Si funksionon sistemi që njeh shenjat rrugore. TSR - Sistemi i Njohjes së Shenjave të Trafikut

Shpejtësia është një kontribuues i madh në aksidentet e trafikut rrugor. Sistemi i njohjes së shenjave rrugore është krijuar për të paralajmëruar drejtuesit e mjeteve për nevojën për të respektuar kufirin e shpejtësisë. Ky sistem përcakton Shenjat rrugore kufizon shpejtësinë kur i kalon ato dhe i kujton shoferit shpejtësinë maksimale të lejuar aktuale nëse ai lëviz më shpejt.

Sistemi i njohjes së shenjave të trafikut ( Njohja e Shenjave të Trafikut, TSR) janë në pronësi të shumë prodhuesve të njohur të makinave - Audi, BMW, Ford, Mercedes-Benz, Opel, Volkswagen. Sistemi i Njohjes së Shenjave të Trafikut makina Opelështë pjesë e sistemit Syri Opel(së bashku me sistemin e paralajmërimit të largimit nga korsia). Opel Eye njihet si një nga më të mirët në fushën e siguria e automobilave viti 2010. Mercedes-Benz emërtoi sistemin e tij Ndihma për kufizimin e shpejtësisë(sistemi i kontrollit të kufirit të shpejtësisë), Volvo - Informacioni i Psherëtimës Rrugore, RSI(sistemi informativ i shenjave rrugore).

Sistemet e njohjes së shenjave të trafikut të përdorura në makina kanë një dizajn tipik, i cili përfshin një videokamerë, një njësi kontrolli dhe një pajisje dalëse informacioni.

Njësia e kontrollit elektronik zbaton algoritmin e mëposhtëm të funksionimit:

• njohja e formës së një tabele rrugore ( formë e rrumbullakët);
• njohja e ngjyrës së shenjës ( e kuqe në të bardhë);
• njohja e etiketës ( madhësia e shpejtësisë);
• njohja e tabeles se informacionit ( mënyra e transportit, koha e veprimit, zona e veprimit);
• analiza e shpejtësisë aktuale të automjetit;
• krahasimi i shpejtësisë së automjetit me shpejtësinë maksimale të lejuar;
• paralajmërim vizual dhe zanor i drejtuesit të mjetit në rast devijimi.

Shenja e kufirit të shpejtësisë shfaqet në grupin e instrumenteve ose në ekranin e sistemit të informacionit dhe mbetet e dukshme derisa kufiri të përfundojë ose të ndryshojë. Në automjetet e pajisura me një ekran informacioni, imazhi shfaqet në xhamin e përparmë.

Në disa dizajne, sistemi i njohjes së shenjave të trafikut ndërvepron me sistemin e navigimit dhe përdor informacionin e shenjës së kufirit të shpejtësisë nga hartat e lundrimit. Edhe nëse shenja nuk zbulohet nga kamera video, informacioni në lidhje me të do të shfaqet në panelin e kontrollit.

Sistemi është në gjendje të njohë kufijtë e shpejtësisë në fuqi për një lloj të caktuar transporti (me shenja informacion shtese- tabelat), si dhe shenjat e anulimit të kufirit të shpejtësisë. Sistemi Opel Eye ka shkuar më tej - ai njeh, së bashku me shenjat e kufirit të shpejtësisë, shenjat që ndalojnë parakalimin.

• Lëvizja pa u ndalur është e ndaluar;
• Ndalohet hyrja;
• rruga kryesore (fundi i rrugës kryesore);
• avantazhi i trafikut të ardhshëm (përparësi ndaj trafikut që vjen përballë);
• dorëzoju dorgut;
• fundi i zonës së të gjitha kufizimeve;
• fillimi (fundi) i zgjidhjes;
• fillimi (fundi) i autostradës;
• sektori i jetesës.

Karakteret e listuara nuk shfaqen në ekran. Informacioni për karakteret e njohura është në përputhje me të dhënat sistemi i navigimit, parametrat aktualë të lëvizjes së automjetit. Si rezultat, sistemi informon shoferin për rrymën gjendja e trafikut dhe promovon lëvizjen e sigurt.

Përballet me nevojën për të marrë shumë vendime brenda një minute. Përveç kësaj, ju duhet të vëzhgoni situatën e trafikut me kujdes të veçantë. Është jashtëzakonisht e vështirë të gjurmosh lëvizjen e makinave përreth, të ndjekësh shenjat e autostradës dhe tabelat, përdorimin e duhur të kontrolleve të tyre. Deri atëherë, kur shoferi të fitojë përvojën e nevojshme dhe të jetë në gjendje të ushtrojë kontroll të sigurt të situatës gjatë drejtimit të automjetit, do të kalojë shumë kohë dhe gjithmonë ekziston rreziku i një emergjence.

Qëllimi kryesor i sistemit

Duhet të theksohet se pjesa më e madhe ndodh për shkak të sjelljes së pahijshme të drejtuesit të mjetit që nuk respekton kërkesat e kërkuara. modaliteti i shpejtësisë... Dhe kjo është e kotë, pasi futja e kufizimeve u shpik për një arsye: makina duhet të lëvizë me një shpejtësi të tillë që shoferi të ketë kohë të reagojë siç duhet ndaj ndryshimeve në situatën e trafikut, duke bërë në mënyrë të pavarur një manovër ose frenim emergjent. Kjo është ajo që provokoi zhvillimin e sistemeve qëllim të veçantë duke ndihmuar shoferin në marrjen e vendimeve ose rregullimin e veprimeve të tij. Sistemi i njohjes, emri tjetër i të cilit është Traffic Sign Recognition, i pajis modelet e tyre me shumicën e prodhuesve të markave të makinave, BMW, Volvo, etj. Një pajisje e ngjashme për makinat Markat Opelështë pjesë e kompleksit Opel Eye. Ky lloj zhvillimi konsiderohet si një nga zbulimet më të mira në fushën e sigurisë së automobilave në dy mijë e dhjetë. Prodhuesit Mercedes-Benz kanë dhënë emrin e instalimit të tyre për zbulimin e shenjave rrugore - Ndihma e Kufirit të Shpejtësisë (që do të thotë kontrolli i shpejtësisë) dhe Volvo - RSI (sistemi i informacionit).

Lloji i teknologjisë së paraqitur është më i rëndësishmi në kompleks, i cili përfshihet në grupin e plotë të makinerive më moderne.

Komponentët e sistemit

Shpesh, çdo variacion i Njohjes së Shenjave të Trafikut nga çdo prodhues përbëhet nga vegla dhe pajisje tipike. Kjo është për shkak të nevojës për funksionimin e çdo sistemi të këtij lloji, prania e pajisjeve të së njëjtës natyrë, të paraqitura:

• një videokamerë e krijuar posaçërisht me ndjeshmëri të lartë;
• një ekran ose një lloj tjetër pajisjeje që shfaq informacion nga sistemi për pronarin e makinës;
• një njësi kontrolli që kryen pjesën kryesore të punës.

Videokamera është vendosur pranë xhamit të përparmë brenda sallon makinash... Në një numër modelesh, ku një sistem i tillë është i integruar në makinë, kamera mund të fshihet diku nën xhamin e dritares ose, për shembull, në zonën e vulës. Drejtimi i kamerës duhet të vendoset në mënyrë që ajo të shohë qartë pamjen e hapësirës përpara makinës, në zonat ku vendosen sinjalistika rrugore, përgjatë rrugës pak në të djathtë të rrugës. më pas video e filmuar shkon për përpunim në njësinë e kontrollit, mikroprocesori i së cilës kryen analizën e njëkohshme të përmbajtjes. Për më tepër, një aparat fotografik i tillë përdoret nga zhvillime të tjera të sigurisë: në formën e një instalimi për zbulimin e një këmbësori në rrugë dhe një sistem për të ndihmuar lëvizjen në një rresht ose përgjatë një korsi me një fluks të madh trafiku.

