Библиографическое описание:

Мухамадиева К. Б. Распознавание мобильных объектов на основе эвристических данных и машинного обучения // Молодой ученый. — 2016. — №9. — С. 230-233.



В статье рассмотрены технологии распознавания мобильных объектов, проблемы надежности и эксплуатации на различных обстановках.

Ключевые слова: распознавание, мобильный объект, машинное обучение, алгоритм распознавания.

Распознавание транспортных средств по-прежнему затруднено для практического использования в различных реальных обстановках. Сейчас часто используются алгоритмы машинного обучения на основе общей суммы особенностей. Однако они используют только часть информации, полученной из изображений. Кроме того, для человека трудно понять классификатор, поэтому тяжело учесть отдельные ошибки распознавания.

Мы предлагаем метод, конструктивной особенностью которого является сумма иерархически структурированного знания человека, регулируемая на машинном обучении. В результате экспериментов, было достигнуто 90 % случаев распознавания.

Хорошо известно, что наезд сзади наиболее распространенная причина дорожно-транспортных происшествий и занимает около трети всех несчастных случаев. Системы помощи водителю эффективны чтобы уменьшить их. Таким образом передние системы оповещения столкновения (front collision warning, FSW) или тормозные системы перед катастрофой (precrash brake system, PCS) распространены и используют волновые радары, лазерные радары или стерео камеры. В данной статье предлагается метод, сочетающий человеческую идентификацию знаний и машинного обучения для устранения этих проблем. Этот метод сочетает особенности, которые человек как кажется, использует для распознавания с параметрами, разработанными машинным обучением. Этот метод можно рассматривать как алгоритм, который заменяет краевые особенности в статье [1] [2] особенностями внешнего вида, извлеченные человеком. Этому методу нужен метод проб и ошибок в проектировании структуры, это может занять некоторое время. Однако можно эффективно использовать информацию об изображении, соответствующую объектам обнаружения. Также для человека понятны структура классификаторов, поэтому отдельные ошибки могут быть легко исправлены.

Алгоритм распознавания

Обзор предлагаемого алгоритма для обнаружения впереди движущегося транспортного средства. После захвата изображения передней камерой, кадры стабилизируются от дрожания камеры и распознаются границы движения. Образцы транспортного средства отыскиваются в этом районе.

Если шаблон транспортного средства не может быть найден непрерывно, вычисляется оптический поток. Это резервная процедура в случае недостающего образца автомобиля. Приближающееся транспортное средство должно быть обнаружено для предотвращения столкновения. В этом случае, оптический поток более надежен, чем шаблон распознавания. После вычисления оптического потока, они группируются и судят, приближается ли препятствие. Если это так, время до столкновения (time to collision, TTC) оценивается с помощью оптического потока. Предупреждение выдается, когда TTC становится ниже порогового набора времени движения автомобиля и времени отклика водителя.

Описание алгоритма распознавания образов

Сначала кадры стабилизируются. На первом этапе стабилизации выполняется оценка смещения между соседними кадрами. В результате мы получаем массив матриц 3х3, описывающих смещение между двумя смежными кадрами. Так как оценка смещения является первым этапом стабилизации, её точность имеет решающее значение.

На следующем этапе генерируется новая последовательность кадров на основе рассчитанных смещений, после чего для повышения качества видео и устранения дефектов производится дополнительная обработка (сглаживание, устранение размытости, граничная экстраполяция.).

Алгоритм поиска смещения [3]:

1. Кадр разбивается на множество непересекающихся блоков

2. Для каждого блока текущего кадра ищется соответствующий, наиболее похожий ему блок предыдущего кадра (ссылочный блок), т. е. ищется такое смещение. Затем вычисляется край гистограммы в горизонтальном и вертикальном направлении. После этого извлекаются кандидаты прямоугольники транспортных средств, полученные путем комбинации положений пиков.

Кандидаты прямоугольники проверяются на соответствие образцов изображений транспортных средств. Шаблоны образцов изображений автомобилей формируются в 2 слоя, так чтобы они могли гибко адаптироваться к колебаниям освещенности и появления транспортных средств в различных окружающих средах. Нижний слой выражает каждую часть внешнего вида транспортного средства, например, контур, тень шины, задние фонари. Верхний слой выражает совокупность этих частей, так что они могут быть признаны в качестве транспортных средств. Комбинация появления частей изменяется в зависимости от условия освещения, класса автомобиля, погоды и т. д. Таким образом, подготавливаются различные комбинации моделей внешнего вида со статистической вероятностью выше определённого уровня. Мы не использовали общую сумму особенностей, таких как, но мы разработали специфические особенности появления элементов транспортных средств, используемых человеком для различения.

На основе структурированного человеческого знания различать автомобили и были статистически разработаны классификаторы машинного обучения с применением Real Adaboost. Метод был приспособлен и оценен для изображений в фактической окружающей среде и выполнения признания было количественно оценено. Было достигнуто 91,2 % правильного распознавания, хотя есть некоторые возможности для улучшения, кроме того путем добавления еще одной особенности, количество обучающих образцов может быть отобрано, структурировав функцию величин, полученных от человеческого знания, таким образом, классификаторы могут быть разработаны с относительно меньшим количеством образцов изображений. В дальнейшем функции особенностей будут улучшены, так что производительность распознавания будет увеличена. Кроме того, этот метод может быть применен в различным объектам которые должны быть распознаны, таким образом мы постараемся применить его к другим системам в будущем.

Литература:

  1. T.Akita, Y. Yamada: Image Recognition of Vehicle Applying Fusion of Structured Heuristic Knowledge and Machine Learning, Second International Symposium on Future Active Safety Technologe toward zerotrafficaccident on September 25, 2013.
  2. T.Mitsui,Y.Yamauchi and H. Fujiyoshi: Human Detection by Two Stages Adaboost with Joint HOG, The 14th Symposium on Sensing via Image Information, IN106 (2008).
  3. Michal Irani and P. Anandan: About Direct Methods, ICCV Workshop on Vision Algorithms, pages 267277, 1999.

Обсуждение

Социальные комментарии Cackle