteme
Universitatea de Stat din Sankt Petersburg Facultatea de Matematică Facultatea de Mecanică Departamentul de Programare a Sistemelor Reducerea rezoluției histogramei gradienților orientați pentru detectarea obiectelor mici
# 01, ianuarie 2016 UDC 534.4 Sinteza sunetului software instrumente muzicale Tishina E. M., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul Sisteme Informaţionale şi Telecomunicaţii
Pașaportul fondului de instrumente de evaluare pentru disciplina „Teoria recunoașterii modelelor” Anexa 1 p/p Secțiuni (teme) controlate ale disciplinei * Cod competență Denumirea instrumentului de evaluare Secțiunea 1. Recunoaștere
Obținerea conturului piciorului din fotografii cu acuratețe maximă Câteva despre proiect Locul proiectului: SPbSPU, laborator de grafică pe computer, șef Sergey Belyaev Sarcina este
Sisteme automate de recunoaștere a plăcuțelor de înmatriculare # 12, decembrie 2014 Yuzov M. V., Pugachev E. K. UDC: 004.8 Rusia, MSTU im. N.E. Bauman [email protected] Introducere Astăzi tehnologia computerelor
UDC 004.021 Utilizarea clusterului Redis în detectarea plagiatului Evgrafov I.A., student Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul „Sisteme și rețele informatice” Consilier științific:
SISTEM DE RECUNOAȘTERE A SEMNALULUI RUTIER Gilmanov Timur Adelevich, universitar, KNITU-KAI numit după UN. Tupolev, Kazan E-mail: [email protected] Rezumat: Acest articol oferă o descriere a sistemului
3 L.V. A. A. Antonov ORLOV Studiu experimental al algoritmilor de prelucrare a imaginilor produselor industriale UDC 004.942 Institutul Murom (filiala) FSBEI HPE Universitatea de Stat „Vladimir numită după
Modelul computerizat al sistemului VADS Szegeda S.V., Ph.D. Devochkin O.V. MSTU „MAMI” Pentru a reduce numărul de accidente pe drumuri, se dezvoltă în permanență noi sisteme de siguranță auto. Cel mai promițător
382 Secțiunea 7. Tehnologii și sisteme de inteligență artificială UDC 004.931 Tkachuk E.O., Fedyaev O.I. Universitatea Națională Tehnică Donețk Departamentul de Matematică Aplicată și Informatică [email protected]
Algoritm pentru înregistrarea imaginilor tridimensionale ale obiectelor folosind un sistem stereoscopic pasiv folosind procesarea imaginilor la scară multiplă. 77-3569 / 23289 # 1 octombrie 211 Zaitsev K. I. Perov
UDC 681.325 COMBINAREA IMAGINILOR RASTER ÎN SISTEME DE VIZIUNE TEHNICĂ NV Soloviev, Cand. tehnologie. Sci., profesor asociat A.A. Kozlov, solicitant M.Yu. Litvinov, solicitant Universitatea de Stat din Sankt Petersburg
Cursul 15 Utilizarea aparatului rețelelor neuronale pentru determinarea calității percepției în sistemele IPTV Planul 1. Concepte generale despre rețelele neuronale (definiția unei rețele neuronale, scara MOS) 2. Clasificarea neuronelor
Manual de utilizare al software-ului Orion-Auto 1 Scopul sistemului Orion-Auto ... 3 2 Caracteristicile sistemului ... 3 3 Instalarea Orion-Auto ... 4 4 Organizarea sistemului ... 4
# 09, septembrie 2015 UDC 004.021 Aplicarea filtrului Kalman pentru procesarea unei secvențe de coordonate GPS RR Listernko, licență Rusia, 105005, Moscova, MSTU im. N.E. Bauman, Departamentul de Software
Linie de potrivire sau metode de aproximare a unui set de puncte ale unei linii drepte Anna Degtyareva [email protected] Vejnevets Vladimir [email protected] Conținut de potrivire sau metode de aproximare a unui set de puncte ale unei linii
UDC 004.424.4 Investigarea influenței numărului de straturi și a numărului acestora asupra comportamentului erorii, rata de învățare a rețelei Zhivykh S.Yu., student la departamentul „Sistem de procesare și control al informațiilor” Rusia, 105005, g.
