
Тип работы:	Предмет:	Язык работы:

РАЗРАБОТКА ПРИЛОЖЕНИЯ ДЛЯ ОБНАРУЖЕНИЯ И КЛАССИФИКАЦИИ РОССИЙСКИХ ЗНАКОВ ДОРОЖНОГО ДВИЖЕНИЯ С ПОМОЩЬЮ КОМПЬЮТЕРНОГО ЗРЕНИЯ

Работа №	32346
Тип работы	Магистерская диссертация
Предмет	информационные системы
Объем работы	45
Год сдачи	2019
Стоимость	4900 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	440

Не подходит работа?

Узнай цену на написание

Содержание

Введение 3
Г лава 1. Задача и методы обнаружения объектов 5
1.1. Категоризация задач компьютерного зрения 5
1.2. Методы обнаружения дорожных знаков 7
1.2.1 Методы, основанные на цвете 7
1.2.2 Методы, основанные на форме 8
1.2.3 Методы, основанные на машинном обучении 9
1.3. Описание современных детекторов 13
1.3.1 Faster R-CNN 15
1.3.2 Single Shot Detector 18
Глава 2. Разработка приложения для обнаружения дорожных знаков 23
2.1. Инструменты реализации 23
2.2. Формирование выборки для обучения модели 26
2.3. Стандартизация входных данных 30
2.4. Модель обнаружения 32
2.5. Обучение нейронной сети 34
2.6. Результат работы приложения 39
2.7. Оценка качества обнаружения дорожных знаков 41
Заключение 43
Список использованных источников 44
Приложение 46

Введение

Согласно статистике [13], в большинстве случаев, причиной ДТП служит низкий уровень концентрации водителя в процессе управления автомобилем.
Современные аппаратно-программные средства позволяют по-новому взглянуть на возможные способы обеспечения безопасности участников дорожного движения. Одним из множества решений, призванных улучшить ситуацию, является применение систем ассистирования водителю. Подобные системы способны непрерывно контролировать дорожную обстановку, таким образом, обеспечивая повышенный уровень сохранности на дорогах общего пользования.
Системы, в основе которых лежат методы компьютерного зрения, активно совершенствуются и внедряются в автомобили многими зарубежными производителями, однако отечественный рынок, на данный момент, не располагает доступными решениями. Данная работа направлена на реализацию одной из важнейших подсистем системы автоматизированной помощи водителю, а именно - подсистемы обнаружения российских дорожных знаков. Актуальность данной задачи обусловлена, в первую очередь, вопросами безопасности дорожного движения.
Цель работы заключается в разработке программного решения для обнаружения дорожных знаков РФ на видеопотоке.
Для достижения цели работы были поставлены следующие задачи:
1) Изучить теорию компьютерного зрения.
2) Исследовать методы обнаружения объектов на изображении.
3) Реализовать приложение, учитывая специфику целевого объекта.
4) Выполнить качественную оценку разработанного решения.
В качестве объекта исследования выступает компьютерное зрение.
Предметом исследования являются методы обнаружения объектов на изображении.
Работа включает в себя введение, две главы, заключение, список использованных источников и приложение. Первая глава содержит необходимый теоретический материал. Вторая глава посвящена разработке приложения, его тестированию и анализу полученных результатов. В заключении подведены итоги проделанной работы.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

Данная работа была посвящена решению задачи обнаружения российских знаков дорожного движения на видеопотоке. В результате проделанной работы были исследованы методы обнаружения объектов на изображении. Выявлены и подробно изучены наиболее актуальные подходы. С использованием выбранных инструментов была разработана программа, реализующая модели SSD и Faster R-CNN. Исходя из особенностей целевого объекта был предложен и реализован вариант модификации Однокадрового детектора. Для формирования вывода о качестве работы программы было проведено тестирование на реальных данных. Были предложены идеи, связанные с долгосрочными перспективами улучшения работы алгоритма. Результаты качественной оценки подтверждают эффективность внесенных изменений и допускают возможность использования разработанного решения в системах автоматизированной помощи водителю. Архитектура приложения позволяет произвести развертывание модели на мобильных устройствах.

