Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Autobusy : technika, eksploatacja, systemy transportowe

2 2017

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: train crossing

Sortuj według:

Ogranicz wyniki do:

Wizyjna detekcja obiektów w obrazach przy użyciu klasyfikatora SVM i deskryptorów HOG : porównanie wyników dla kolejowych sygnalizatorów świetlnych oraz dla sylwetek ludzkich

Król R., Bojarczak P., Taraś A.

Autobusy : technika, eksploatacja, systemy transportowe

2017

R. 18, nr 12

260--263, CD

W artykule porównane zostały krzywe DET (ang. Detection-Error Tradeoff) dla pojedynczego klasyfikatora SVM testowanego na zbiorze kolejowych sygnalizatorów świetlnych przy użyciu oprogramowania zaimplementowanego w środowisku MATLAB, oprogramowania zaimplementowanego w C++ przy użyciu biblioteki OpenCV oraz dla pojedynczego klasyfikatora testowanego na zbiorze obrazów INRIA zawierającym sylwetki ludzkie. Potrzeba porównania rezultatów dla sygnalizatorów świetlnych z rezultatami dla ludzi oraz porównania funkcji oferowanych przez środowisko MATLAB z funkcjami biblioteki OpenCV wynika z uzyskanych w poprzednich badaniach (R. Król, P. Bojarczak, Detekcja kolejowych sygnalizatorów świetlnych w obrazach przy użyciu deskryptorów HOG i sieci neuronowych SVM) wysokich, względem badań N. Dalal, wartości współczynnika FPPW (ang. False Positives Per Window). Badania przedstawione w niniejszym artykule dowodzą, że charakterystyczne cechy geometryczne sygnalizatorów świetlnych nie wpływają na jakość rezultatów uzyskanych przy metodzie badań zastosowanej w poprzedniej pracy.

In this paper Detection-Error Tradeoff Curves were compared for the single SVM classifier which was tested on the set of images containing railway traffic lights using the software which Authors implemented in Matlab, software implemented by the Authors in OpenCV (C++) and for the single SVM classifier tested on the INRIA persons image set using software implemented by the Authors in Matlab. Research performed in this paper are important because in the last numerical experiments high values of FPPW coefficient (False Positives Per Window) were obtained. Results presented in this paper prove that characteristic features of the railway traffic lights geometry do not influence value of FPPW and HOG descriptors can be successfully used for this type of object.

Detekcja kolejowych sygnalizatorów świetlnych w obrazach przy użyciu deskryptorów HOG i sieci neuronowych SVM

Król R., Bojarczak P.

Autobusy : technika, eksploatacja, systemy transportowe

2017

R. 18, nr 6

281--286, CD

W lipcu 2006 r. Navneet Dalal opublikował rezultaty badań detektora wykorzystującego sieci neuronowe SVM oraz deskryptory obrazów HOG (ang. Histogram of Oriented Gradients), który użyty został do wykrywania sylwetek ludzkich w obrazach i video. W tym artykule podobne badania zostały przeprowadzone dla detektora kolejowych sygnalizatorów świetlnych. W środowisku Matlab zaimplementowany został system TSR (ang. Traffic Sign Recognition) oraz przeprowadzona została jego analiza dla różnych parametrów deskryptorów HOG. Pomimo, że system TSR ma takie same parametry jak system do detekcji sylwetek ludzkich, rezultaty badań tych systemów różnią się. Dobre rezultaty osiągnięto jedynie dla wybranej liczby poziomów kwantyzacji w deskryptorach HOG, podczas gdy w badaniach detektora ludzi uzyskiwano tym mniejsze wartości współczynnika strat (ang. miss rate), im większa była liczba poziomów kwantyzacji. Zwiększenie liczby obrazów w zbiorze uczącym klasyfikatora z 444 do 16000 poprawiło znacznie parametry detekcji. Niestety w badaniach systemu TSR uzyskano wysokie wartości współczynnika FPPW (ang. False Positives Per Window) w porównaniu do badań detektora sylwetek ludzkich. Może być to spowodowane brakiem normalizacji blokowej lub inną metodyką normalizacji w funkcji obliczającej deskryptor w programie Matlab. Wysokie wartości współczynnika FPPW mogą także świadczyć o tym, że rodzaj deskryptora lub metodyka detekcji są nieodpowiednie dla kolejowych sygnalizatorów świetlnych.

In July 2006 Navneet Dalal published the research of the detector constructed with linear SVM neural networks and HOG (Histogram of Oriented Gradients) descriptors which was used for detection of people in images and videos. In this paper similar research was done for detection of railway traffic lights. TSR (Traffic Sign Recognition) system was implemented in Matlab and examined for various settings of HOG descriptors. Despite the TSR system for railway traffic lights detection has the same settings as people detection system, the results are different. Good results was obtained only for selected number of bins in HOG descriptor, while in people detection the miss rate coefficient decreases with increasing number of bins. Increasing number of pictures in learning set of SVM network from 444 to 16000 significantly improved effectiveness of the detector. Unfortunately, high value of FPPW (False Positives Per Window) coefficient was obtained in comparison to the people detection research. It can be caused by the lack of block normalization or different block normalization method in the Matlab function which computes HOG feature vector. High values of FPPW can also point that this kind of descriptor or methodology is improper for railway traffic lights detection.