N.N. Alekseeva, A.S. Irgit, A.A. Kurtova, Sh.Sh. Aplicarea Mongush a metodelor de procesare a imaginilor la problema recunoașterii modelului vascular palmier Cerințele pentru sistemele de securitate cresc în fiecare an.
2. CERINȚE ERGONOMICE PENTRU MEDIA Principiul principal designul informației este că corpul principal de informații trebuie să fie pus la dispoziție și să fie ușor asimilat de către public. Grijuliu
CONSTRUIREA MODELULUI DE IMAGINE ŞI APLICAREA SA ÎN PROBLEME DE DETECŢIA OBIECTULUI 1. Introducere Obţinerea unei descrieri a caracteristicilor imaginilor este una dintre principalele etape în astfel de probleme ale maşinii (tehnice)
Conceptul de algoritm. Imaginea algoritmului sub forma unei diagrame bloc. Algoritmi de structură liniară și ramificată. Rezolvarea oricărei probleme pe calculator trebuie împărțită în următoarele etape: dezvoltarea unui algoritm de rezolvare
Explorarea bibliotecilor viziune tehnică pentru construirea unui sistem de contabilitate a traficului la intersecții Institutul de Automatizare și Electrometrie A.E.Sokolov SB RAS Universitatea de Stat Științifică din Novosibirsk
A 17-a conferință rusească cu participare internațională „Metode matematice de recunoaștere a modelelor - 2015” regiunea Svetlogorsk Kaliningrad 19-25 septembrie 2015 Filtrarea morfologică a imaginilor
ASPECTE APLICATE ALE INFORMATICĂ Căutarea imaginilor după conținut vizual în bazele de date grafice și pe Internet I.Da. Desyatnikov Rezumat. Articolul prezintă un sistem de căutare a imaginilor după vizual
Metode de recunoaștere facială Yu. Lifshits. 4 decembrie 2005 Cuprins 1 Aplicarea algoritmilor de recunoaștere a feței 2 2 Caracteristici ale recunoașterii feței 2 2.1 Specificitatea problemei ........................... 2 2.2 Rezumat
Ivan Ojiganov 9 iulie 2013
Viitorul pieței de software și al aplicațiilor mobile în special este strâns legat de utilizare aplicată Tehnologii M2M care permit implementarea de noi idei interesanteși implementați soluții mai avansate într-o mare varietate de domenii: securitate, supraveghere video la distanță, automatizare industrială, electronice de larg consum și altele.
În 2014, Apple intenționează să lanseze iOS in the Car, o platformă mobilă care vă permite să utilizați dispozitive iOS printr-o interfață de mașină, iar echipa noastră lucrează în prezent la un prototip de aplicație de asistent pentru șofer pentru dispozitivele iOS.
Rezumatul proiectului
Ideea proiectului este de a adăuga funcțiile unui navigator, un „recorder video inteligent” la capacitățile dispozitivelor iOS. Sarcină starea curentă- să dezvolte o aplicație prototip care nu doar să înregistreze evenimentele din trafic, ca un înregistrator obișnuit, ci și să recunoască semnele rutiere întâlnite, avertizând șoferul despre acestea. Funcția de avertizare este importantă pentru că de multe ori șoferii nu au timp să observe semnul sau să uite rapid pe ce ultim semn sau succesiune de semne au trecut.
În dezvoltarea prototipului, ne-am limitat la semne de interdicție - semne rotunde cu chenar roșu pe fundal alb. În viitor, intenționăm să adăugăm și alte indicatoare, să implementăm o bază de date actualizată constant de drumuri și indicatoare rutiere, comune pentru toate dispozitivele care folosesc aplicația și multe altele.
Principiul aplicației: camera video a telefonului captează un flux video cu o rezoluție de 1920 × 1080, cadrele rezultate sunt analizate și recunoscute, când semnul este recunoscut, se declanșează un anumit eveniment: dați un semnal de avertizare șoferului, adăugați informații la baza de date a drumurilor etc.
