Wyniki wyszukiwania - BazTech

1

System inteligentny rozpoznawania znaków drogowych

Matuszewski J.

Przegląd Elektrotechniczny

|

2016

|

R. 92, nr 1

41--44

PL

Artykuł przedstawia autorską metodę dotyczącą komputerowego rozpoznawania znaków drogowych. Problem badawczy podejmowany w artykule określony został poprzez zdefiniowanie i opisanie sposobu tworzenia wzorców znaków drogowych, wyboru miary podobieństwa obrazów cyfrowych oraz reguł decyzyjnych w systemie rozpoznania. W celu detekcji znaku wykorzystano segmentację obrazu opartą na przestrzeni barw RGB, natomiast rozpoznawanie znaku oparto o detektor narożników. Na ich podstawie wyodrębniane są cechy deskryptora SURF, takie jak: liczba cech, położenie, skala, miara, znak Laplace’a i orientacja. Deskryptor SURF jest inwariantny względem obrotu i zmian skali, wykazuje wysoką powtarzalność detekcji punktów obrazu oraz odporność na jego zakłócenia. Dopasowanie znaku do wzorca opiera się na podstawie minimalnej odległości między wektorami, np. odległości Euklidesa lub Mahalanobisa. Badania poprawności algorytmu detekcji i rozpoznawania znaków drogowych dokonano przy pomocy aplikacji w środowisku MATLAB wraz z dodatkami: Computer Vision System Toolbox oraz Image Processing Toolbox. Otrzymane wyniki badań wskazują na wysoką skuteczność wykrycia i rozpoznania znaków drogowych. Aplikacja została przetestowana na zbiorze czterdziestu rzeczywistych zdjęć testowych znaków drogowych. Poprawnej detekcji nie dokonano tylko dla dwóch zdjęć testowych.

EN

The article describes the author’s method concerning the detection and recognition of traffic signs. The article investigates the definition and description of the traffic sign patterns, identifying the similarities of the digital pictures and decision criteria in the detection systems [4]. At the beginning for the traffic signs detection the picture segmentation was made which is based on the colour spectrum RGB (red, green, blue). Next in the process of sign recognition the detector of picture corners was used. On this base the following parameters of descriptor SURF were chosen for recognition: number of picture features, its situation, scale, the sign of Laplace`a function and picture orientation. The descriptor SURF is invariant with regard to rotation and scale changes, shows the high repetitious of the picture points detection and high resistance on jamming. The adjustment of recognized traffic sign to the appropriate pattern is based on the minimal distance between vectors, that is the Euclidean or Mahalanobis distance. An investigation into the correctness of the detection algorithm were made using an application in the MATLAB environment using Computer Vision System Toolbox and Image Processing Toolbox. Results achieved prove high accuracy in detection and recognition of traffic signs [1]. The application has been tested in 40 real-life traffic sign photos. Only two photos were not identified correctly.

2

Shape Matching and Color Segmentation Based Traffic Sign Detection System

Wali S. B., Hannah M.A., Abdullah S, Hussain A., Samad S. A.

Przegląd Elektrotechniczny

|

2015

|

R. 91, nr 1

36-40

EN

An automatic traffic sign detection system detects traffic signs from within images captured by an imaging sensor, and assists the driver to properly operate the vehicle. The idea presented here is through pixel value detection for hazard traffic signs containing red color background, computing in range regions and finally shape matching to choose the most appropriate traffic sign candidates to be drawn on the screen. The experimental result showed that, by comparing with the similar color segmentation based techniques, the proposed system has a higher accuracy of traffic sign detection rate with a lower computational time.

PL

W artykule opisano system automatycznego rozpoznawania znaków drogowych na podstawie sygnału czujnika obrazu. System rozpoznaje znaki na czerwonym tle, dopasowuje odpowiedni znak i wyświetla go na ekranie.

3

Road signs recognition with two-dimensional hidden Markov models

Bobulski J., Piech H.

Przegląd Elektrotechniczny

|

2015

|

R. 91, nr 2

123-126

EN

The automatic road sign recognition system is presented. The system uses two-dimensional hidden Markov models. The system is able to recognize the road signs, which were detected earlier in the image. The system uses wavelet transform for features extraction of road signs. In recognition process system uses two dimensional hidden Markov models. The experimental results demonstrate that the system is able to gain an average recognition rate of 83%.