Specifikat e funksionimit

Me anë të njësisë së kontrollit elektronik të sistemit TSR, inicohet një mekanizëm i veçantë, i cili përfshihet në programin e sistemit. Procedurat me faza janë:

• në njohjen e veçorive të formës së shenjës rrugore;
• përcaktimi i mbishkrimeve në pllakën e shenjave;
• njohja e hijes së ngjyrës së shenjës;
• duke kontrolluar praninë e targës së informacionit.

Le të shqyrtojmë tiparet e funksionimit të kësaj sekuence duke përdorur shembullin e shenjave për kufizimin e mënyrës së shpejtësisë së lëvizjes, për të përcaktuar se cilat synohen sistemet e njohjes së shenjave rrugore të shumicës së makinave. Kryesisht, instalimi njeh shenja që kanë një formë të rrumbullakët, pas së cilës kombinimi i nuancave të tij - e kuqe dhe e bardhë. Pastaj njihet mbishkrimi në pllakë, përkatësisht treguesi i maksimumit vlerë e pranueshme shpejtësia. Më tej, blloku analizon vetë shpejtësinë e lëvizjes. një makinë specifike dhe, nëse ka dallime, shoferit i jepet një sinjal se kufiri maksimal i lejuar i shpejtësisë është tejkaluar në një seksion të caktuar të itinerarit. Në mungesë të shkeljeve, imazhi i tabelës shfaqet thjesht në ekranin e kroskotit të makinës, duke informuar kështu drejtuesin për njohjen e tabelës rrugore.

Një risi në sistemin e njohjes së shenjave të komunikacionit është funksionimi i përbashkët me një navigator makine.

Njohja e avancuar e shenjave të trafikut informon shoferin jo vetëm për kufizuesit e shpejtësisë, por edhe për shenjat e tjera që rregullojnë trafiku rrugor... Së bashku me shenjat që ndalojnë parakalimin, shenjat individuale për informacion shtesë, sistemi njeh shenja që tregojnë:

• të ndalojë trafikun pa ndalesë;
• ndalimi i hyrjes;
• O Rruga kryesore(duke i dhënë fund);
• në lidhje me avantazhin e makinave që lëvizin përgjatë korsia e ardhjes ose anasjelltas;
• nevoja për të lënë rrugë;
• rreth fundit të zonës me të gjitha kufizimet;
• rreth fillimit (fundit) të vendbanimit;
• rreth fillimit (fundit) të autostradës;
• për të hyrë në zonën e banimit.

Disa nga karakteret e paraqitura në listën e mësipërme nuk shfaqen në ekran. Koordinimi i informacionit për shenjat që njihen ndodh me sistemin e navigimit dhe treguesit aktual të lëvizjes së makinës. Në fund të fundit, sistemi i transmeton shoferit informacion rreth situatës së trafikut dhe siguron drejtimin e sigurt.

Kështu, ky lloj sistemi sigurie është një ndihmë thelbësore për çdo shofer, me përvojë dhe fillestar. Kontribuon në reagimin e saktë të pronarit të makinës dhe miratimin e një vendimi të duhur.

Transkripti

1 Algoritmi i Njohjes së Shenjave të Trafikut UDC PV Romanov, student Rusi, Moskë, MSTU im. N.E. Bauman, departamenti " Sistemet kompjuterike dhe rrjetet "Këshilltar shkencor: Samarev RS, Ph.D., profesor i asociuar Rusi, Moskë, MSTU im. N. E. Bauman Hyrje Qëllimi i kësaj pune është të zgjidhë problemin e njohjes së sinjalistikës rrugore, si dhe të testojë efikasitetin dhe përdorshmërinë e algoritmeve të zbatuara në bibliotekën opencv. Për të marrë të dhënat fillestare është përdorur një aparat fotografik, i fiksuar në makinë, një videoregjistrues tipik, i cili ofron regjistrim video në formatin Full-HD. Detyrat kryesore ishin: fiksimi i shenjës në video nga kamera, përcaktimi i llojit të saj sipas një klasifikimi të thjeshtuar. Algoritmi i njohjes së shenjave Në procesin e analizimit të qasjeve të mundshme, u morën parasysh si "rrjetet neurale" dhe qasjet statistikore. Biblioteka OpenCV zbaton një numër të madh funksionesh që ju lejojnë të zbatoni këto qasje sipas modeleve të paracaktuara. Megjithatë, në në këtë rast u vendos që të përdoren metoda ekzakte të cilat janë implementuar edhe në OpenCV. Për të zgjidhur problemin, u shkrua një program njohës. Procesi i njohjes u krye në tre faza: fiksimi i zonës së kërkimit dhe vetë objektit (shenjë, në rastin e funksionimin e duhur); analiza e parametrave të objektit të gjetur, duke e caktuar atë në një nga llojet (shabllonet nga baza e të dhënave); përshtatja e programit për të punuar në më shumë kushte të pafavorshme: në errësirë, prania e ndërhyrjes.

2 Në secilën nga këto faza thirren funksionet nga biblioteka. Një diagram i përgjithësuar i algoritmit të analizës është paraqitur në figurën 1. Diagrami tregon fazat dhe funksionet e OpenCV të përdorura. Oriz. 1. Skema e përgjithësuar e algoritmit (fillimi) Buletini Shkencor dhe Teknik Rinor FS, ISSN.

Fig. 3 1. Skema e përgjithësuar e algoritmit (vazhdim) Në fazën e parë u përdorën funksionet cvsetimageroi, cvboundingrect dhe cvcopy. E para ju lejon të përqendroheni në rajonin e interesit të ROI. Në figurën 3, mund të shihni se programi në fakt analizon dhe i paraqet përdoruesit vetëm një pjesë të kornizës (Figura 2). Një nga parametrat e tij, koordinatat e zonës së zgjedhur, llogaritet lehtësisht, pasi OpenCV parashikon shoqërimin e figurës me informacionin e nevojshëm.

4 Fig. 2. Imazhi origjinal Fig. 3. Pjesa e analizuar e imazhit (korniza) Pasi të zgjidhni zonën në të cilën ka më shumë gjasa të shfaqen shenjat, afërsisht e treta e mesme e kornizës, duhet ta përgatisni për të kërkuar forma të ngjashme me shenjat. Për këtë, u përdorën mjetet e mëposhtme nga opencv. Funksioni cvcvtcolor me opsionin për të kthyer imazhin në shkallë gri, i nevojshëm për të aplikuar një transformim të pragut (funksioni cvthreshold) ose transformim Kenny (funksion cvcanny). Të dyja metodat janë krijuar për të binarizuar një imazh (vetëm bardh e zi) dhe për të theksuar kufijtë e objekteve në të, por e para merr parasysh vetëm shkëlqimin e zonave të imazhit, ndërsa algoritmi i Kenny kryen gjithashtu restaurim të pjesshëm të skajeve. Eksperimentet kanë konfirmuar epërsinë e funksionit cvcanny (Figura 4). Buletini Shkencor dhe Teknik i Rinisë FS, ISSN

