Сущность и значение алгоритмов распознавания дорожных знаков. Характеристика возможных алгоритмов предварительной обработки изображения, предназначенных для получения более качественных границ объектов. Этапы предварительной обработки изображения.
Аннотация к работе
Большинство систем для поиска и идентификации объектов на изображении требуют огромных вычислительных мощностей, а в случае мобильных устройств постоянная работа камеры и высокая нагрузка на процессор создает проблему больших затрат энергии. Одним из главных препятствий в решении задачи распознавания является качество снимков, отсюда возникает необходимость предварительной обработки изображений[2,5]. После определения границ цвета требуется анализировать изображение попиксельно, а затем проводить бинаризацию. Под бинаризацией подразумевается, что цвет каждого пикселя имеющего значение цветового тона в пределах искомого цвета делаем белым, остальные пиксели делаем черными (Рис.1). а) б) Рис.1 Этапы предварительной обработки изображения: а) Изображение полученное с видеорегистратора б) Выделение красного цвета и бинаризацияВ данной статье была рассмотрена многоэтапная модель распознавания объектов, в основе которой метод сравнения моментов.
Введение
Большинство систем для поиска и идентификации объектов на изображении требуют огромных вычислительных мощностей, а в случае мобильных устройств постоянная работа камеры и высокая нагрузка на процессор создает проблему больших затрат энергии. Потребление больших вычислительных мощностей обусловлено необходимостью предварительной обработки получаемых на вход изображений. Для решения проблемы обнаружения и идентификации объектов создано множество алгоритмов, позволяющих проектировать более производительное программное обеспечение[3].
Исходя из описанного выше можно в общем виде построить алгоритм для обнаружения и идентификации объектов: 1. Предварительная обработка изображения;
2. Поиск объекта (для нашей задачи это будет окружность, прямоугольник или треугольник);
3. Распознавание объекта.
Предварительная обработка изображения
Одним из главных препятствий в решении задачи распознавания является качество снимков, отсюда возникает необходимость предварительной обработки изображений[2,5]. Так как для дорожных знаков при изготовлении используется строго определенный набор цветов, для предварительной обработки изображений можно использовать выделение цветов геометрических примитивов [1].
Для задачи поиска цвета наиболее удобным решением является перевод изображения в цветовую модель HSV, которая предполагает более четкое разграничение цветов. Для перевода к данной цветовой модели из цветового пространства RGB необходимо воспользоваться (1):
где H [0,360]; S,V,R,G,B [0,1], а МАХ - максимальное из значений R,G,B, MIN - минимальное.
Для данной цветовой модели важной компонентой в рамках поставленной задачи будет цветовой тон Н, остальные компоненты следует выбирать максимальными так как они зависят от окружения [7].
После определения границ цвета требуется анализировать изображение попиксельно, а затем проводить бинаризацию. Под бинаризацией подразумевается, что цвет каждого пикселя имеющего значение цветового тона в пределах искомого цвета делаем белым, остальные пиксели делаем черными (Рис.1).
а) б)
Рис.1 Этапы предварительной обработки изображения: а) Изображение полученное с видеорегистратора б) Выделение красного цвета и бинаризация
Следующим этапом в предварительной обработке является сглаживание. В качестве фильтра выбран матричный фильтр размерности 3х3 (2): (2)
В процессе применения фильтра компоненты изображения перемножаются на коэффициенты матрицы, а затем складываются. Затем полученные компоненты делятся на размерность матрицы фильтра, после чего получаем компоненты RGB, которые присваиваются пикселям после применения к ним матричного фильтра.
Результат применения фильтра (2) к рис. 1 можно увидеть на рис. 2.
Рис.2 Применение фильтра сглаживания.
Поиск объекта
Для поиска объекта требуется выделить границы искомого объекта. Для этой цели хорошо подходит детектор Кенни [4]. Реализация данного детектора присутствует в библиотеке OPENCV. В основе его работы лежит градиентный оператор Собеля. Различные программные реализации позволяют указать пороги минимума, максимума и размерность оператора Соболя при вызове метода. Маски, используемые оператором Собеля [8], представлены на рис.3.