Sarcina poate fi împărțită condiționat în două etape:
- Segmentarea culorii unei imagini
- Recunoașterea semnelor
Etapa 1. Segmentarea culorii imaginii
Capturați o imagine. Căutând roșu și alb
O caracteristică unică a semnelor de interdicție este un cerc dominat de alb cu un contur roșu, care face posibilă identificarea acestor semne în imagini. După ce obținem cadrul de la cameră în format RGB, decupăm imaginea 512 cu 512 (Fig. 1) și selectăm culorile roșu și alb de pe ea, eliminând toate celelalte.
Pentru localizarea culorii - definirea elementelor unei anumite culori - formatul RGB este foarte incomod, deoarece roșul pur este foarte rar în natură, dar aproape întotdeauna vine cu impurități de alte culori. În plus, culoarea își schimbă nuanța și luminozitatea în funcție de iluminare. Deci, de exemplu, la răsărit și la apus, toate obiectele capătă o nuanță roșie; crepuscul și crepuscul dau și ele propriile nuanțe.
Orez. 1... O imagine în format RGB cu dimensiunea de 512 x 512, intrând intrarea algoritmului.
Cu toate acestea, la început am încercat să rezolvăm problema folosind formatul RGB original. Pentru a evidenția culoarea roșie, setăm pragurile superioare și inferioare: R> 0,7 și G și 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.
Prin urmare, am convertit modelul RGB în modelul de culoare HSV / B, în care coordonatele culorii sunt: Hue, Saturation și Value / Brightness.
Modelul HSV / B este de obicei reprezentat de un cilindru de culoare (Fig. 2). Este convenabil deoarece nuanțele de culoare din ea sunt doar invariante tipuri diferite iluminare și umbre, ceea ce simplifică în mod natural sarcina de a evidenția culoarea dorită în imagine, indiferent de condiții precum ora din zi, vremea, umbra, poziția soarelui etc.
Cod shader pentru trecerea de la RGB la HSV / B:
Variante highp vec2 textureCoordinate; plutitor de precizie; uniform sampler2D Source; void main () (vec4 RGB = texture2D (Sursa, 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; dacă (C! = 0,0) (HSV.y = C / HSV.z; vec3 D = vec3 ((( (HSV.z - RGB) / 6.0) + (C / 2.0)) / C); dacă (RGB.r == HSV.z) HSV.x = Db - Dg; altfel dacă (RGB.g == HSV. z) HSV.x = (1,0 / 3,0) + Dr - Db; altfel dacă (RGB.b == HSV.z) HSV.x = (2,0 / 3,0) + Dg - Dr; dacă (HSV.x< 0.0) { HSV.x += 1.0; } if (HSV.x >1,0) (HSV.x - = 1,0;)) gl_FragColor = vec4 (HSV, 1); )
Orez. 2... Cilindru de culoare HSV / B.
Pentru a evidenția culoarea roșie, construim trei planuri care se intersectează care formează o zonă în cilindrul de culoare HSV / B corespunzătoare culorii roșii. Sarcina de a evidenția culoarea albă este mai simplă, deoarece culoarea albă este situată în partea centrală a cilindrului și trebuie doar să specificăm pragul de-a lungul razei (axa S) și înălțimea (axa V) a cilindrului, care formează zona corespunzătoare culorii albe.
Codul shader care efectuează această operație:
Variante highp vec2 textureCoordinate; plutitor de precizie; uniform sampler2D Source; // parametrii care definesc 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 (Sursa, 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); )
Rezultatul shader-ului care evidențiază culorile roșu și alb în imaginea de 512 x 512 este prezentat în Fig. 2. Cu toate acestea, după cum arată experimentele de calcul, pentru munca in continuare este util să reduceți rezoluția imaginii la 256 cu 256 deoarece aceasta crește productivitatea și practic nu afectează calitatea localizării semnelor.
Orez... 3. Imagine alb și roșu.
Găsirea cercuri în imagine
Majoritatea metodelor de căutare în cerc funcționează cu imagini binare. Prin urmare, imaginea roșu-alb obținută în pasul anterior trebuie convertită într-o formă binară. În munca noastră, ne-am bazat pe faptul că pe semnele de interzicere marginile de culoare albă de fundal pe conturul roșu al semnului și am dezvoltat un algoritm pentru shader-ul care caută astfel de margini într-o imagine roșu-albă și marchează pixelii marginii. ca 1, și nu pixeli de margine - 0.