5 Fig. 4. Rezultati i aplikimit sekuencial të cvcvtcolor dhe cvcanny në imazh Më pas, në imazh, duhet të gjeni të gjitha konturet e mundshme të mbyllura. Për këtë përdoret funksioni cvfindcontours, i cili ka si parametër një imazh të binarizuar më parë. Pati përpjekje për të aplikuar operatorin Sobel për të llogaritur gradientin e ndriçimit të çdo pike të figurës (funksioni cvsobel) dhe, me transformimin Hough, për të gjetur forma gjeometrike, në këtë rast rrathë (funksioni cvhoughcircles). Asnjë nga këto funksione nuk është treguar mjaft i gjithanshëm në eksperimente për shkak të pasaktësisë së kombinimeve të parametrave të hyrjes kur punoni me video. Hapi tjetër është zgjedhja e kontureve që plotësojnë kushtet e specifikuara. Gjëja e parë që u analizua ishte zona e konturit, pasi ajo luhatet brenda kufijve të njohur më parë. Mund të merret duke telefonuar cvcontourarea. cvcontourperimeter kthen gjatësinë e konturit, e cila nevojitet për të llogaritur parametrin e dytë të kompaktësisë. Është raporti i sipërfaqes me katrorin e perimetrit. E thënë thjesht, karakterizon ngjashmërinë e një objekti me një rreth, pasi një rreth është figura më kompakte. ka një koeficient afërsisht 0.79. Dhe së fundi, u krye një kontroll për koincidencën e momenteve të kontureve (formave të tyre dalluese) duke përdorur funksionin opencv cvmatchshapes, i cili krahason konturet e përkthyera në kodin e zinxhirit Freeman dhe jep nivelin e ndryshimit të tyre. Eksperimentet kanë treguar se ngjashmëria pothuajse e plotë shprehet me një vlerë më të vogël.

6 Fig. 5. Të gjitha konturet e gjetura në zonë. 6. Konturet që përshtaten në formë Sipas rezultatit të këtij funksioni, është e pamundur të thuhet me siguri nëse një kontur është i përshtatshëm apo jo, prandaj metoda e fundit për vendosjen e dallimeve është analiza e ngjyrës në kontur. Funksionet cvsplit dhe cvcvtpixtoplane u përdorën për të ndarë imazhin në kanale me ngjyra. Sidoqoftë, funksioni cvcvtpixtoplane është menduar për imazhet e përfaqësuara jo nga kanalet me ngjyra, por nga kanalet tonale: ngjyrimi, shkëlqimi dhe thellësia (modeli HSV) Dallimi midis fazës së dytë dhe të parës është në një madhësi më të vogël të imazhit të përpunuar, por një krahasim më i plotë i momenteve të kontureve. Përputhet me të gjithë karakteret në bazën e të dhënave që përputhen me kushtet e kontrolluara në hapin e mëparshëm. Kontrasti i imazhit u krye gjithashtu me dorë për të siguruar funksionim më të qartë të funksioneve të zbulimit të kufirit. Rezultatet Mostra u formua duke marrë parasysh përfshirjen e formave të ndryshme të shenjave dhe imazheve në to. Njohja e 7 karaktereve u testua për 16 fragmente video me rezolucion 1920x1080. Video e përdorur në një ditë të pastër. Rezultatet janë të tabeluara. Buletini Shkencor dhe Teknik i Rinisë FS, ISSN

7 Shembull i saktësisë së njohjes Shembull i formës së shenjës Saktësia e njohjes Parakalimi i ndaluar 85% Hyrja e ndaluar 65% Kufiri i shpejtësisë 40 km/h 65% 75% Kufiri i shpejtësisë 70 km/h 70% Nuk ka kthesë 40% % Kryqëzimi i rrugës anësore trekëndore 80 % 75% Përfundim Bazuar në rezultatet e punës së kryer, mund të vërejmë mundësinë e përdorimit të bibliotekës OpenCV për të zgjidhur problemin e njohjes së shenjave rrugore. Njihen afërsisht 70%, gjë që, megjithatë, tregon nevojën për të gjetur metoda më optimale. Një fushë e mundshme e punës duhet të theksohet gjithashtu studimi i njohjes së personazheve në kushte të vështira, për shembull, gjatë natës ose në mjegull. Referencat 1. Voroshin G. Ya. Metodat e njohjes së modelit. Mënyra e hyrjes: (data e hyrjes). 2. Vladimir N. OpenCV hap pas hapi. Mënyra e hyrjes: (data e hyrjes). 3. Njohja e imazhit me OpenCV: përvijon kundër modalitetit të qasjes në haartraining: (data e aksesit :). 4. Gary Bradski, Adrian Kaehler. Mësoni OpenCV. Vizioni kompjuterik me bibliotekën OpenCV. Në dispozicion në:% D1% 81% D1% 82% D1% 80% D0% B0% D0% BD% D0% B8% D1% 86% D0% B0, aksesuar RECOG.RU: njohja e modelit për programuesit Modaliteti i qasjes: (data trajtim :).

UDC 004.932.72 "1 Karakteristikat kryesore të algoritmit të njohjes së shenjave të rrugës Hyrje Chistyakov I.Yu., student Rusi, 105005, Moskë, Universiteti Teknik Shtetëror i Moskës Bauman, Departamenti i Sistemeve të Informacionit dhe Telekomunikacionit"

UDC 004.051 Boynov M.A. Student i Masterit, Fakulteti i Sistemeve të Përpunimit dhe Menaxhimit të Informacionit, Universiteti Teknik Shtetëror i Moskës N.E. Bauman Rusi Moska Dzhanaev S.I. Student i Masterit, Fakulteti i Sistemeve të Përpunimit të Informacionit

UDC 004.932 Një metodë për identifikimin e imazheve të ngjashme bazuar në përdorimin e përshkruesve SIFT Savonin AI, student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Softuerit Kompjuterik dhe Informacionit

# 06, qershor 2016 UDC 004.932 Përdorimi i një rrjeti nervor dhe përshkruesit SIFT për të krahasuar imazhet Hyrje Savonin A.I., student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Softuerit

UDC 004.93 "1 P.F. Pavlenko, Instituti i Automatizimit dhe Teknologjive të Informacionit të Akademisë Kombëtare të Shkencave të Republikës së Kirgistanit. NJOHJA E OBJEKTEVE LËVIZSHME NË RRJEDHËN E TRANSPORTIT

UDC 004.932 Algoritmi për njohjen e seksioneve të specifikuara të infrastrukturës së transportit rrugor në fotografitë ajrore Kosyura OV, student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Softuerit

Seksioni 6. Përpunimi dixhital i sinjaleve dhe imazheve 337 UDC 004.932.4 Bani-Amer Tamer, Khmelevoy S.V., Azarenko D.V. Universiteti Teknik Kombëtar Donetsk, Donetsk, Departamenti i Automatizimit

UDC 004.93 Hetimi i metodave për formimin e një vektori të veçorive të imazhit të fytyrës duke përdorur filtrat Gabor EA Lavrova, student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Biomjekësisë

ÓД 004.932.2 Zhvillimi dhe optimizimi i procesit të ndarjes së imazhit dhe transmetimit të videos në anën pajisje celulare N.A. Severinov Ivan Fedorov Universiteti Shtetëror i Arteve të Shtypjes në Moskë

UDC 004.932 Algoritmi për klasifikimin e gjurmëve të gishtërinjve Lomov DS, student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Softuerit Kompjuterik dhe Teknologjia e informacionit"Mbikëqyrësi:

