Detekcja znaków drogowych i kolejowych na zdjęciach i w chmurze punktów – przegląd istniejących algorytmów

• Autorzy: Moskal A. , Pastucha E.

Warianty tytułu

EN

Traffic and Railroad Signs Detection in Images and in Point Cloud – Overview of Existing Algorithms

• Języki publikacji: PL

Abstrakty

PL

Badania i analizy możliwości automatycznego wykrywania znaków rozwijają się równolegle w wielu ośrodkach naukowych na świecie. Motywacje do prac zawierają się w większości w dwóch kategoriach: inwentaryzacja infrastruktury drogowej lub kolejowej oraz tworzenie systemów dla automatycznego wspomagania kierowcy. W zależności od wybranego kierunku, wykorzystywane są różnorakie dane pochodzące z różnych sensorów. Nowotworzone systemy wspomagania kierowcy wymagają sensorów o niewielkich gabarytach, dostarczających dane o małym rozmiarze, podczas gdy technologie tworzone na potrzeby inwentaryzacji znaków mogą korzystać z rozbudowanych systemów pomiarowych, integrujących różnorakie sensory pozyskujące bardzo dokładne, wysokorozdzielcze dane. Czas przetwarzania takich danych również zależy od potrzeb. Wykrycie i sklasyfikowanie znaku w systemach automatycznego wspomagania kierowcy musi być bardzo szybkie. Takich limitów nie trzeba stawiać przed systemami dla celów inwentaryzacji. Pozycjonowanie wykrywanych obiektów ma znaczenie jedynie w systemach inwentaryzujących, jednak nie jest wykluczone w pozostałych. Koncepcje algorytmów różnią się między ośrodkami badawczymi i wykorzystują wiele różnych nurtów w informatyce i matematyce. W artykule przedstawiono przegląd najważniejszych algorytmów z ostatnich piętnastu lat. Krótko opisano etapy pozyskania danych i systemy do tego wykorzystane. Następnie szeroko przedstawiono problem przygotowania danych, koncepcje wstępnego wykrycia znaków i ostatecznych klasyfikacji.

EN

During the last fifteen years, automatic sign recognition in different type of data has become the subject of many studies. Reasons for these works fall into one of two categories: inventory purposes or drivers assistance systems. Depending on the purpose of the systems, various types of sensors, acquiring different type of data, are implemented. Due to their application, drivers assistance systems need small sensors, bringing limited amount of data, while systems for inventory purposes can use complex measuring systems, integrating different types of sensors and providing high accuracy and large volume data. The time is also at issue. Detection and classification of a sign in driver assistance systems has to be done in real time, while processing of data for inventory purposes can be done off–line. Also global positioning of identified signs is significant only in the latter systems. Structures of proposed algorithms vary and use many different concepts, both from math and information processing. In this paper, basic concepts of most important algorithms from the last fifteen years are presented. Data acquisition process and measuring systems are described shortly. Then, data pre-processing, concepts of detection and, finally, concepts of classification are broadly covered.

Słowa kluczowe

PL

znaki drogowe; znaki kolejowe; rozpoznawanie wzorca; detekcja znaków; klasyfikacja znaków

EN

traffic signs; railroad signs; template recognition; sign detection; sign classification

• Wydawca: Polskie Towarzystwo Informacji Przestrzennej
• Czasopismo: Roczniki Geomatyki
• Rocznik: 2013
• Tom: T. 11, z. 2(59)
• Strony: 69--78
• Opis fizyczny: Bibliogr. 16 poz., rys.

Twórcy

autor

Moskal A.

• AGH Akademia Górniczo-Hutnicza w Krakowie, Wydział Geodezji Górniczej i Inżynierii Środowiska, Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska

autor

Pastucha E.

• AGH Akademia Górniczo-Hutnicza w Krakowie, Wydział Geodezji Górniczej i Inżynierii Środowiska, Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska

Bibliografia

• 1.Aoyagi Y., Asakura T., 1996: A study on traffic sign recognition in scene image using Genetic Algorithms. Proceedings of the 1996 IEEE IECON. 22nd International Conference on Industrial Electronics, Control, and Instrumentation.
• 2.Arnoul P., Viala M., Guerin J. P., Mergy M., 1996: Traffic signs localisation for highways inventory from video camera on board a moving collection van. Intelligent Vehicles Symposium, IEEE Proceedings, 141-146.
• 3.Bahlmann C., Zhu Y., Ramesh V., Pellkofler M., Koehler T., 2005: A system for traffic sign detection, tracking and recognition using colour, shape and motion information. Intelligent Vehicles Symposium, IEEE Proceedings, 255-260.
• 4.Chen Y., Zhao H., Nagai M., Shao X., Shibasaki R., 2006: A novel vehicle-borne system for traffic signs/signals extraction using laser scanners and CCD images. ITS World Congress, London, UK.
• 5.de la Escalera A., Moreno L.E., Salichs M.A., Armingol J.M., 1997: Road traffic sign detection and classification. Industrial Electronics, IEEE Transactions vol. 44, issue 6: 848-859.
• 6.Fang C.Y., Chen S.W, Fuh C.S., 2003: Road - sign detection and tracking. Vehicular Technology, IEEE Transactions vol. 52, issue 5: 1329-1341.
• 7.Fang C.Y., Fuh C.S., Yen P.S., Cherng S., 2004: An automatic road sign recognition system based on a computational model of human recognition processing. Computer Vision and Image Understanding vol. 96, issue 2: 237-268.
• 8.Gao X. W., Podladchikova L., Shaposhnikov D., Hong K., Shevtsova N., 2006: 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, issue 4: 675-685.
• 9.Loy G., Barnes N., 2004: Fast shape - based road sign detection for a driver assistance systems. IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS).
• 10.Marmo R., Lombardi L., Gagliardi N., 2006: Railway sign detection and classification. IEEE Intelligent Transportation Systems Conference.
• 11.Nassu B.T., Ukai M., 2010: Automatic recognition of railway signs using SIFT features. Intelligent Vehicles Symposium (IV), IEEE, 348-354.
• 12.Ninot J., Smadja L., Heggarty K., 2010: Road sign recognition using a hybrid evolutionary algorithm and primitive fusion. ISPRS International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science vol. 39, no. 3.
• 13.Paclík P., Novovičová J., Pudil P., Somol P., 2000: Road sign classification using Laplace kernel classifier. Pattern Recognition Letters, v. 21 no. 13: 1165-1173.
• 14.Ruta A., Li Y., Liu X., 2009: Real - time sign recognition from video by class - specific discriminative features. Pattern Recognition, v. 43, no. 1: 416-430.
• 15.Timofte R., Zimmermann K., Van Gool L., 2009: Multi-view traffic sign detection and 3D localisation. Applications of Computer Vision (WACV).
• 16.Zakoluta F., Stanciulescu B., 2012: Real-traffic sign recognition in three stages. Robotics and Autonomous Systems.