Algoritmul funcționează după cum urmează:
- pixelii învecinați ai fiecărui pixel roșu al imaginii sunt scanați;
- dacă se găsește cel puțin un pixel alb, atunci pixelul roșu original este marcat ca limită.
Astfel, obținem o imagine alb-negru (256 x 256), în care fundalul este umplut cu negru, iar cercurile presupuse - albe (Fig. 4a).
Orez. 4a... Imagine binară care afișează margini roșii și albe.
Pentru a reduce numărul de puncte false, este utilă aplicarea morfologiei (Fig. 4b).
Orez. 4b... Aceeași imagine, dar după aplicarea morfologiei.
Apoi, pe imaginea binară rezultată, trebuie să găsiți cercurile. În primul rând, am decis să folosim metoda Hough Circles Transform implementată pe CPU în biblioteca OpenCV. Din păcate, după cum arată experimentele de calcul, această metodă supraîncărcă CPU și reduce performanța la un nivel inacceptabil.
O cale logică de ieșire din această situație ar fi transferul algoritmului în shader-uri GPU, totuși, ca și alte metode de găsire a cercurilor în imagini, metoda Huff nu se potrivește bine cu paradigma shader-abordare. Astfel, a trebuit să apelăm la o metodă mai exotică de a găsi cercuri - metoda cautare rapida cercuri folosind perechi de gradient (Detecție rapidă a cercurilor folosind vectori de perechi de gradient), care arată mai multe productivitate ridicată pe CPU.
Etapele principale aceasta metoda următoarele:
1 ... Pentru fiecare pixel al unei imagini binare, se determină un vector care caracterizează direcția gradientului de luminozitate la un punct dat. Aceste calcule sunt efectuate de un shader care implementează operatorul Sobel:
Variante highp vec2 textureCoordinate; plutitor de precizie; uniform sampler2D Source; flotor uniform Offset; void main () (vec4 center = texture2D (Sursa, textureCoordinate); vec4 NE = texture2D (Sursa, textureCoordinate + vec2 (Offset, Offset)); vec4 SW = texture2D (Sursa, textureCoordinate + vec2 (-Offset, -Offset)) ; vec4 NW = textură2D (Sursă, textureCoordinate + vec2 (-Offset, Offset)); vec4 SE = textură2D (Sursă, textureCoordinate + vec2 (Offset, -Offset)); vec4 S = textura2D (Sursă, textureCoordinate + vec2 (0, -Offset)); vec4 N = textura2D (Sursa, texturaCoordinate + vec2 (0, Offset)); vec4 E = textura2D (Sursa, texturaCoordinate + vec2 (Offset, 0)); vec4 W = textura2D (Sursa, texturaCoordinate + vec2 ( -Offset, 0)); gradient vec2; gradient.x = NE.r + 2,0 * Er + SE.r - NW.r - 2,0 * Wr - SW.r; gradient.y = SW.r + 2,0 * Sr + SE.r - NW.r - 2,0 * Nr - NE.r; float gradMagnitude = lungime (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);)
Toți vectorii nenuli sunt grupați după direcție. Datorită caracterului discret al imaginii binare, se obține un total de 48 de direcții, adică 48 de grupuri.
2 ... Grupurile caută perechi de vectori direcționați opus V1 și V2, de exemplu, 45 de grade și 225. Pentru fiecare pereche găsită, sunt verificate următoarele condiții (Fig. 5):
- unghiul beta este mai mic decât un anumit prag
- distanța dintre punctele P1 și P2 este mai mică decât diametrul maxim specificat al cercului și mai mare decât minimul.
Dacă aceste condiții sunt îndeplinite, atunci se consideră că punctul C, care este punctul de mijloc al segmentului P1P2, este centrul presupus al cercului. În plus, acest punct C este plasat în așa-numitul acumulator.
