Infrared images in automatic recognition of the type of road obstacle in a fog

• Autorzy: Cyran K. A. , Niedziela T.

Warianty tytułu

PL

Obrazy termalne w automatycznym rozpoznawaniu klas przeszkód drogowych we mgle

• Języki publikacji: EN

Abstrakty

EN

The paper considers an application of the infrared imaging into recognition of the type of obstacIe present on the road during the foggy conditions. For this purpose, we apply a recognition system, based on the optimised ring-wedge detector and neural network. The design of the system utilises an enhanced method of optimisation whose basic version was first applied in a system used for the monitoring of a subsurface stress in the opticai fibre. The method, theoretically claimed to be general, indeed has proved the usefulness also in the case of system dedicated for monitoring of the road. Therefore, in this study we have tried its application into recognition of infrared images, the issue not considered before. The experimental results indicate that the system performs recognition of living creatures (human beings, animals) as opposed to other obstacles generating heat (different kind of vehicles) with about 90% accuracy in testing.

PL

Artykuł dotyczy możliwości wykorzystania zdjęć termalnych w celu rozpoznawania przeszkód drogowych mogących pojawić się we mgle. W tym celu zastosowano system bazujący na zoptymalizowanym ekstraktorze cech charakterystycznych w postaci detektora pierścieniowo-klinowego oraz klasyfikatorze w postaci sztucznej sieci neuronowej. Projektowanie systemu oparte zostało na rozszerzonej metodzie optymalizacji, której pierwszą wersją była aplikacja monitoringu nacisku na światłowód. Metoda ta może być uważana za uniwersalną, udowodniono jej użyteczność w przypadku systemu przeznaczonego do monitoringu drogowego. W związku z tym w artykule pokuszono się o jej aplikację rozpoznawania obrazów w podczerwieni dla przypadku wcześniej nie rozważanego. Eksperymentalne wyniki wskazują, że system potrafi poradzić sobie z rozpoznawaniem istot żywych (ludzi i zwierząt) oraz odróżnić je od innych przeszkód generujących ciepło (różne klasy pojazdów) z 90% trafnością w czasie testowania.

Słowa kluczowe

EN

road obstacle; monitoring of the road; infrared images

PL

przeszkody drogowe; monitoring drogowy; zdjęcia termalne

• Wydawca: Warsaw University of Technology, Faculty of Transport
• Czasopismo: Archives of Transport
• Rocznik: 2006
• Tom: Vol. 18, iss. 4
• Strony: 29--38
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Cyran K. A.

autor

Niedziela T.

• Politechnika Śląska, Instytut Informatyki, 44-101 Gliwice, ul. Akademicka 16

Bibliografia

• 1. Berfanger D. M., George N.: All-digital ring-wedge detector applied to fingerprint recognition. Applied Optics, 38 (2), 1999, p. 357-369.
• 2. Berfanger D. M., George N:. All-digital ring-wedge detector applied to image quality assessment. Applied Optics, 39 (23), 2000, p. 4080-4097.
• 3. Casasent D., Song J:. A computer generated hologram for diffraction-pattern sampling. Proc. SPIE.,523, 1985, p. 227-236.
• 4. Cyran K. A, Jaroszewicz L. R.: Concurrent signal processing in optimized hybrid CGH-ANN system. Opt. Appl., 31, 2001, p. 681-689.
• 5. Cyran K. A, Jaroszewicz L. R, Niedziela T.: Neural network based automatic diffraction pattern recognition. Opto-elect. Rev., 9, 2001, p. 301-307.
• 6. Cyran K. A, Mrózek A.: Rough sets in hybrid methods for pattern recognition. Int. J. Intel. Sys., . 16,2001, p. 149-168.
• 7. Cyran K. A, Niedziela T., Jaroszewicz J.R., Podeszwa T:. Neural classifiers in diffraction image processing. Proc. Int. Conf. Comp. Vision Graph., Zakopane, Poland, 2002, p. 223-228.
• 8. Cyran K. A, Niedziela T.: Automatic recognition of the type of road vehicles with the use of optimised ring-wedge detector and neural network. Archives of Transport, No. 3, 2006.
• 9. Cyran K. A, Stańczyk U., Jaroszewicz L. R.: Subsurface stress monitoring system based on holographic ring-wedge detector and neural network. [In:] McNulty G. J. (ed.): Quality, Re1iability and Maintenance. Professional Engineering Publishing, Bury St Edmunds, London, 2002, p. 65-68.
• 10. Fares A, Bouzid A, Hamdi M.: Rotation invariance using diffraction pattern sampling in optical pattern recognition. Journal of Microwaves and Optoelectronics, 2 (2), 2000, p. 33-39.
• 11. Ganotra D., Joseph J., Singh K.: Modified geometry of ring-wedge detector for sampling Fourier transform of fingerprints for classification using neura1 networks. Proc. SPIE, 4829, 2003, p. 407-408.
• 12. Ganotra D., Joseph J., Singh K.: Neural network based face recognition by using diffraction pattern sampling with a digita1 ring-wedge detector. Optics Communications, 202, 2002, p. 61-68.
• 13. George N., Wang S.: Neural networks applied to diffraction-pattern sampling. Appl. Opt., 33, 1994, p. 3127-3134.
• 14. Jaroszewicz L. R, Cyran K. A, Podeszwa T.: Optimized CGH-based pattern recognizer. Opt. Appl., 30, 2000, p. 317-333.
• 15. Jaroszewicz L. R, Merta I., Podeszwa T., Cyran K. A:. Airplane engine condition monitoring system based on artificial neural network. [In:] McNulty G. J. (ed.): Quality, Reliability and Maintenance. Professional Engineering Publishing, Bury St Edmunds, London, 2002, p. 179-182.
• 16. Podeszwa T., Jaroszewicz L. R, Cyran K. A.: Fiberscope based Engine Condition Monitoring System. Proc. SPIE., 5124, 2003, p. 299-303