Литература

1. Balali V., Golparvar-Fard M. Evaluation of Multiclass Traffic Sign Detection and Classification Methods for U.S. Roadway Asset Inventory Management // Journal of Computing in Civil Engineering. - 2015. - P. 1-16.
2. Brkic' K. An overview of traffic sign detection methods // Department of Electronics, Microelectronics, Computer and Intelligent Systems Faculty of Electrical Engineering and Computing Unska. - 2010. - V.3. - 10000 p.
3. Dalal N., Triggs B. Histograms of Oriented Gradients for Human Detection // IEEE Computer Vision and Pattern Recognition. - 2005. - V. 1. - P. 886-893
4. Krizhevsky A., Sutskever I., Hinton G. ImageNet Classification with Deep Convolutional Neural Networks. - Toronto: University of Toronto. - 2012. - P. 5- 6.
5. Liu W., Anguelov D., Erhan D., et al. SSD: Single shot multibox detector // Computer Vision - ECCV. - 2016. - P.21-37.
6. Ren S., He K., Girshick R., et al. Faster R-CNN: Towards real-time object detection with region proposal networks // Advances in Neural Information Processing Systems. - 2015. - V.28. - P. 91-99.
7. Sandler M., Howard A., Zhu M., et al. MobileNetV2: Inverted Residuals and Linear Bottlenecks // IEEE Computer Vision and Pattern Recognition. - 2017. - P. 4510-4520
8. Simonyan K., Zisserman A. Very Deep Convolutional Networks for Large- Scale Image Recognition // CoRR. - 2015. - P. 1-14
9. Viola P. and Jones M. Robust real-time face detection // International Journal of Computer Vision. - 2004. - V. 57. - No. 2. - P.137-154
10. Мазитов Р.Р. Разработка приложения для обнаружения и классификации российских знаков дорожного движения с помощью компьютерного зрения // Современные проблемы безопасности жизнедеятельности: интеллектуальные транспортные системы и ситуационные центры: мат. V
Международной научно-практической конференции. - Казань: Центр инновационных технологий, 2018. - Ч. 1. - 496 с.
11. Шахуро В.И., Конушин А.С. Российская база изображений автодорожных знаков // Компьютерная оптика. - 2016. - Т. 40, № 2. - С. 294-300.
12. Шемарулин И., Карпычев В. Распознавание дорожных знаков на основе цветных контуров. - Нижний Новгород: НГТУ им. Р.Е. Алексеева. - 2016.-С. 60-66.
13. Distracted Driving [Электронный ресурс]. URL:
https://seriousaccidents.com/legal-advice/top-causes-of-car-accidents/driver- distractions/ (дата обращения: 25.02.2019)
14.Object detection: speed and accuracy comparison [Электронный ресурс]. URL: https://medium. com/@j onathan_hui/obj ect-detection-speed-and-
accuracy-comparison-faster-r-cnn-r-fcn-ssd-and-yolo-5425656ae359 (дата обращения: 16.02.2019)
15. Tensorflow Object Detection API [Электронный ресурс]. URL: https://github.com/tensorflow/models/tree/master/research/object_detection (дата обращения: 18.02.2019)
16. The PASCAL Visual Object Classes Homepage [Электронный ресурс]. URL: http://host.robots.ox.ac.uk/pascal/VOC/ (дата обращения: 18.02.2019)
17. TIOBE Index [Электронный ресурс]. URL: https://www.tiobe.com/tiobe- index/ (дата обращения: 20.02.2019)
18. Параллельные вычисления CUDA [Электронный ресурс]. URL: http://www.nvidia.ru/object/cuda-parallel-computing-ru.html (дата обращения:22.02.2019)
19. ГОСТ Р 52290-2004. Технические средства организации дорожного движения. Знаки дорожные. Общие технические требования. - М. - 2006.- 126 с.
20. ГОСТ Р 52289-2004. Технические средства организации дорожного движения. Правила применения дорожных знаков, разметки, светофоров, дорожных ограждений и направляющих устройств. - М. - 2006. - 95 с.