ВВЕДЕНИЕ 3
ГЛАВА 1. ТЕОРЕТИЧЕСКАЯ ЧАСТЬ 5
1.1 Основные понятия 5
a) Задачи бинарной классификации 5
b) Функция потерь и функционал качества 6
c) Проблема переобучения и обобщающая способность алгоритма 6
1.2 Анализ проблемы 8
a) Принцип сканирующего окна и масштабирования изображения 9
b) Интегральное изображение 9
c) Хаар-подобные характеристики 10
d) Гистограмма направленных градиентов 11
e) Алгоритм машинного обучения AdaBoost 12
f) Архитектура каскада классификаторов 13
ГЛАВА 2. ПРОГРАММНАЯ ЧАСТЬ 16
2.1 Обучение классификатора 16
2.2 Результат обучения классификатора 18
2.3 Создание Java-приложения 20
ЗАКЛЮЧЕНИЕ 22
СПИСОК ЛИТЕРАТУРЫ 23
ПРИЛОЖЕНИЕ
Купить

Наш мир постоянно меняется благодаря совершенствованию технологий и инженерных решений. Перед наукой ставятся все новые задачи, решение которых двигает прогресс. Одной из таких задач является имитация человеческих способностей, в частности зрения.
Компьютерное зрение - это одно из бурно развивающихся направлений современной науки. Область применения компьютерного зрения очень широка: от считывателей штрих-кодов в супермаркетах до дополненной реальности.
Возможность видеть и распознавать объекты - естественная и привычная возможность для человека. Однако для компьютера, пока что, это чрезвычайно сложная задача. Сейчас предпринимаются попытки научить компьютер хотя бы части того, что человек использует каждый день, даже не замечая того.
Автоматическое обнаружение и распознавание знаков дорожного движения является актуальной задачей, решение которой может пригодиться при производстве навигационных карт, в системах помощи водителю или в управлении дорожной инфраструктурой. В первом случае знание положения знаков дорожного движения, их ориентации и класса позволит автоматизировать построение дорожного путей, во втором позволит информировать водителя о текущей ситуации на дороге (рекомендуемую скорость, запрещенные повороты, запрещение обгона и так далее). Дорожные знаки сделаны, чтобы быть заметными, и имеют отличительные цвет и форму. Но разнообразие типов знаков и вариаций трансформаций над ними, оставляют задачу высокоточной детекции знаков нерешенной до сих пор.
В последние годы начали разрабатываться интеллектуальные системы автомобильной безопасности, включающие распознавание дорожных знаков. Первая попытка описать подобную технологию была предпринята в 1984 году в Японии. С тех пор большое количество коллективов ученых и компаний автопроизводителей проявили интерес к разработкам такой системы. За это время было исследовано множество различных методов обнаружения и распознавания объектов на изображениях. Но особых успехов удалось достичь только в последние несколько лет, что связано с развитием техники.
В данной работе исследуются только методы обнаружения дорожных знаков на изображении без его распознавания. Это может быть использовано в качестве отдельной задачи обнаружения или в качестве первого этапа распознавания дорожного знака. На втором этапе для определения класса знака могут быть применены искусственные нейронные сети, которые в последнее время показывают хорошие результаты классификации в различных типах задач.
В данной работе, в частности, исследуется метод Виолы-Джонса, который адаптируется для задачи обнаружения дорожных знаков. Исследуется его точность и возможность использования в реальном времени для данного типа задач.
В работе были использована открытая библиотека для компьютерного зрения OpenCV. Приложение, которое реализует функционал для обнаружения знаков, было написано на языке Java, на платформе JavaFX. JavaFX — платформа для создания В!Л(насыщенные интернет-приложения), которое позволяет строить унифицированные приложения с насыщенным графическим интерфейсом пользователя для непосредственного запуска из -под операционных систем, работы в браузерах и на мобильных телефонах, в том числе работающих с мультимедийным содержимым.
Купить