Визначення та розпізнавання дорожніх знаків з використанням Single Shot Multibox Detector

Автор(и)

  • Олена Іллівна Чумаченко Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського» https://orcid.org/0000-0003-3006-7460
  • Любомир Богданович Петришин Науково-технологічний університет AGH, Краків https://orcid.org/0000-0003-4168-3891
  • Владислав Володимирович Кончінскій Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.67.15582

Анотація

Розглянуто побудову системи автоматичного розпізнавання дорожніх знаків, яка виконує локалізацію дорожніх знаків і їх розпізнавання на зображеннях, що надходять з відеореєстратора автотранспортного засобу, що дозволяє використовувати відеореєстратор як за його прямим призначенням, так і включити його в процес управління автомобілем, полегшуючи роботу водія і, таким чином, значно підвищуючи безпеку і комфорт водіння. Проведено аналіз рішення задачі детектування і розпізнавання дорожніх знаків на основі використання згортальних нейронних мереж. Показано, що найбільша перевага з точки зору критеріїв точності і швидкодії має метод single shot multibox detector. Навчання нейронної мережі здійснюється на основі навчальної вибірки, що складається дорожніх знаків, прийнятих в Україні. Проведене дослідження показало, що запропонований підхід для всіх використаних наборів даних дав, як кращу якість розпізнавання, так і максимальну швидкодію.

Біографії авторів

Олена Іллівна Чумаченко , Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Доктор технічних наук. Професор

Владислав Володимирович Кончінскій , Національний технічний університет України «Київський політехнічний інститут ім. Ігоря Сікорського»

Кафедра технічної кібернетики

Бакалавр

Посилання

https://preview.thenewsmarket.com/Previews /NCAP /DocumentAssets/188042.pdf

https://media.daimler.com/marsMediaSite/en /instance/ko/Speed-Limit-Assist-Electronic-image-processing-system-detects-speed-limit-signs-as-the-car-drives-past-them.xhtml?oid=9361557

http://volvo.custhelp.com/app/answers/detail /a_id /9572/~/road-sign-information %28rsi%29#:~: text=Road%20Sign%20Information%20(RSI)%20automatically,road%20you%20are%20traveling%20on

A. Gudigar, S. Chokkadi and U. Raghavendra, Multimedia Tools and Applications. (2016) 75: 333. Available at: https://doi.org/10.1007/s11042-014-2293-7.

S. Escalera, X. Barу, O. Pujol, J. Vitriа, and P. Radeva, “Background on Traffic Sign Detection and Recognition.Traffic-Sign Recognition Systems,” Springer Briefs in Computer Science, 2011, pp. 5–13. https://doi.org/10.1007/978-1-4471-2245-6_2

Zumra Malik and Imran Siddiqi, “Detection and Recognition of Traffic Signs from Road Scene Image,” 12th IEEE International Conference on Frontiers of Information Technology, 2014, pp. 330–335. https://doi.org/10.1109/FIT.2014.68

C. F. Paulo and P. L. Correia, “Automatic Detection and Classification of Traffic Signs in Image Analysis for Multimedia Interactive Services (WIAMIS '07),” Eighth International Workshop on. 6–8 June 2007, pp. 1–11. https://doi.org/10.1109/WIAMIS.2007.24

R. Timofte, K. Zimmermann and L. Van Gool, Machine Vision and Applications, 2014, no. 25, pp. 633–647. https://doi.org/10.1007/s00138-011-0391-3

C. Z. Xiong, C. Wang, W. X. Ma, and Y. M. Shan, “A Traffic Sign Detection Algorithm Based on Deep Convolutional Neural Network,” in Proceedings of the IEEE International Conference on Signal and Image Processing, Beijing, China, 13–15 August, 2016, pp. 676–679.

D. Ciresan, U. Meier, J. Masci and J. Schmidhuber, “Multi-Column Deep Neural Network for Traffic Sign Classification,” Neural Networks, vol. 32, pp. 333–338, 2012. https://doi.org/10.1016/j.neunet.2012.02.023

Y. LeCun, Y. Bengio, and G. Hinton, “Deep learning,” Nature, 521(7553), pp. 436–444, 2015. https://doi.org/10.1038/nature14539

A. Krizhevsky, I. Sutskever, and G. E. Hinton, “Imagenet classification with deep convolutional neural networks,” in Advances in neural information processing systems, 2012, pp. 1097–1105.

A. Karpathy, G. Toderici, S. Shetty, T. Leung, R. Sukthankar and L. Fei-Fei, “Large-scale video classification with convolutional neural networks,” in Proceedings of the IEEE conference on Computer Vision and Pattern Recognition, 2014, pp. 1725–1732. https://doi.org/10.1109/CVPR.2014.223

B. Zhou, A. Lapedriza, J. Xiao, A. Torralba and A. Oliva, “Learning deep features for scene recognition using places database,” in Advances in neural information processing systems, 2014, pp. 487–495.

J. Jin, K. Fu, and C. Zhang, “Traffic Sign Recognition with Hinge Loss Trained Convolution Neural Networks,” IEEE Trans. Intell. Transp. Syst. 2014, 15:1991–2000. https://doi.org/10.1109/TITS.2014.2308281

T. Y.-H. Chen, L. Ravindranath, S. Deng, P. Bahl and H. Balakrishnan, “Glimpse: Continuous, real-time object recognition on mobile devices,” in Proceedings of the 13th ACM Conference on Embedded Networked Sensor Systems, 2015, pp. 155–168.

R. Girshick, “Rich feature hierarchies for accurate object detection and semantic Segmentation,” arXiv.org [Electronic resource]. 2013, URL: https://arxiv.org/abs/1311.2524 (date of the application: 12.03.2018).

R. Girshick, Fast R-CNN, arXiv.org [Electronic resource]. 2015. – URL:https://arxiv.org/abs/1504.08083 (date of the application: 13.03.2018). https://doi.org/10.1109/ICCV.2015.169

S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards real-time object detection with region proposal networks,” Proceedings of the Neural Information Processing Systems conference, NIPS, 2015.

J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” Computer Vision and Pattern Recognition, CVPR, 2016. https://doi.org/10.1109/CVPR.2016.91

W. Liu, D. Anguelov, D. Erhan, C. Szegedy, and S. E. Reed, “SSD: single shot multibox detector,” CoRR, 2015. https://doi.org/10.1007/978-3-319-46448-0_2

D. Y. Erokhin and M. D. Ershov, “Modern Convolutional Neural Networks for Object Detection and Recognition,” Digital Signal Processing, no. 3, pp. 64–69, 2018.

S. Wan, Z. Chen, T. Zhang, B. Zhang, and K. Wong, “Bootstrapping Face Detection with Hard Negative Examples,” arXiv:1608.02236. 2016, 7 p.

##submission.downloads##

Опубліковано

2021-05-12

Номер

Том 1 № 67 (2021)

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).