PL

Zaprezentowano automatyczny system rozpoznawania znaków drogowych. System wykorzystuje dwuwymiarowe uryte modele Markowa. System rozponaje znaki drogowe, które były wcześniej wykryte nas obrazie. Do ekstrakcji cech znaków drogowych system używa transformaty falkowej. W procesie rozpoznawania zastosowano dwuwymiarowe modele Markowa. Wyniki eksperymentu pokazują, że system jest w stanie osiągnąć poziom rozpoznania 83%.

4

Comparative Survey on Traffic Sign Detection and Recognition: a Review

Wali S. B., Hannan M. A., Hussain A., Samad S. A.

Przegląd Elektrotechniczny

|

2015

|

R. 91, nr 12

38-42

EN

Developing real-time Advanced Driver Assistance Systems (ADAS) based on video aiming to extract reliable vehicle state information has attracted a lot of attention during the past decades. This ADAS system includes inter-vehicle communication, driver behavioral monitoring, and human-machine interactions. In these systems, robust and reliable traffic sign detection and recognition (TSDR) technique is a critical step for ensuring vehicle safety. This paper provides a comprehensive survey on traffic sign detection and recognition system based on image and video data. Our main focus is to present the current trends and challenges in the field of developing an efficient TSDR system followed by a detail comparative study between different renowned methods used by various researchers. Finally, conclusion followed by some future suggestion is provided to develop an efficient TSDR system is provided. This survey will hopefully lead to develop an effective traffic sign detection and recognition system which will ensure driver safety in future.

PL

System ADAS (Advanced Driver Assistance System) obejmuje także metody rozpoznawania znaków drogowych. W artykule przedstawiono przegląd metod detekcji i rozpoznawania znaków drogowych bazujących na obrazie video. W artykule dokonano oceny istniejących metod oraz zaproponowano środki poprawy ich efektywności.

5

Traffic Sign Classification based on Neural Network for Advance Driver Assistance System

Hannan M. A., Wali S. B., Pin T. J., Hussain A., Samad S. A.

Przegląd Elektrotechniczny

|

2014

|

R. 90, nr 11

169--172

EN

Traffic sign is utmost important information or rule in transportation. In order to ensure the transportation safety the automotive industry has developed Advance Driver Assistance System (ADAS). Among the ADAS system, development of TSDR is the most challenging to the researchers and developers due to unsatisfying performance. This paper deals with, automatic traffic sign classification and reduces the effect of illumination and variable lighting over the classification scheme by using neural network according to the traffic sign shape. There are three main phase of the classification scheme such as; pre-processing using image normalization, feature extraction using color information of 16-point pixel values and multilayer feed forward neural network for classification. An accuracy rate of 84.4% has been achieved by the proposed system. Overall processing time of 0.134s shows the system is a fast system and real-time application.

PL

W artykule opisano metodę automatycznego rozpoznawania I klasyfikacji znaków drogowych z przenaczeniem do inteligentnych systemów wspomagania kierowcy ADAS. Do tego celu wykorzystano sieci neuronowe przeprowadzając normalizację obrazu, ekstrakcję cech i klasyfikację. Osiągnieto dokładność rozpoznawania rzędu 84% przy przeciętnym czasie rozpoznawania około 0.13 s.

6

Opracowanie modelu autonomicznego robota technikami komputerowego wspomagania, projektowania i wytwarzania

Pogorzelski T.

Mechanik

|

2014

|

R. 87, nr 7CD

601—606

PL

Głównym celem pracy było opracowanie modelu autonomicznego robota mobilnego sterowanego na podstawie obrazu z kamery. Zadanie uwzględniało zaproponowanie projektu koncepcyjnego autonomicznego robota oraz wykonanie modelu z podziałem na część mechaniczną, elektroniczną oraz programową. Przedstawiony robot mobilny został zaprojektowany i wykonany metodami komputerowego wspomagania, projektowania i wytwarzania. Główną funkcją robota jest identyfikacja znaków drogowych oraz poruszanie się zgodnie z przepisami ruchu drogowego. Model stanowi również dobrą podstawę do dalszych prac, w celu zbudowania w pełni autonomicznego samochodu, odnajdującego się nie tylko na makiecie, lecz również w prawdziwym ruchu miejskim.