# 08, gusht 2016 UDC 004.93 "1 Normalizimi i të dhënave të kamerës 3D duke përdorur metodën e komponentit kryesor për zgjidhjen e problemit të njohjes së qëndrimeve dhe sjelljes së përdoruesve të Smart Home. Malykh D.A., student Rusi,

# 06, qershor 2016 UDC 681.531.2 Njohja e objekteve duke përdorur një kamerë televizive Voronin A.V., student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i "Robotikës Speciale dhe Mekatronikës" Shkencor

UDC 681.5: 004.93 Kalinichenko Yu.V. PËR PYETJEN E IDENTIFIKIMIT TË KUFIJVE NGA DETETORI KENNY Universiteti Kombëtar Lugansk me emrin Taras Shevchenko Çështja e zbulimit të kufijve nga detektori Kenny është shqyrtuar. Algoritmi i implementuar

UDC 004.93 Analizë krahasuese e algoritmeve të njohjes së fytyrës në problemin e identifikimit vizual O.V. Rogozin, S.A. Kladov MSTU ata. N.E. Bauman, Moskë, 105005, Rusi Artikulli i kushtohet dy qasjeve ndaj njohjes

UDC 004.932, 681.518 Analizë krahasuese e algoritmeve për ndërtimin e imazheve të sipërfaqes së poshtme VA Bocharov, student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Automatikës

UDC 159.9.072.592 Njohja e karakteristikave të përdoruesit duke shkruar me dorë të gjitha informacionet interesante. http://sntbul.bmstu.ru/doc/616688.html Tambiev K.Sh., student i Departamentit të Sistemeve të Informacionit dhe Telekomunikacionit,

Hough transformon Anna Degtyareva [email i mbrojtur] Vezhnevets Vladimir [email i mbrojtur] Përmbajtja Hyrje Ideja kryesore e metodës Shembull: zgjedhja e linjave në figurë Shembull:

UDC.004.01 Llogaritja e fluksit optik për përzgjedhjen e automjeteve në imazhin video P. A. Devaikin 1, A. V. Shikut 1 1 MSTU im. N.E. Bauman, Moskë, 105005, Rusi Algoritme për llogaritjen

Pyetje për kontrollin aktual të progresit dhe certifikimin e ndërmjetëm për lëndën "Metodat dhe teknika e njohjes së modeleve" 1. Detyra e analizës së imazhit, rëndësia praktike e saj 2. Koncepti i një imazhi.

266 Seksioni 6. Përpunimi dixhital i sinjaleve dhe imazheve UDC 004.932 D.S. Khimich, A.Yu. Kharitonov Universiteti Teknik Kombëtar i Donetskut, Departamenti i TEKNOLOGJIVE të Sistemeve të Monitorimit Kompjuterik në Donetsk

Ndërtimi i realitetit të shtuar duke përdorur shembullin e krijimit të një dhome virtuale montimi. 77-48211 / 482783 # 08, gusht 2012 Devaykin P. A., Shikut A. V. UDC.004.021 Rusi, MSTU im. N.E. Bauman [email i mbrojtur]

Kompleksi i softuerit "Bordi Interaktiv i Informacionit" Drozdova Yulia Alexandrovna Universiteti Kombëtar i Kërkimeve Shtetërore Perm, Perm, Rusi. Shënim. Artikulli i kushtohet çështjes së krijimit të paketës softuerike "Informacion ndërveprues

298 SISTEMI I SPECIALIZUAR I FOKUSIT KOMPJUTERIK I MIKROSKOPIT Kirichenko MN, grupi KSD-05m Shef Assoc. departamenti ACS Omelchenko A.A. Aktualisht, mikroskopët përdoren gjerësisht në mjekësi dhe teknologji.

172 Seksioni 5. Përpunimi dixhital i sinjaleve dhe imazheve N.N. Departamenti i Universitetit Teknik Kombëtar Sheremet Donetsk software sisteme inteligjente KËRKIMI I METODËS TË AKTIVE

ZBULIMI, KLASIFIKIMI DHE PËRCAKTIMI I PARAMETRAVE TË OBJEKTEVE TË VENDOSUR NGA KUFIJTË E TIPAREVE TË TIJ NË IMAZH GJYSMËTONI NE KOHË REAL. A.V. Bovyrin, A.V. Gubanov, V.F. Kuryakin, K.V. Rodyushkin,

Strukturat matematikore dhe modelimi 2015.4 (36). Fq 123 128 UDC 004.93 VIZIONI KOMPJUTER SI MJETE E NXJERRJES SË INFORMACIONIT NGA VIDEO N.V. Manyukova Kandidat i Shkencave Pedagogjike, Profesor i Asociuar, e-mail:

UDC 57.08 Testimi i bibliotekave për vendosjen automatike të pikave të kontrollit të fytyrës 07, korrik 2012 Tomak K.S. Studenti, Departamenti i Sistemeve të Përpunimit të Informacionit Drejtues: Kashapova L.Kh., Asistent

UDC 004.4 SKELETIZIM PARAPRAK I RALLË I IMAZHVE RASTER DHE ZBULIMI I ELEMENTEVE TË THJESHTË А.N. Romanov, M.V. Universiteti Teknik Kombëtar Privalov Donetsk Detyra e shikimit të statistikave

# 07, korrik 2017 UDC 004.032.26 Rrjeti nervor konvolucional për zhvillimin e një sistemi për njohjen dhe klasifikimin e imazheve Guziy E.A., student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Kompjuterit

ALGORITME PËR NJOHJEN E FYTYRAVE BAZUARA NË BIBLIOTEKA TË OPENCV 66 S.V. Tomilov Most sistemet moderne njohja e fytyrës është shumë e ndjeshme ndaj karakteristikave të imazheve të paraqitura. Prandaj, para të menjëhershme

UDC 0093 1; 0093 METODA AN SAMOILOV, IV SHEVCHENKO PËR DETEKTIMIN E LINJËVE TË QARKUT NË DALLIMET E NDRIÇIMIT TË SKËZIVE TË PROPOZUARA TË IMAZHIT TË BINARIZUAR TË GJURMËVE TË DISLOKIMIT NË Pllakat GaAs.

UDC 621.391 Njohja dydimensionale e sinjalit bazuar në metodën k fqinjët më të afërt Yakubov R.Zh., student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Këshilltar Shkencor i Departamentit të Sigurisë së Informacionit:

UDC 531.1 SISTEMI PËR ZEKTIMIN DHE MBËSHTETJEN E VIDEO SHËNJUESVE PËR SIGURIN E LUNDIMIT TË ROBOTIT A. V. Kalinichenko ( [email i mbrojtur]) Instituti i Matematikës së Aplikuar. M.V. Keldysh RAS, Moskë

Universiteti Teknik Kombëtar Donetsk Fakulteti i Shkencave Kompjuterike dhe Teknologjisë Departamenti i Matematikës së Aplikuar dhe Informatikës GJURMIMI AUTOMATIK I OBJEKTEVE LËVIZSHME NË SISTEMET E MBIKQYRJES SË VIDEO

UDC 004.932.2 Algoritmet e segmentimit të imazhit Ogluzdina Yu.A., student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti "Software kompjuterik dhe teknologjitë e informacionit" Këshilltar shkencor:

UDC 681.327.1 # 12, dhjetor 2015 Projektimi i një sistemi për njohjen e sjelljes dinamike të njerëzve Demin N.A., student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Sistemeve të Informacionit

