Введение 4
1. Обзор 7
1.1. Обзор существующих подходов к распознаванию и локализации 7
2. Прототип -> продукт 10
3. Локализация и классификация 12
4. Общее описание системы 13
4.1. Общее описание 13
4.2. Локализационные сети 14
4.3. Масштабирующие сети 15
4.3.1. Принцип работы масштабирующей нейронной сети 16
4.4. Квалифицирующая сеть 17
5. Выбор и обработка набора данных для обучения и тестирования модели 18
6. Тестирование полученного результата 20
7. Режим разработки 22
Заключение 29
Список литературы 30
Последнее время активно развивается направление искусственного интеллекта для вождения машин. Одной из важнейших частей автомобильного автопилота является получение информации об окружении: об объектах, таких как другие автомобили на дороге, пешеходы, велосипедисты, препятствия вроде бетонных блоков или упавшего на дорогу дерева, о параметрах системы, скорости и направлении движения, качества сцепления с дорожным покрытием, качестве самого дорожного покрытия (несомненно, эти параметры взаимосвязаны, но из одного нельзя вывести другой в общем случае), погодные условия, которые влияют как на сам автомобиль с автопилотом, так и на окружающие его объекты, что необходимо учитывать для предсказания их поведения и подготовки собственной реакции. Также не стоит забывать и о том, что можно назвать мета параметрами: различные правила дорожного движения. Эти правила могут меняться в зависимости от места нахождения автомобиля, от окружающих его условий: времени суток, погоды и многого другого. Важным объектом для определения текущих правил являются дорожные знаки. Вообще, дорожные знаки - это стационарные объекты и часто можно встретить мнение, что распознавать их с помощью компьютерного зрения нет необходимости. Действительно, такое распознавание - это достаточно трудоемкая задача, которая, вдобавок ко всему, еще и не решается со 100% точностью в общем случае. При этом, критики данного подхода достаточно разумно заявляют, что автопилот все равно имеет доступ к системе навигации и, так как местоположение знаков меняется не часто, то можно просто запомнить где какой знак стоит. Либо же поместить на каждый дорожный знак радиометку, которая будет точно сообщать какой знак здесь стоит. Радиометка не требует продвинутого алгоритма распознавания: она будет точно сообщать нужную информацию, более того, радиосигнал принять зачастую проще чем видео: ему не помешают кусты или ветви деревьев да и просто другие автомобили. Чем же плохи эти варианты? Особая метка на знаках плоха сразу по нескольким параметрам: для нее нужно гарантировать надежность источника, иначе кто угодно сможет управлять действиями автопилота, что вряд ли закончится хорошо. Также такую метку нужно установить, причем на все дорожные знаки хотя бы там, где предполагается использование автопилота. И за работой этих меток придется следить постоянно, ведь если автопилот управляет автомобилем на основании данных от таких меток, то, в случае отсутствия сигнала он не сможет определить: это метка сломалась или здесь знака действительно нет. Да, все эти вопросы можно решить. Но будет ли это надежнее системы компьютерного зрения? Однозначно можно сказать что это не будет дешевле. Что же насчет заранее созданной базы дорожных знаков? Эта идея весьма неплоха, но и у нее есть свои недостатки. Во-первых, эту базу должен кто-то создавать и обновлять. Если у автопилота не будет средств визуального распознавания знаков, то придется рассчитывать либо на добровольцев людей, либо на специально нанятых сотрудников. Первый способ крайне ненадежен как по срокам, так и по точности: действительно, полагаться на сообщение только одного водителя нельзя, нужно набирать некоторое их количество. При достаточной мотивации количество водителей это не проблема для крупных и оживленных трасс, но что делать с остальными? Нанимать же специальных сотрудников крайне дорого, да и скорость обновления будет крайне низкой. Можно было бы попытаться собирать информацию о знаках у официальных служб, но это также весьма непросто и скорость никто не гарантирует. Во- вторых, автомобиль - это средство повышенной опасности и полагаться только на одну систему все равно нельзя. Таким образом, даже если проблемы с базой и ее обновлением можно решить, то все равно нужна какая-то страховка на случай, если система геолокации вдруг даст сбой. Хотя это гораздо более актуально для, собственно, вождения, но, раз уж для него у автопилота будут системы визуального распознавания объектов, то естественно добавить туда и распознавание знаков. А такая система однозначно будет, даже если точность и надежность систем геолокации кардинально улучшаться: мы ведь не можем повесить датчик на каждого человека, который может оказаться на дороге или рядом с ней, на каждое дерево возле дороги, на каждый камень на обочине. Подведем итог: аналоги визуальной системы распознавания знаков не могут заменить ее полностью, как по причине собственных проблем, как инженерных, так и экономических, так и по причине необходимости подстраховки на случай если что-то пойдет не так.
Система визуального распознавания дорожных знаков - это частный случай давно известной задачи распознавания образов, которая в свою очередь является одной из центральных задач технологии компьютерного зрения, родившейся еще в 60-х годах прошлого века. Естественно, что различных решений для этой задачи существует множество. На данный момент не существует однозначно выигрывающего решения этой задачи, более того, для различных частных случаев лучшими являются различные решения. Усугубляет проблему то, что в большинстве этих решений есть большое количество параметров, напрямую влияющих на основные параметры работы системы: на точность, скорость работы, скорость обучения (там где оно нужно) и объем занимаемой памяти. Таким образом было принято решение перед разработкой непосредственно системы распознавания, разработать прототип для изучения подходов. Такой прототип имеет значительно более мягкие требования к вычислительным мощностям, скорости работы и может занимать гораздо больше памяти, чем итоговая система, которая сильно ограничена параметрами автомобиля, в который она устанавливается. Благодаря этому появляется возможность относительно быстро разработать систему для изучения различных алгоритмов на языке высокого уровня.
В рамках данной работы были получены следующие результаты:
• Проведена исследовательская работа и выбрана наиболее перспективная для дальнейшего изучения модель
• Проведены дополнительные исследования первой части выбранной модели и получено нестабильное решение
• Разработана и реализована система тестирования обученной системы
• Выбрана наиболее подходящая модель процесса разработки для проекта
Для дальнейшего развития полученных результатов необходимо провести дополнительные исследования всех частей выбранной модели и определение на основе данных исследований оптимальных параметров системы. После этого необходимо реализовать систему на языке более низкого уровня, предположительно С—+ для максимального ускорения работы системы и достижения обработки видео в реальном времени.