3 ... Bateria este o matrice tridimensională de 256 x 256 x 80. Primele două dimensiuni (256 x 256 - înălțimea și lățimea imaginii binare) corespund centrelor presupuse ale cercurilor, iar a treia dimensiune (80) reprezintă razele posibile ale cercurilor (maximul este de 80 pixeli). Astfel, fiecare pereche de gradient acumulează un răspuns la un moment dat corespunzător centrului presupus al unui cerc cu o anumită rază.
Orez. 5... Perechea de vectori V1-V2 și centrul presupus al cercului C.
4 ... În plus, centrele sunt căutate în acumulator, în care au răspuns cel puțin 4 perechi de vectori cu direcții diferite, de exemplu, perechile 0 și 180, 45 și 225, 90 și 270, 135 și 315. Centrele apropiate unul de celălalt se unesc. Dacă mai multe centre de cercuri cu raze diferite, atunci se combină și aceste centre și se ia raza maximă.
Rezultatul algoritmului de căutare în cerc este prezentat în Fig. 6.
Orez. 6... Cercuri localizate corespunzătoare a două semne de interzicere.
Etapa 2. Recunoașterea semnelor localizate
Cercurile localizate pe imagine, care trebuie să corespundă semnelor de interdicție, sunt decupate și normalizate la o dimensiune de 28x28 pixeli. Imaginile tăiate sunt prelucrate suplimentar de către operatorul Sobel și transmise la intrarea unei rețele neuronale convoluționale, antrenată anterior pe baza imaginilor semnelor de interzicere.
Am scris despre principiul funcționării rețelelor neuronale într-unul dintre proiectele noastre recente privind recunoașterea numerelor cardurilor bancare. Sarcina noastră a necesitat lucrul cu rețele neuronale multistrat - convoluționale. Când segmentarea semnelor este completă, obținem o imagine, pe care o transmitem unei rețele neuronale convoluționale construite pe baza lucrărilor lui Iain LeCan, Leon Vottu, Yoshua Benjio și Patrick Haffner. Pentru a antrena rețeaua neuronală, a fost pregătită o mică bază de date cu imagini de antrenament.
După ce recunoaștem fiecare cerc, obținem o serie de probabilități ale unui semn sau altul. Nu este întotdeauna posibil să se determine un semn cu o probabilitate bună într-un cadru, caracterele nerecunoscute vor fi rafinate după procesarea următorului cadru; un semn este considerat exact recunoscut dacă valoarea maximă a probabilității pentru care în matricea probabilităților este mai mare decât un anumit prag.
Concluzie
Prototipul aplicației navigator este balonul nostru de probă în utilizarea tehnologiilor M2M și intenționăm să dezvoltăm această direcție în viitor. În viitorul apropiat, este planificată implementarea recunoașterii tuturor tipurilor de semne și extinderea gamei de luminozitate: zi, amurg, soare strălucitor, apus de soare etc.
Principala dificultate a sarcinii de recunoaștere a altor tipuri de semne constă în determinarea altor forme decât un cerc: triunghiuri, pătrate și altele. Până să avem o soluție finală, există mai multe variante, fiecare cu propriile merite și dezavantaje. Prin urmare, suntem foarte interesați de experiența dumneavoastră în rezolvarea problemelor de localizare a culorilor, vă vom fi recunoscători pentru recomandările și sfaturile dumneavoastră.
Orice șofer vehicul ia un număr mare de decizii într-un minut. Și, de asemenea, trebuie să monitorizați situația cu mare atenție. Mașini în jur, marcaje rutiere și semne utilizarea corectă organe de conducere - a face toate acestea în același timp nu este atât de dificil, dar foarte dificil. În timp ce șoferul câștigă experiență și va putea controla situația din jurul său, o mulțime de timp va trece cu mai multă încredere și există întotdeauna posibilitatea ca un accident să apară.
Recunoașterea semnelor de circulație este concepută pentru a ajuta șoferii condusul zilnicși puțin pentru a ușura presiunea asupra creierului uman, mai ales când este obosit la volan.