UDC 681.326 A.M. Shashlov Rivendosja Efiçiente e Ndarjeve NË DËMTIMET E SISTEMEVE TË NDARJES SË DISKUT Janë marrë në konsideratë qasjet ekzistuese për rikuperimin e të dhënave në rast të dëmtimit logjik të sistemit

ALGORITME PËR KONTROLLIN E KORDINATAVE TË BURIMIT TË RREZATIMIT NË SIPËRFAQEN FOTOSENSITIVE TË MATRICËS V.V. Zamyatin

Zbulim fyte të ngushta rrugët e transmetimit të të dhënave në një rrjet kompjuterik dhe vlerësimi i tyre gjerësia e brezit Për të organizuar funksionimin efikas të një rrjeti kompjuterik, ruterat dhe pajisjet e tjera kanë nevojë për informacion

54 VERIFIKIMI I NJË OBJEKTI TË NDRYSHËM OPTIKËSHT duke Zbuluar NDRYSHIMIN E NGJYRËS Ekaterina Gorshkova, Roman Telyatnikov, Ivan Shumsky

UDC 004.031.2, 004.932 Metodat për optimizimin e llogaritjes së fluksit optik në sistemet autonome të navigimit Hyrje Zhukov RV, student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti "" Sistemet

Universiteti Shtetëror i Shën Petersburgut të Matematikës Fakulteti i Mekanikës Departamenti i Programimit të Sistemit Reduktimi i rezolucionit të histogramit të gradientëve të orientuar për zbulimin e objekteve të vogla

# 01, janar 2016 UDC 534.4 Sinteza e zërit të softuerit instrumente muzikore Tishina E. M., studente Rusia, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Sistemeve të Informacionit dhe Telekomunikacionit

Pasaporta e fondit të mjeteve të vlerësimit për disiplinën "Teoria e njohjes së modeleve" Shtojca 1 p/p Seksionet (temat) e kontrolluara të disiplinës * Kodi i kompetencës Emri i mjetit të vlerësimit Seksioni 1. Njohja

Marrja e konturit të këmbës nga fotografitë me saktësi maksimale Pak për projektin Vendi i zbatimit të projektit: SPbSPU, laboratori i grafikës kompjuterike, kreu Sergey Belyaev Detyra është

Sistemet automatike të njohjes së targave # 12, dhjetor 2014 Yuzov M. V., Pugachev E. K. UDC: 004.8 Rusi, MSTU im. N.E. Bauman [email i mbrojtur] Hyrje Sot teknologjia kompjuterike

UDC 004.021 Përdorimi i grupit Redis në zbulimin e plagjiaturës Evgrafov I.A., student Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Sistemeve Kompjuterike dhe Rrjeteve Këshilltar Shkencor:

SISTEMI I NJOHJES SË SHENJAVE TË TRAFIKUT Gilmanov Timur Adelevich, student master, KNITU-KAI me emrin A.N. Tupolev, Kazan E-mail: [email i mbrojtur] Abstrakt: Ky artikull ofron një përshkrim të sistemit

3 L.V. A. A. Antonov ORLOV Studim eksperimental i algoritmeve për përpunimin e imazheve të produkteve industriale UDC 004.942 Instituti Murom (dega) FSBEI HPE "Universiteti Shtetëror Vladimir me emrin

Modeli kompjuterik i sistemit VADS Szegeda S.V., Ph.D. O. V. Devochkin MSTU "MAMI" Për të reduktuar numrin e aksidenteve në rrugë, sistemet e reja të sigurisë së makinave po zhvillohen vazhdimisht. Më premtuesja

382 Seksioni 7. Teknologjitë dhe sistemet e inteligjencës artificiale UDC 004.931 Tkachuk E.O., Fedyaev O.I. Departamenti i Matematikës së Aplikuar dhe Informatikës në Universitetin Teknik Kombëtar të Donetsk [email i mbrojtur]

Algoritmi për regjistrimin e imazheve tre-dimensionale të objekteve duke përdorur një sistem stereoskopik pasiv duke përdorur përpunimin e imazhit në shumë shkallë. 77-3569 / 23289 # 1 tetor 211 Zaitsev K. I. Perov

UDC 681.325 KOMBINIM I IMAZHVE RASTER NË SISTEMET E VIZIONIT TEKNIK NV Soloviev, Cand. teknologjisë. Sci., Profesor i Asociuar A.A. Kozlov, Aplikanti M.Yu. Litvinov, Aplikant Universiteti Shtetëror i Shën Petersburgut

Leksioni 15 Përdorimi i aparatit të rrjeteve nervore për të përcaktuar cilësinë e perceptimit në sistemet IPTV Plani 1. Konceptet e përgjithshme rreth rrjeteve nervore (përkufizimi i një rrjeti nervor, shkalla MOS) 2. Klasifikimi i nervave

Manuali i përdorimit të softuerit Orion-Auto 1 Qëllimi i sistemit Orion-Auto ... 3 2 Karakteristikat e sistemit ... 3 3 Instalimi i Orion-Auto ... 4 4 Organizimi i sistemit ... 4

# 09, shtator 2015 UDC 004.021 Aplikimi i filtrit Kalman për përpunimin e një sekuence të koordinatave GPS Listernko R.R., bachelor Rusi, 105005, Moskë, MSTU im. N.E. Bauman, Departamenti i Softuerit

Përshtatja e vijës, ose metodat për përafrimin e një grupi pikash të një vije të drejtë Anna Degtyareva [email i mbrojtur] Vezhnevets Vladimir [email i mbrojtur] Përmbajtja e përshtatjes së linjës ose metodat për përafrimin e një grupi pikash të një linje

UDC 004.424.4 Hetimi i ndikimit të numrit të shtresave dhe numrit të tyre në sjelljen e gabimit, shkalla e të mësuarit në rrjet Zhivykh S.Yu., student i departamentit "Sistemi dhe kontrolli i përpunimit të informacionit" Rusi, 105005, g.

N.N. Alekseeva, A.S. Irgit, A.A. Kurtova, Sh.Sh. Aplikimi Mongush i metodave të përpunimit të imazhit në problemin e njohjes së modelit vaskular të palmës Kërkesat për sistemet e sigurisë po rriten çdo vit.

2. KËRKESAT ERGONOMIKE PËR MEDIA Parimi kryesor dizajni i informacionit është se trupi kryesor i informacionit duhet të bëhet i aksesueshëm dhe lehtësisht i asimiluar nga audienca. I menduar

NDËRTIMI I MODELIT TË IMAZHIT DHE APLIKIMI I TIJ NË PROBLEMET E ZBULIMIT TË OBJEKTEVE 1. Hyrje Marrja e një përshkrimi të veçorive të imazheve është një nga fazat kryesore në probleme të tilla të makinës.