Рис.3 Маски оператора Собеля
Эффект применения оператора Собеля к рис. 2 можно увидеть на рис. 4.
Рис.4 Выделение границ с помощью оператора Собеля
Распознавание объекта дорожный знак изображение распознавание
Далее требуется распознать полученный контур. Для этого можно использовать сравнение моментов. Чтобы использовать данный подход необходимо иметь образец фигуры, в результате обработки которой будет найден нужный контур. Сравнение моментов контуров реализуется с помощью составления карты контуров и последующего сопоставления знака с помощью преобразования Фурье. Для данного метода возможно три варианта сравнения, использующие инвариантные моменты, являющиеся линейной комбинацией нормализованных центральных моментов[9]. Выражение вида (3) является двумерным моментом порядка (p q) [6].
(3) где D-область изображения, для которой вычисляются моменты. Для описания изображения совместная вероятность p(x, y) заменяется на функцию яркости изображения f(x,y). Переход к центральным моментам обеспечивает инвариантность двумерных моментов к сдвигу [6]. После преобразований получим выражение (4)
(4) где - координаты центра области D.
Переход к нормализованным центральным моментам обеспечивает инвариантность относительно масштабирования.
В качестве меры сходства изображений возможен выбор между тремя функциями (5)
, , , (5) где , , а - моменты Hu изображений A и B соответственно.
Вывод
В данной статье была рассмотрена многоэтапная модель распознавания объектов, в основе которой метод сравнения моментов. Данная модель обеспечивает хорошую производительность для задачи нахождения однотипных объектов. В случае, если изображение подается затемненным или с бликами, тогда требуется его дальнейшее улучшение [9]. Так же для более гибкого распознавания можно использовать методы машинного обучения. Одним из таких методов является каскадный классификатор на основе признаков Хаара, который в свою очередь использует метод Виолы-Джонса [10].
Список литературы
1. Гришанов К.М., Белов Ю.С. Методы выделения признаков для распознавания символов. Электронный журнал: наука, техника и образование, 2016, вып. 1(5), стр. 110-119.
2. Нестеров А.Ю., Белов Ю.С. Распознавание образов по уникальным точкам на примере дорожных знаков. Электронный журнал: наука, техника и образование. 2016. № 4 (9). С. 113-119.
3. Нестеров А.Ю., Белов Ю.С. Сравнительный анализ функционирования алгоритма распознавания по контрольным точкам и результатов работы мобильного приложения roadar. Электронный журнал: наука, техника и образование. 2017. № СВ1 (11). С. 139-145
4. Сакович И.О., Белов Ю.С. Обзор основных методов контурного анализа для выделения контуров движущихся объектов. Инженерный журнал: наука и инновации. 2014. № 12 (36). С. 11.
5. Коваль Ю.А., Филиппов М.В. Метод предварительной фильтрации изображений для повышения точности распознавания образов. Инженерный журнал: наука и инновации, 2014, вып. 12. URL: http://engjournal.ru/catalog/it/hidden/1307.html (дата обращения: 22.12.2017).
6. Borgefors G Hierarchical chamfer matching: A parametric edge matching algorithm. IEEE Transactions on Pattern Analysis and Machine Intelligence, 10(6):849-865, 2000.
7. Chan T.F., Vese L.A. Active contours without edges. IEEE Transactions on Image Processing, 10(2):266-277. февраль 2001.
8. Lin Weisi,Dacheng Tao Multimedia Analysis, Processing and Communications, 2011, pp. 200-205.
9. M.K.Hu. Visual Pattern Recognition by Moment Invariants. IRE Trans. Info. Theory. vol. IT-8:179-187, 2000.
10. Viola P., Jones M. Rapid object detection using a boosted cascade of simple features. Accepted Conference On Computer Vision And Pattern Recognition, 2001, vol. 1, pp. 511-518.