Scop principal
Trebuie inteles ca majoritatea accidentelor se produc din vina soferului care nu respecta limita de viteza. Și acest lucru se face în zadar, deoarece restricțiile sunt introduse dintr-un motiv: viteza mașinii trebuie să fie astfel încât șoferul să aibă timp să ducă la îndeplinire toate deciziile pe care le ia, fie că este vorba despre o manevră sau franare de urgenta... Prin urmare, a început dezvoltarea sisteme speciale care poate ajuta șoferul să ia o decizie sau să-și controleze acțiunile. Acum se găsește sistemul de recunoaștere a semnelor de circulație mașini diferite, inclusiv altele atât de scumpe precum BMW, Mercedes-Benz, Audi, Ford, Opel, Volkswagen și multe altele. Această tehnologie este una dintre principalele sistemului de securitate auto, care este acum echipat cu majoritatea mașinilor. Un exemplu este Opel Eye de la, respectiv, Opel. Acest sistem a fost recunoscut ca fiind unul dintre cele mai bune pentru mai mulți anii recenti... Mercedes-Benz și-a numit sistemul Speed Limit Assist și este specializat în avertizarea șoferului atunci când acesta depășește limita de viteză pentru acest site drum la un moment dat.
Proiectarea sistemului
De obicei, toate aceste modele de la orice producător au la dispoziție un set tipic de instrumente și dispozitive.
Acest lucru se datorează faptului că munca necesită exact aceleași dispozitive. Acestea includ:
- Cameră video specială sensibilă.
- Un ecran sau un alt dispozitiv pe care sistemul raportează șoferului.
- Unitatea de control, care face activitatea principală.
Camera video este amplasată lângă parbriz în habitaclu. La unele modele, în care această caracteristică este integrată în întreaga mașină, camera poate fi ascunsă undeva sub geam sau, de exemplu, în garnitura de sticlă, astfel încât camera să nu ascundă o parte a geamului. parbrizși nu a închis recenzia. Camera este îndreptată astfel încât să îi fie convenabil să filmeze spațiul din fața mașinii, în locurile în care există indicatoare în sensul de mers, adică puțin în dreapta drumului. În plus, videoclipul capturat este transmis către unitatea de control, al cărei microprocesor își analizează conținutul în timp real. Este folosit și de alte sisteme de securitate precum detectarea pietonilor pe șosea și asistența pe benzi sau benzi în trafic.
Algoritm de recunoaștere
Unitatea de control electronică a sistemului inițiază un mecanism special programat în sistemul său. Sub forma unei secvențe, aceasta poate fi reprezentată după cum urmează:
- Recunoașterea formei unui semn rutier (și le avem foarte diferite).
- Definiția inscripției de pe semn.
- Recunoașterea culorii semnului.
- Verificarea prezenței plăcuței informative.
Să analizăm principiul de funcționare al acestui algoritm folosind exemplul unui semn de limită de viteză, a cărui recunoaștere este în centrul atenției majorității mașinilor. În primul rând, tehnologia recunoaște un semn de formă rotundă, apoi combinația sa de culori: roșu și alb. Următoarea este recunoașterea inscripției, care se află pe semn, adică numărul maxim viteza admisa... Acum unitatea analizează viteza mașinii cu care circulă în prezent și, dacă există o diferență, informează șoferul despre depășirea vitezei maxime admise pe acest tronson de drum. Dacă nu există exces, atunci semnul este pur și simplu afișat pe tabloul de bord al mașinii, ca și cum ar informa șoferul că semnul a fost recunoscut.
O inovație foarte interesantă este munca în comun sisteme de recunoaștere a semnelor de circulație împreună cu navigatorul auto.
Dacă navigatorul este suficient de avansat, atunci recunoașterea semnelor va fi ghidată de navigator, la urma urmei, există și o listă cu toate semnele care vor fi pe traseu. Deci, chiar dacă camera nu are timp să detecteze semnul dintr-un motiv oarecare, acesta va fi în continuare afișat bord, iar șoferul va fi informat despre excedentul acestuia. După cum puteți vedea, sistemul de recunoaștere a semnelor este un ajutor serios pentru orice șofer, atât experimentat, cât și începător. În diferite situații, acest sistem vă poate ajuta să navigați în situație și să luați decizia corectă.
Nu chiar