Koncepti i një algoritmi. Imazhi i algoritmit në formën e një bllok diagrami. Algoritme lineare dhe të degëzuara. Zgjidhja e çdo problemi në kompjuter duhet të ndahet në fazat e mëposhtme: zhvillimi i një algoritmi për zgjidhjen

Eksplorimi i Bibliotekave vizion teknik për ndërtimin e një sistemi të kontabilitetit të trafikut në kryqëzimet A. E. Sokolov Instituti i Automatizimit dhe Elektrometrisë SB RAS Universiteti Shtetëror Shkencor i Novosibirsk

Konferenca e 17-të All-Ruse me pjesëmarrje ndërkombëtare "Metodat matematikore të njohjes së modeleve - 2015" Rajoni Svetlogorsk Kaliningrad 19-25 shtator 2015 Filtrimi morfologjik i imazheve

ASPEKTET E APLIKUARA TË INFORMATIKËS Kërkoni imazhe sipas përmbajtjes vizuale në bazat e të dhënave grafike dhe në internet I.Ye. Abstrakt i Desyatnikov. Artikulli paraqet një sistem për kërkimin e imazheve nga vizuale

Metodat e njohjes së fytyrës Yu. Lifshits. 4 dhjetor 2005 Përmbajtja 1 Zbatimi i algoritmeve të njohjes së fytyrës 2 2 Karakteristikat e njohjes së fytyrës 2 2.1 Specifikimi i problemit .......................... 2 2.2 Abstrakt

Ivan Ozhiganov 9 korrik 2013

E ardhmja e tregut të softuerit dhe aplikacioneve celulare në veçanti është e lidhur ngushtë me përdorimi i aplikuar Teknologjitë M2M që mundësojnë zbatimin e të rejave ide interesante dhe zbatoni zgjidhje më të avancuara në një gamë të gjerë fushash: siguri, mbikëqyrje video në distancë, automatizim industrial, elektronikë të konsumit dhe të tjera.

Në vitin 2014, Apple planifikon të lançojë iOS në makinë, një platformë celulare që ju lejon të përdorni pajisjet iOS përmes një ndërfaqeje makine, dhe ekipi ynë aktualisht është duke punuar në një aplikacion prototip të asistentit të shoferit për pajisjet iOS.

Pasqyrë e projektit

Ideja e projektit është të shtojë funksionet e një navigatori, një "videoregjistrues inteligjent" në aftësitë e pajisjeve iOS. Detyrë fazën aktuale- për të zhvilluar një aplikacion prototip që jo vetëm regjistron ngjarjet e trafikut, si një regjistrues i rregullt, por gjithashtu njeh shenjat rrugore të hasura, duke paralajmëruar shoferin për to. Funksioni i paralajmërimit është i rëndësishëm sepse shpesh drejtuesit e mjeteve nuk kanë kohë të vërejnë një shenjë ose harrojnë shpejt se cilën shenjë të fundit ose sekuencë shenjash kanë kaluar.

Në zhvillimin e prototipit, ne e kufizuam veten në shenja ndaluese - shenja të rrumbullakëta me një kufi të kuq në një sfond të bardhë. Në të ardhmen, ne planifikojmë të shtojmë tabela të tjera, të implementojmë një bazë të dhënash të përditësuar vazhdimisht të rrugëve dhe shenjave rrugore, të zakonshme për të gjitha pajisjet që përdorin aplikacionin dhe shumë më tepër.

Parimi i aplikimit: videokamera e telefonit kap një transmetim video me rezolucion 1920 × 1080, kornizat që rezultojnë analizohen dhe njihen, kur njihet shenja, shkaktohet një ngjarje e caktuar: jepni një sinjal paralajmërues shoferit, shtoni informacion në bazën e të dhënave rrugore, etj.

Detyra mund të ndahet përafërsisht në dy faza:

• Segmentimi me ngjyra i një imazhi
• Njohja e shenjave

Faza 1. Segmentimi me ngjyra i imazhit

Kapni një imazh. Në kërkim të bardhë e kuq

Një karakteristikë unike e shenjave të ndalimit është një rreth i dominuar nga e bardha me një kontur të kuq, i cili bën të mundur identifikimin e këtyre shenjave në imazhe. Pasi të marrim kornizën nga kamera në formatin RGB, ne presim imazhin 512 me 512 (Fig. 1) dhe zgjedhim ngjyrat e kuqe dhe të bardhë në të, duke i hedhur të gjitha të tjerat.

Për lokalizimin e ngjyrave - përcaktimi i elementeve të një ngjyre specifike - formati RGB është shumë i papërshtatshëm, sepse e kuqja e pastër është shumë e rrallë në natyrë, por pothuajse gjithmonë vjen me papastërti të ngjyrave të tjera. Përveç kësaj, ngjyra ndryshon ngjyrën dhe shkëlqimin në varësi të ndriçimit. Kështu, për shembull, në lindjen dhe perëndimin e diellit, të gjitha objektet marrin një nuancë të kuqe; muzgu dhe muzgu gjithashtu japin nuancat e tyre.

Oriz. 1... Një imazh në formatin RGB me madhësi 512 x 512, duke hyrë në hyrjen e algoritmit.

Sidoqoftë, në fillim u përpoqëm ta zgjidhnim problemin duke përdorur formatin origjinal RGB. Për të theksuar ngjyrën e kuqe, vendosim pragun e sipërm dhe të poshtëm: R> 0.7 dhe G dhe 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.

Prandaj, ne e konvertuam modelin RGB në modelin e ngjyrave HSV / B, në të cilin koordinatat e ngjyrave janë: Hue, Saturation dhe Value / Brightness.

Modeli HSV/B zakonisht përfaqësohet nga një cilindër me ngjyra (Fig. 2). Është i përshtatshëm sepse nuancat e ngjyrave në të janë vetëm të pandryshueshme tipe te ndryshme ndriçimi dhe hijet, gjë që thjeshton natyrshëm detyrën e nxjerrjes në pah të ngjyrës së dëshiruar në imazh, pavarësisht kushteve si koha e ditës, moti, hija, pozicioni i diellit etj.

Kodi shader për kalimin nga RGB në HSV / B:

Ndryshim i teksturës së lartë vec2 Koordinata; noton me precizion të lartë; uniforme sampler2D Burimi; kryesore e pavlefshme () (vec4 RGB = teksturë 2D (Burimi, teksturëKoordinata); vec3 HSV = vec3 (0); float M = min (RGB.r, min (RGB.g, RGB.b)); HSV.z = max ( RGB.r, max (RGB.g, RGB.b)); notues C = HSV.z - M; nëse (C! = 0.0) (HSV.y = C / HSV.z; vec3 D = vec3 ((( (HSV.z - RGB) / 6.0) + (C / 2.0)) / C); nëse (RGB.r == HSV.z) HSV.x = Db - Dg; tjetër nëse (RGB.g == HSV. z) HSV.x = (1.0 / 3.0) + Dr - Db; përndryshe nëse (RGB.b == HSV.z) HSV.x = (2.0 / 3.0) + Dg - Dr; nëse (HSV.x< 0.0) { HSV.x += 1.0; } if (HSV.x >1.0) (HSV.x - = 1.0;)) gl_FragColor = vec4 (HSV, 1); )

Oriz. 2... Cilindri me ngjyra HSV / B.

Për të nxjerrë në pah ngjyrën e kuqe, ne vizatojmë tre plane kryqëzuese që formojnë një zonë në cilindrin e ngjyrave HSV / B që korrespondon me ngjyrën e kuqe. Detyra e nxjerrjes në pah të ngjyrës së bardhë është më e thjeshtë, sepse ngjyra e bardhë ndodhet në pjesën qendrore të cilindrit dhe thjesht duhet të tregojmë pragun përgjatë rrezes (boshtit S) dhe lartësisë (boshtit V) të cilindrit, të cilat formojnë zonën që korrespondon me ngjyrën e bardhë.

