Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/39628| Назва: | Розробка програмних засобів для детектування та розпізнавання дорожніх знаків на основі згорткової нейромережі |
| Інші назви: | Software Development for Detection and Recognition of Road Signs Based on Convolutional Neural Network |
| Автори: | Марчук, Олег Віталійович Marchuk, Oleh |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Марчук О. В. Розробка програмних засобів для детектування та розпізнавання дорожніх знаків на основі згорткової нейромережі: кваліфікаційна робота освітнього рівня магістра за спеціальністю „122 – комп’ютерні науки“ / О.В. Марчук. – Тернопіль: ТНТУ, 2022. – 80 с. |
| Дата публікації: | 20-гру-2022 |
| Дата подання: | 13-гру-2022 |
| Дата внесення: | 27-гру-2022 |
| Країна (код): | RU |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Кунанець, Наталія Едуардівна |
| Члени комітету: | Цуприк, Галина Богданівна |
| УДК: | 004.93 |
| Теми: | знаки дорожнього руху traffic signs алгоритм детектування detection algorithm метод Габора Gabor method максимально стабільні екстремальні регіони maximum stable extreme regions згорткова нейронна мережа convolutional neural network |
| Короткий огляд (реферат): | Кваліфікаційна робота присвячена розробці програмного засобу для визначення та розпізнавання дорожніх знаків на основі згорткової нейромережі..
Виконано аналітичний огляд існуючих систем реалізації та готових алгоритмів детектування та розпізнавання дорожніх знаків на зображення реальних сцен. Представлені їх основні переваги та недоліки. Здійснено огляд технічних параметрів готових систем розпізнавання знаків. Для вирішення поставленого завдання в роботі найкраще використовувати разом два алгоритми – пошуку за формою за допомогою фільтра Габора та метод максимально стабільних екстремальних областей. Також описано процес розпізнавання дорожніх знаків за допомогою штучних та згорткових нейромереж.
Наведено особливості використання навчальних вибірок GTSRB та GTSDB для вирішення завдання. Запропонована програмна реалізація (на основі бібліотек Kerаs і OpenCV) з достатньо високим відсотком ідентифікації дорожніх знаків. Thesis deals with the development of a software tool for determining and recognizing road signs based on a convolutional neural network. An analytical review of existing implementation systems and ready-made algorithms for detecting and recognizing road signs on images of real scenes was performed. Their main advantages and disadvantages are presented. An overview of the technical parameters of ready sign recognition systems was carried out. To solve the task in the work, it is best to use two algorithms together - search by shape using a Gabor filter and the method of maximally stable extreme regions. The process of recognizing road signs using artificial and convolutional neural networks is also described. Features of the use of training samples GTSRB and GTSDB to solve the problem are given. The proposed software implementation (based on the Keras and OpenCV libraries) with a sufficiently high percentage of road sign identification. |
| Зміст: | Вступ 9 1 Аналітична частина 11 1.1 Огляд діючих систем, які застосовуються для розпізнавання знаків дорожнього руху 11 1.1.1 Загальна архітектура існуючих систем 11 1.1.2 Opel Eye 12 1.1.3 Speed Limit Assist (Mercedes) 14 1.1.4 Road Sign Information (Volvo) 16 1.1.5 Roadly 17 1.2 Порівняльний аналітичний огляд технічних характеристик існуючих систем розпізнавання знаків дорожнього руху 18 1.3 Порівняльний аналіз алгоритмів, що застосовуються для детектування та розпізнавання знаків дорожнього руху 19 1.4 Висновки до першого розділу 20 2 Теоретична частина 22 2.1 Існуючі алгоритми для детектування та розпізнавання знаків дорожнього руху 22 2.1.1 Виявлення об'єктів за кольором 22 2.1.2 Виявлення об'єктів за формою 24 2.1.3 Метод максимально стабільних екстремальних областей 29 2.1.4 Алгоритм Віоли-Джонса 31 2.2 Вибір найбільш відповідного алгоритму для реалізації детектування об'єктів 33 2.3 Розпізнавання