Тип работы:
Предмет:
Язык работы:


Разработка автоматизированной системы определения дорожных знаков ПДД на изображениях

Работа №77184

Тип работы

Бакалаврская работа

Предмет

информатика

Объем работы41
Год сдачи2016
Стоимость4270 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
152
Не подходит работа?

Узнай цену на написание


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

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.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


Компьютерное зрение - активно развивающаяся область современной науки. Большая потребность в изучении и развитие технологий позволяет использовать больше новых методов и алгоритмов в данной области. Компьютерное зрение решает проблемы, которые ставятся в системах управления процессами (промышленные роботы), системах видеонаблюдения, системах дополненной реальности и многих других.
Многие лидеры авторынка развивают свои системы помощи водителю. Такие как система ночного виденья, система активного круиз-контроля, система слежения за разметкой, система контроля знаков и другое. Например, у BMW - это ConnectedDrive, у Mercedes это Mercedes-Benz Intelligent Drive.
В данной работе был проведен анализ модифицированного метода Виола - Джонса для обнаружения дорожных знаков. Было проведено сравнение дескрипторов: Хаара-подобных характеристик и гистограмм ориентированных градиентов. Каждый из них был создан при решении различных задач (детектор лиц и пешеходов соответственно) и каждый имеет свои особенности.
Естественно, в реализации остаются места, которые необходимо в дальнейшем улучшать и оптимизировать. Например, реализовать распознавание знаков, возможно реализовать сложный дескриптор, как комбинацию Хаар- подобных характеристик и HOG.
Платформа JavaFX, которая использовалась для создания программы, полностью удовлетворила заданным требованиям.



1. Paul Viola and Michael J. Jones. Robust Real-Time Face Detection. International journal of computer vision, 2004.
2. Dalal, Triggs. Histograms of oriented gradients for human detection. Computer Vision and Pattern Recognition, 2005.
3. Воронцов К.В. Машинное обучение, 2010
4. Чигорин А., Кривовязь Г., Велижев А., Конушин А., Метод обнаружения дорожных знаков на изображении с обучением на синтетических данных, 2012
5. Лисицын С.О., Байда О.А. Распознавание дорожных знаков с помощью метода опорных векторов и гистограмм ориентированных градиентов, 2012
6. Разинков Е.В. Машинное обучение, 2015
7. http://benchmark.ini.rub.de/
8. https: //opencv-j ava-tutorials.readthedocs.io
9. http://opencv.org
10. https: //habrahabr.ru/post/133826


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