Kodi shader që kryen këtë veprim:

Ndryshim i teksturës së lartë vec2 Koordinata; noton me precizion të lartë; uniforme sampler2D Burimi; // parametrat që përcaktojnë planin konst 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; kryesore e zbrazët () (vlera vec4HSV = teksturë2D (Burimi, teksturëKoordinata); float H = vleraHSV.r; float S = vleraHSV.g; notimi V = vleraHSV.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 = noton (fR); float B = noton (! 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); )

Rezultati i shader-it që nxjerr në pah ngjyrat e kuqe dhe të bardha në imazhin 512 x 512 është paraqitur në Fig. 2. Megjithatë, siç tregohet nga eksperimentet llogaritëse, për punë të mëtejshmeështë e dobishme të ulni rezolucionin e imazhit në 256 me 256 sepse kjo rrit produktivitetin dhe praktikisht nuk ndikon në cilësinë e lokalizimit të shenjave.

Oriz... 3. Imazhi bardhë e kuq.

Gjetja e rrathëve në një imazh

Shumica e metodave të kërkimit të rrethit punojnë me imazhe binare. Prandaj, imazhi kuq dhe bardhë i marrë në hapin e mëparshëm duhet të konvertohet në një formë binare. Në punën tonë, ne u mbështetëm në faktin se në shenjat ndaluese ngjyra e bardhë e sfondit kufizohet në skicën e kuqe të shenjës dhe zhvilluam një algoritëm për shaderin që kërkon kufij të tillë në një imazh të kuq në të bardhë dhe shënon pikselat e kufirit. si 1, dhe jo piksele kufitare - 0.

Algoritmi funksionon si më poshtë:

• pikselët fqinjë të çdo piksel të kuq të imazhit skanohen;
• nëse gjendet të paktën një piksel i bardhë, atëherë pikeli origjinal i kuq shënohet si kufi.

Kështu, marrim një imazh bardh e zi (256 x 256), në të cilin sfondi është i mbushur me të zezë, dhe rrathët e supozuar - të bardhë (Fig. 4a).

Oriz. 4a... Imazhi binar që shfaq kufijtë e kuq dhe të bardhë.

Për të reduktuar numrin e pikave false, është e dobishme të aplikohet morfologjia (Fig. 4b).

Oriz. 4b... I njëjti imazh, por pas aplikimit të morfologjisë.

Tjetra, në imazhin binar që rezulton, duhet të gjeni rrathët. Së pari, vendosëm të përdorim metodën Hough Circles Transform të zbatuar në CPU në bibliotekën OpenCV. Fatkeqësisht, siç tregohet nga eksperimentet llogaritëse, kjo metodë mbingarkon CPU-në dhe redukton performancën në një nivel të papranueshëm.

Një mënyrë logjike për të dalë nga kjo situatë do të ishte transferimi i algoritmit në shaderat e GPU, megjithatë, si metodat e tjera për gjetjen e rrathëve në imazhe, metoda Huff nuk përshtatet mirë me paradigmën e qasjes shader. Kështu, na u desh të ktheheshim në një metodë më ekzotike për të gjetur rrathë - metodën kërkim i shpejtë rrathë duke përdorur çifte gradienti (Zbulimi i shpejtë i rrethit duke përdorur vektorët e çifteve të gradientit), i cili tregon më shumë produktivitet të lartë në CPU.

Hapat kryesorë kjo metodë në vijim:

1 ... Për çdo piksel të imazhit binar, përcaktohet një vektor që karakterizon drejtimin e gradientit të shkëlqimit në një pikë të caktuar. Këto llogaritje kryhen nga një shader që zbaton operatorin Sobel:

Ndryshim i teksturës së lartë vec2 Koordinata; noton me precizion të lartë; uniforme sampler2D Burimi; float uniform Ofset; kryesore e zbrazët () (vec4 qendër = teksturë2D (Burimi, teksturëKoordinata); vec4 NE = teksturë2D (Burimi, teksturëKoordinata + vec2 (Offset, Offset)); vec4 SW = teksturë2D (Burimi, teksturaKoordinata + vec2 (-Offset, -Offset)) ; vec4 NW = teksturë2D (Burimi, teksturaKoordinata + vec2 (-Offset, Offset)); vec4 SE = teksturë2D (Burimi, teksturëKoordinata + vec2 (Offset, -Offset)); vec4 S = teksturë2D (Burimi, teksturëKoordinata (0, + vec2 -Offset)); vec4 N = teksturë2D (Burimi, teksturëKoordinata + vec2 (0, Ofset)); vec4 E = teksturë2D (Burimi, teksturëKoordinata + vec2 (Offset, 0)); vec4 W = teksturë2D (Burimi, teksturëKoordinata + 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; grad float Madhësia = gjatësia (gradient); gradient notuesX = (gradient.x + 4.0) /255.0; notues gradY = (gradient.y + 4.0) /255.0; gl_FragColor = vec4 (gradë Madhësia, gradX, gradY, 1.0);)

Të gjithë vektorët jozero grupohen sipas drejtimit. Për shkak të diskretitetit të imazhit binar, fitohen gjithsej 48 drejtime, pra 48 grupe.

2 ... Grupet janë në kërkim të çifteve të vektorëve me drejtim të kundërt V1 dhe V2, për shembull, 45 gradë dhe 225. Për çdo çift të gjetur, kontrollohen kushtet e mëposhtme (Fig. 5):

• këndi beta është më i vogël se një kufi
• distanca midis pikave P1 dhe P2 është më e vogël se diametri maksimal i specifikuar i rrethit dhe më i madh se minimumi.

Nëse plotësohen këto kushte, atëherë konsiderohet se pika C, e cila është mesi i segmentit P1P2, është qendra e supozuar e rrethit. Më tej, kjo pikë C vendoset në të ashtuquajturin akumulator.

3 ... Bateria është një grup tre-dimensionale 256 x 256 x 80. Dy dimensionet e para (256 x 256 - lartësia dhe gjerësia e imazhit binar) korrespondojnë me qendrat e supozuara të rrathëve, dhe dimensioni i tretë (80) përfaqëson rrezet e mundshme të rrathëve (maksimumi është 80 piksele). Kështu, çdo çift gradient grumbullon një përgjigje në një pikë që korrespondon me qendrën e supozuar të një rrethi me një rreze të caktuar.

Oriz. 5... Çifti i vektorëve V1-V2 dhe qendra e supozuar e rrethit C.

4 ... Më tej, në akumulator kërkohen qendra, në të cilat janë përgjigjur të paktën 4 çifte vektorësh me drejtime të ndryshme, për shembull, çiftet 0 dhe 180, 45 dhe 225, 90 dhe 270, 135 dhe 315. Qendrat afër njëra-tjetrës bashkohen. Nëse disa qendra rrathësh me rreze të ndryshme, atëherë bashkohen edhe këto qendra dhe merret rrezja maksimale.

Rezultati i algoritmit të kërkimit të rrethit është paraqitur në Fig. 6.

Oriz. 6... Rrathë të lokalizuar që korrespondojnë me dy shenja ndaluese.

Faza 2. Njohja e shenjave të lokalizuara

Rrathët e lokalizuar në imazh, të cilat duhet të korrespondojnë me shenjat e ndalimit, priten dhe normalizohen në një madhësi prej 28x28 piksele. Imazhet e prera përpunohen gjithashtu nga operatori Sobel dhe transmetohen në hyrjen e një rrjeti nervor konvolucionist, të trajnuar më parë në bazë të imazheve të shenjave ndaluese.

Ne kemi shkruar për parimin e funksionimit të rrjeteve nervore në një nga projektet tona të fundit për njohjen e numrave të kartave bankare. Detyra jonë kërkonte të punonim me rrjete nervore shumështresore - konvolucionale. Kur segmentimi i shenjave përfundon, marrim një imazh, të cilin e transmetojmë në një rrjet nervor konvolucionist të ndërtuar mbi bazën e punës së Iain LeCan, Leon Vottu, Yoshua Benjio dhe Patrick Haffner. Për të trajnuar rrjetin nervor, u përgatit një bazë e vogël e të dhënave të imazheve të trajnimit.