дорожнього знаку за допомогою нейронних мереж 34 2.3.1 Штучні нейронні мережі 34 2.3.2 Згорткові нейронні мережі 36 2.4 Знаки дорожнього руху 38 2.5 Висновки до другого розділу 42 3 Практична частина 43 3.1 Загальне вирішення задачі детектування та розпізнавання знаків дорожнього руху 43 3.2 Навчальна вибірка GTSRB 43 3.3 Вибірка реальних дорожніх сцен GTSDB 45 3.4 Програмна реалізація 45 3.4.1 Бібліотека Keras 45 3.4.2 Бібліотека OpenCV 47 3.5 Пошук максимально стабільних екстремальних областей 48 3.6 Обробка зображення фільтрами Габора 50 3.7 Реалізація згорткової нейронної мережі на Keras 53 3.8 Результати проведеного дослідження 54 3.8.1 Детектування областей 54 3.8.2 Розпізнавання одержаних областей 55 3.9 Висновки до третього розділу 57 4 Охорона праці та безпека в надзвичайних ситуаціях 58 4.1 Відповідальність за порушення умов праці при виконанні електромонтажних робіт 58 4.2 Ергономічні вимоги до робочого місця користувача ПК. 63 4.3 Висновки до четвертого розділу 66 Висновки 67 Перелік джерел 68 Додатки |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/39628 |
| Власник авторського права: | © Марчук Олег Віталійович, 2022 |
| Перелік літератури: | 1. Марчук О.В. Метод ідентифікації дорожніх знаків на основі згорткової нейромережі // Інформаційні моделі, системи та технології: Праці X
наук.-техн. конф. - Тернопіль, 2022. – С. 58. 2. Opel Eye [Електронний ресурс] – Режим доступу: https://www.opel.com/ (дата звертання 18.11.22). 3. Speed Limit Assist (Mercedes) [Електронний ресурс] – Режим доступу: https://www.mercedes-benz.co.uk/ (дата звертання 18.11.22) 4. Road Sign Information (Volvo ) [Електронний ресурс] – Режим доступу: https://www.volvocars.com/ (дата звертання 19.11.22) 5. Roadly [Електронний ресурс] – Режим доступу: https://www.roadarlabs.com/ (дата звертання 19.11.22) 6. Computer Vision. L. Shapiro and G. Stockman, Prentice-Hall, Upper Saddle River, N.J., 2000 7. Кобилін О.А., Творошенко І.С. Методи цифрової обробки зображень: навч. посібник. Харків: ХНУРЕ, 2021. 124 с. 8. D. A. Forsyth ., J. Ponce. Сomputer vision a modern approach. Prentice Hall, Upper Saddle River, N.J., 2002 9. X. Gao, L. Podladchikova, D. Shaposhnikov, K. Hong, and N. Shevtsova, “Recognition of traffic signs based on their colour and shape features extracted using human vision models,” Journal of Visual Communication and Image Representation, vol. 17, no. 4, pp. 675–685, 2006. 10. Lopez, L. Color-based road sign detection and tracking. Image Analysis and Recognition / L. Lopez, O. Fuentes // Lecture Notes in Computer Science. – Springer. – 2007. – P. 1138-1147 11. Xiaoju Ma, Bo Li, Ying Zhang, Ming Yan. «The Canny Edge Detection and Its Improvement» Kunming University of Science and Technology Kunming China 2012 12. Khaled Hammouda, "Texture Segmentation using Gabor Filters", Course Project of SD775 at the University of Waterloo, Ontario, Canada, May 2003 13. Petra Bosilj, Ewa Kijak та Sébastien Lefèvre. Beyond MSER: Maximally Stable Regions using Tree of Shapes. // Proceedings of the British Machine Vision Conference (BMVC), pages 169.1-169.13. BMVA Press, September 2015 14. P.E. Forssén. Maximally stable colour regions for recognition and matching. // In Computer Vision and Pattern Recognition, 2007. CVPR’07. IEEE Conference on, pages 1–8. IEEE, 2007 15. Donoser, M. and Bischof, H. Efficient Maximally Stable Extremal Region (MSER) Tracking. // Conference on Computer Vision and Pattern Recognition, 2006 IEEE Computer Society Conferenceon, volume 1, pages 553 - 560. IEEE, 2006 16. S. Obdrzalek та J. Matas. Object recognition using local affine frames on maximally stable extremal regions. // In Toward Category-Level Object Recognition, pages 83-104. Springer, 2006 17. Mikolajczyk, K., Tuytelaars, T., Schmid, C., Zisserman, A., Matas, J., Schaffalitzky, F., Kadir, T., Gool, L.V.: A comparison of affine region detectors. // International Journal of Computer Vision 65 (2005) pages 43–72. 18. P. Viola and M. Jones, “Robust real-time object detection,” in International Journal of Computer Vision, 2001 19. Субботін С.