EN

The main objective of this work was to develop a model of an autonomous mobile robot controlled based on the image of the camera. The purpose was conceptual design and build an autonomous robot with the division on the part of the mechanical, electronic and software. Presented a mobile robot has been designed and computer aided methods, design and manufacturing. The main function of the robot is to identify traffic signs and move according to the rules of the road. Model also provides a good basis for further work, in order to build a fully autonomous car, working not only on the track, but also in real urban traffic.

7

Recognition of occluded traffic signs based on two-dimensional linear discriminant analysis

Forczmański P.

Archives of Transport System Telematics

|

2013

|

Vol. 6, iss. 3

10--13

EN

Traffic signs recognition involving digital image analysis is getting more and more popular. The main problem associated with visual recognition of traffic signs is associated with difficult conditions of image acquisition. In the paper we present a solution to the problem of signs occlusion. Presented method belongs to the group of appearance-based approaches, employing template matching working in the reduced feature space obtained by Linear Discriminant Analysis. The method deals with all types of signs, regarding their shape and color in contrast to commercial systems, installed in higher-class cars, that only detect the round speed limit signs and overtaking restrictions. Finally, we present some experiments performed on a benchmark databases with different kinds of occlusion.

8

Real-time procedures for automatic recognition of road signs

Pawłowski P., Prószyński D., Dąbrowski A.

Elektronika : konstrukcje, technologie, zastosowania

|

2009

|

Vol. 50, nr 3

57-62

EN

In this paper we propose procedures for detection and recognition of main groups of vertical road signs. The algorithm is intended for the use in vehicles, thus it is optimized to work in real-time. The described recognition process consists of several following stages. At first we are reducing the number of colors using the minimum variance quantization and changing the representation of an input video to the indexed color images. By this step the total amount of data is significantly reduced without decreasing the recognition quality. Then we check, which objects in individual images of the examined video have similar colors to those of particular road signs. To solve this problem, i. e., to determine proper RGB dependencies for the color-based segmentation of real world scenes, we use perceptive color spaces such as HSI and JCh instead of, e. g., the RGB space. The next step is to determine, which regions from those just found in the previous step by the color matches exhibit the road sign like shapes. This classification is done by computing geometric moments and appropriate shape factors. As the meaning of most road signs lies in the shape of the symbol just inside the sign, the essential process consists in recognition of this symbol. Thus in the final stage we recognize and classify the sign symbols using an artificial neural network (ANN). Additionally we propose a procedure to detect road marking, which can be used to track the car position on the road. All presented procedures work in real-time and improve safety of driving and, in consequence, may possibly decrease numbers of accidents.

PL

Artykuł przedstawia procedury wykrywania i rozpoznawania podstawowych grup pionowych znaków drogowych. Zaproponowany algorytm jest przeznaczony do zastosowania w pojazdach, w związku z tym jest przystosowany do pracy w czasie rzeczywistym. Przedstawiony proces rozpoznawania składa się z kilku etapów. W pierwszym, za pomocą kwantyzacji metodą minimalnej wariancji oraz przekształcenia wejściowych ramek wideo do obrazów z indeksowanym kolorem, jest redukowana liczba kolorów. Proces ten znacząco zmniejsza liczbę danych do przetworzenia bez istotnego pogorszenia jakości rozpoznawania. Następnie są wykrywane obiekty o kolorach zbliżonych do wykorzystywanych w znakach drogowych. Aby zminimalizować wpływ zmian oświetlenia i otoczenia na poprawne wykrywanie kolorów na tym etapie, zamiast klasycznej przestrzeni barw np. RGB, użyto przestrzeni percepcyjnych takich jak HSI i JCh. W kolejnym kroku w obszarach o dopasowanych kolorach, za pomocą momentów geometrycznych i współczynników kształtu, są wykrywane kształty znaków. Ponieważ znaczenie większości znaków określają symbole umieszczone wewnątrz znaków, kluczową procedurą jest wykrycie i rozpoznanie tych symboli. Ten etap został zrealizowany za pomocą sztucznych sieci neuronowych. Dodatkowo zaproponowano procedurę wykrywającą wybrane znaki poziome, jakimi są linie rozdziału pasów ruchu. Wyniki zostaną wykorzystywane do śledzenia trajektorii pojazdu, co w połączeniu z pozostałymi procedurami, może przyczynić się do zwiększenia bezpieczeństwa na drogach i zmniejszenia liczby kolizji i wypadków.