Pas njohjes së secilit rreth, marrim një sërë probabilitetesh të një shenje ose një tjetër. Nuk është gjithmonë e mundur të përcaktohet një shenjë me një probabilitet të mirë në një kornizë, personazhet e panjohur do të rafinohen pas përpunimit të kornizës tjetër; një shenjë konsiderohet saktësisht e njohur nëse vlera maksimale e probabilitetit për të cilën në grupin e probabiliteteve është më e lartë se një prag i caktuar.

konkluzioni

Prototipi i aplikacionit navigator është balona jonë e provës në përdorimin e teknologjive M2M dhe ne planifikojmë ta zhvillojmë këtë drejtim në të ardhmen. Në të ardhmen e afërt, është planifikuar të zbatohet njohja e të gjitha llojeve të shenjave dhe zgjerimi i gamës së ndriçimit: dita, muzgu, dielli i ndritshëm, perëndimi i diellit, etj.

Vështirësia kryesore e detyrës së njohjes së llojeve të tjera të shenjave është në përcaktimin e formave të ndryshme nga rrethi: trekëndëshat, katrorët dhe të tjerët. Derisa të kemi një zgjidhje përfundimtare, ka disa opsione, secila me meritat dhe të metat e veta. Prandaj, ne jemi shumë të interesuar për përvojën tuaj në zgjidhjen e problemeve të lokalizimit të ngjyrave, ne do të jemi mirënjohës për rekomandimet dhe këshillat tuaja.

Çdo shofer automjeti merr një numër të madh vendimesh në një minutë. Dhe gjithashtu duhet të monitoroni situatën me shumë kujdes. Makina përreth, shenja dhe shenja rrugore përdorimin e duhur organet drejtuese - të bësh të gjitha këto në të njëjtën kohë nuk është aq e vështirë, por shumë e vështirë. Ndërsa automobilisti fiton përvojë dhe do të jetë në gjendje të kontrollojë situatën rreth tij, shumë kohë do të kalojë më me besim dhe gjithmonë ekziston mundësia që të ndodhë një aksident.

Njohja e Shenjave të Trafikut është krijuar për të ndihmuar shoferët të hyjnë ngarje e përditshme dhe pak për të lehtësuar presionin në trurin e njeriut, sidomos kur ai është i lodhur pas timonit.

Qellimi kryesor

Duhet të kuptohet se pjesa më e madhe e aksidenteve rrugore ndodhin për fajin e drejtuesit të mjetit që nuk respekton kufizimin e shpejtësisë. Dhe kjo bëhet më kot, pasi kufizimet futen për një arsye: shpejtësia e makinës duhet të jetë e tillë që shoferi të ketë kohë për të kryer të gjitha vendimet që merr, qofshin manovra apo frenim emergjent... Prandaj, filloi zhvillimi sisteme të veçanta që mund të ndihmojë shoferin të marrë një vendim ose të kontrollojë veprimet e tij. Tani sistemi i njohjes së shenjave të trafikut është gjetur makina te ndryshme, duke përfshirë të tilla të shtrenjta si BMW, Mercedes-Benz, Audi, Ford, Opel, Volkswagen dhe shumë të tjerë. Kjo teknologji është një nga më kryesoret në sistemin e sigurisë së makinave, i cili tashmë është i pajisur me shumicën e makinave. Një shembull është Opel Eye nga, përkatësisht, Opel. Ky sistem është njohur si një nga më të mirët për disa vitet e fundit... Mercedes-Benz e quajti sistemin e tij Speed ​​​​Limit Assist dhe është i specializuar në paralajmërimin e shoferit për tejkalimin e kufirit të shpejtësisë për këtë faqe rrugë në një kohë të caktuar.

Dizajni i sistemit

Në mënyrë tipike, të gjitha këto modele nga çdo prodhues kanë në dispozicion një grup tipik mjetesh dhe pajisjesh.

Kjo për faktin se puna kërkon të njëjtat pajisje. Kjo perfshin:

• Videokamerë speciale e ndjeshme.
• Një ekran ose ndonjë pajisje tjetër në të cilën sistemi i raporton drejtuesit.
• Njësia e kontrollit, e cila kryen punën kryesore.

Videokamera ndodhet pranë xhamit të përparmë në ndarjen e pasagjerëve. Në disa modele, ku kjo veçori është e integruar në të gjithë makinën, kamera mund të fshihet diku nën xhami ose, për shembull, në vulën e xhamit, në mënyrë që kamera të mos errësojë një pjesë të xhami i përparmë dhe nuk e mbylli rishikimin. Kamera drejtohet në mënyrë që ajo të jetë e përshtatshme për të filmuar hapësirën përpara makinës, në vendet ku ka shenja në drejtim të udhëtimit, pra pak në të djathtë të rrugës. Më tej, videoja e kapur transmetohet në njësinë e kontrollit, mikroprocesori i së cilës analizon përmbajtjen e saj në kohë reale. Kjo kamerë përdoret gjithashtu nga sisteme të tjera sigurie si zbulimi i këmbësorëve në rrugë dhe asistenca për korsi ose korsi në trafik.

Algoritmi i njohjes

Njësia e kontrollit elektronik të sistemit inicion një mekanizëm të veçantë të programuar në sistemin e tij. Në formën e një sekuence, ajo mund të përfaqësohet si më poshtë:

1. Njohja e formës së një tabele rrugore (dhe ne i kemi shumë të ndryshme).
2. Përkufizimi i mbishkrimit në shenjë.
3. Njohja e ngjyrës së shenjës.
4. Kontrollimi i pranisë së targës së informacionit.

Le të analizojmë parimin e funksionimit të këtij algoritmi duke përdorur shembullin e një shenje të kufirit të shpejtësisë, njohja e së cilës është fokusi i shumicës së makinave. Së pari, teknologjia njeh një shenjë në formë të rrumbullakët, pastaj kombinimin e saj të ngjyrave: të kuqe dhe të bardhë. Tjetra është njohja e mbishkrimit, që është në shenjë, domethënë numri maksimal shpejtësia e lejuar... Tani blloku analizon shpejtësinë e makinës me të cilën lëviz aktualisht dhe, nëse ka diferencë, e informon shoferin për tejkalimin e shpejtësisë maksimale të lejuar në këtë pjesë të rrugës. Nëse nuk ka tepricë, atëherë shenja thjesht shfaqet në kroskotin e makinës, sikur të informojë shoferin se shenja është njohur.

Një risi shumë interesante është punë e përbashkët sistemet e njohjes së shenjave të trafikut së bashku me një navigator makine.

Nëse navigatori është mjaft i avancuar, atëherë njohja e shenjave do të udhëhiqet nga navigatori, sepse ekziston edhe një listë e të gjitha tabelave që do të jenë në itinerar. Pra, edhe nëse kamera nuk ka kohë për të zbuluar shenjën për ndonjë arsye, ajo përsëri do të shfaqet pult, dhe shoferi do të informohet për tejkalimin e tij. Siç mund ta shihni, sistemi i njohjes së shenjave është një ndihmë serioze për çdo shofer, me përvojë dhe fillestar. Në situata të ndryshme, ky sistem mund t'ju ndihmojë të lundroni situatën dhe të merrni vendimin e duhur.

Jo ne te vertete