О. Нейронні мережі : теорія та практика: навч. посіб. Житомир : Вид. О. О. Євенок, 2020. – 184 с. 20. М.А. Новотарський, Б.Б. Нестеренко. Штучні нейронні мережі: обчислення // Праці Інституту математики НАН України. – Т50. – Київ: Ін-т математики НАН України, 2004. – 408 с. 21. Руденко О. Г., Бодянський Є.В. Штучні нейронні мережі. – Харків : Компанія СМІТ, 2006. – 404 с. 22. Zhang, Z.; Li, Y.; He, X.; Yuan, W. CNN Optimization and its application in traffic signs recognition based on GRA. J. Residuals Sci. Technol. 2016, 13, 6 23. Дорожні знаки ПДР [Електронний ресурс] – Режим доступу: https://roadrules.com.ua/pdr-ukraini/pdr-znaki-rozmitka/zmist/zmist.html (дата звертання 24.11.22) 24. Навчальна вибірка німецьких дорожніх знаків GTSRB [Електронний ресурс] – Режим доступу: http://benchmark.ini.rub.de/ (дата звертання 24.11.22) 25. Houben S. Detection of Traffic Signs in Real-World Images: The German Traffic Sign Detection Benchmark. International Joint Conference on Neural Networks. 2013. С. 58–60 26. Васильєв О. Програмування мовою Python – К. : Навчальна книга Богдан, 2019. – 418 с. 27. Keras: The Python Deep Learning librarу [Електронний ресурс] – Режим доступу: https://keras.io/ (дата звертання 24.11.22) 28. OpenCv [Електронний ресурс] – Режим доступу: https://opencv.org/about/ (дата звертання 24.11.22) 29. Open CV Library [Електронний ресурс] – Режим доступу: http://opencv.org/downloads.html (дата звертання: 31.11.2022) 30. NumPy [Електронний ресурс] - Режим доступу: http://www.numpy.org/ (дата звертання 24.11.22) 31. MSER [Електронний ресурс] – Режим доступу: https://docs.opencv.org/3.4/d3/d28/classcv11MSER.html#a49d72a1346413106516a7fc6d95c09bb (дата звертання 28.11.22) 32. Gabor filters [Електронний ресурс] – Режим доступу: https://docs.opencv.org/3.4/d4/d86/group imgproc filter.html#gae84c92d24818 3bd92fa713ce51cc3599 (дата звертання 28.11.22) 33. Method and apparatus for identifying scale invariant features in an image and use of same for locating an object in an image: patent No. US6711293B1 Appl. No. 09/519,893; Filed 06.03.2000; publ. 23.03.2004, 20 p 34. Dalal N., Triggs B., Histograms of oriented gradients for human detection. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, Montbonnot, France 2005. P. 886-893 35. Bay H., Ess A., Tuytelaars T., Luc Van Gool, Speeded Up Robust Features, Computer Vision and Image Understanding, 2008, doi: 10.1016/J.CVIU.2007.09.014 36. Schapire R. E., Singer Y., Improved Boosting Algorithms Using Confidence-rated Predictions. Machine Learning. Netherlands: Kluwer Acamedic Publishers, 1999, P. 297–33 37. Jongmin Y., Bongnam K., Kim D., Car License Plate Detection under Large Variations Using Covariance and HOG Descriptors. 8th International Symposium on Visual Computing (ISVC). 2012. P. 636–647. 38. Ciresan U. Meier, J. Masci, L. M. Gambardella, J. Schmidhuber Flexible, High Performance Convolutional Neural Networks for Image Classification. Proceedings of the Twenty-Second international joint conference on Artificial Intelligence. 2011. P. 1237–1242. 39. A Comprehensive Guide to Convolutional Neural Networks [Електронний ресурс] - Режим доступу: https://towardsdatascience.com/a-comprehensive-guideto-convolutionalneural-networks-the-eli5-way-3bd2b1164a53 (дата звертання: 06.12.2022). 40. Електробезпека [Електронний ресурс] – Режим доступу: https://www.sop.com.ua/article/745-elektrobezpeka (дата звертання 08.12.2022) 41. Лекція 4. Організація обслуговування електротехнічного обладнання у сільському господарстві. [Електронний ресурс] – Режим доступу: https://elearn.nubip.edu.ua/mod/book/tool/print/index.php?id=275105 (дата звертання 11.12.2022) 42. Жидецький В. Ц. Основи охорони праці. Львів : Укр. акад. друкарства, 2006. — 336 с. 43. Зеркалов Д.В. Безпека життєдіяльності та основи охорони праці. Навч. посібник. К.: «Основа». 2016. – 267 с. |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Mag_2022_CHm_Marchuk.pdf | 1,49 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора