TSR on lyhenne sanoista Traffic Sign Recognition. Kyltintunnistusjärjestelmien tarkistaminen toiminnassa

Toistaiseksi ylinopeus tai epäjohdonmukaisuus tieolosuhteiden kanssa on yksi tärkeimmistä tieliikenneonnettomuuksien syistä, joiden seurauksena tuhansia ihmisiä kuolee ja loukkaantuu joka vuosi. Lisäksi liikenneonnettomuustilastojen mukaan nopeuden kasvaessa onnettomuuden seurausten vakavuus kasvaa eksponentiaalisesti. Valitettavasti monet kuljettajat eivät tiedä ylinopeutta todellisissa olosuhteissa liikennettä ei johda merkittävään ajalliseen voittoon. Kuljettaja ylittää keskimääräisen kaupunkireitin (noin 20 km) 80 km/h nopeudella, sallitun 60 km/h sijaan, ajassa vain kaksi minuuttia. Kannattaako ottaa riski ja hermostua pari minuuttia? Älä unohda, että kuljettaja, joka ylittää nopeuden, vaarantaa paitsi itsensä, myös ympärillään olevat. Onnettomuudessa nopeudella 30 km / h jalankulkijan kuolemanriski on 5%, nopeudella 50 km / h - 40%, ja nopeudella 65 km / h - jo 84%. Ylinopeus aiheuttaa usein vakavia maantiekuljetukset onnettomuuksia, mutta kuljettajat käsittelevät tätä ongelmaa usein ilman asianmukaista huomiota. Jopa lainkuuliaiset kuljettajat, jotka eivät koskaan harrasta rattijuopumusta, vastaantuleva kaista jne., älä pidä vaarallisena "pientä" (jopa 20 km/h) sallitun nopeuden ylitystä. Seuraava kaavio näyttää kolaritilastot, jotka osoittavat selvästi, että ylinopeus on yleisin kolareiden syy.

Huolimatta siitä, että ylinopeutta rekisteröiviä kameroita ilmestyy Venäjän teille päivittäin, rikkomusten määrä on edelleen korkea. Joka vuosi autojen määrä maailmassa kasvaa ja liikenneonnettomuuksien määrä kasvaa vastaavasti.

Riisi. yksi.

Tämän seurauksena siihen kiinnitetään yhä enemmän huomiota autojen järjestelmätälykäs tiedonkäsittely ja päätöksenteko. Insinöörit eri maat maailma on kehittänyt monia järjestelmiä aktiivinen turvallisuus autoihin, kuten ABS (lukkiutumaton jarrujärjestelmä), EBD (jarruvoiman jakojärjestelmä), ESP (ajoneuvon dynaaminen stabilointijärjestelmä) ja monet muut. Yksi nykyaikaisimmista on liikennemerkkien tunnistusjärjestelmä ja tiemerkinnät. Liikennemerkkien tunnistusjärjestelmä on suunniteltu varoittamaan kuljettajia noudattamisen tarpeesta nopeusrajoitus. Tämä järjestelmä havaitsee nopeusrajoituksen liikennemerkit niiden ohittaessa ja muistuttaa kuljettajaa voimassa olevasta enimmäisnopeusrajoituksesta, jos kuljettaja liikkuu nopeammin.

Autoissa käytetyillä liikennemerkkien tunnistusjärjestelmillä on tyypillinen rakenne, joka sisältää:

• - videokamera;
• - Ohjauslohko;
• - näyttö.

Videokamera sijaitsee tuulilasissa taustapeilin takana.

Kamera tallentaa auton edessä olevan tilan liikennemerkkien alueella (oikealla ja ylhäältä ajosuuntaan) ja välittää kuvan elektroniseen ohjausyksikköön. Videokameraa käyttävät myös muut aktiiviset turvajärjestelmät - jalankulkijoiden tunnistusjärjestelmä, kaistanvalvontajärjestelmä. Elektroninen ohjausyksikkö toteuttaa seuraavan toiminta-algoritmin:

• a) muodon tunnistus liikennemerkki(pyöreä muoto);
• b) merkin värin tunnistaminen (punainen valkoisella);
• c) kirjoitusten tunnistus (nopeusarvo);
• d) tietokilven tunnistaminen (kuljetustapa, toiminta-aika, peittoalue);
• e) ajoneuvon todellisen nopeuden analyysi;
• e) ajoneuvon nopeuden vertailu suurimpaan sallittuun nopeuteen;
• g) kuljettajan näkyvä ja kuuluva varoitus poikkeamasta.

Nopeusrajoitusmerkin muodossa oleva kuva näkyy kojetaulun näytöllä (sijaitsee nopeusmittarin sisällä, joissakin malleissa - päällä tuulilasi) ja pysyy näkyvissä, kunnes rajoitus päättyy tai sitä muutetaan. Useissa liikennemerkkien tunnistusjärjestelmän malleissa elektroninen yksikkö on vuorovaikutuksessa navigointijärjestelmä, eli se käyttää työssään tietoja navigointikarttojen nopeusrajoituskyltteistä. Vaikka videokamera ei tunnista merkkiä, tiedot siitä näkyvät kojetaulussa.

• - videosignaalikehysten väriavaruuden muuntaminen;
• - ääriviivojen valinta ja melun poistaminen;
• - kiinnostavien kohteiden todentaminen;
• - liikennemerkkien tunnistaminen.

Nopeusrajoitusten liikennemerkeissä on tärkeitä ominaisuuksia, kuten ympyrän muoto ja punainen reunus. Siksi menetelmän ensimmäinen vaihe on punaisten alueiden valinta kuvassa. Tätä varten on suositeltavaa käyttää HSV-värimallia, ei RGB:tä, kuten tulokuvassa. HSV:n avulla voit määrittää punaisen sävyt tarkemmin. Seuraavat ovat kaavat muuntamiseen RGB-paletista HSV-paletiksi:

On tärkeää huomata, että HSV-värimalli on lähimpänä ihmisen värin havaitsemista. Näiden muunnosten jälkeen värikoordinaatit ovat seuraavilla alueilla: 0

Valittujen ääriviivojen joukosta on tarpeen valita ääriviivat, joista tulee kiinnostuksen kohteita. Pelkkä väriominaisuus ei riitä määrittämään, kuuluuko kohde kiinnostavalta alueelta nopeusrajoitusliikennemerkkien luokkaan, sillä liikennemerkkien lisäksi kuva voi sisältää muita punaisia ​​kohteita (esim. , mainostaulut, auton jarruvalot). Toinen piirre, joka voidaan erottaa kaikista tarkastelluista liikennemerkeistä, on ellipsin muoto, joka on hyvin lähellä ympyrää. Siksi on tarpeen korostaa ääriviivaa, jonka ääriviivat edustavat ympyrää. Ympyröiden etsimiseen valittujen ääriviivojen joukosta käytetään teoreettisesti perusteltua Hough-muunnosta. Tuloksena saatiin kuvan kiinnostava alue, eli itse liikennemerkki.

Automaattisten liikennemerkkien tunnistusjärjestelmien viimeinen vaihe on omistettu liikennemerkkien tunnistamiselle. Yleisesti,

olemassa olevat menetelmät tähän joko käyttävät valmiita malleja tai perustuvat oppimiseen. Ensimmäisessä tapauksessa jokaiselle mahdolliselle merkille luodaan erityiset mallit ja sijoitetaan tietokantaan. Tämän jälkeen uutta syöttömerkkiä verrataan kaikkiin malleihin laskemalla jokin etäisyys (Euklidinen, Mahalanobis jne.). Luonnollisesti. että tässä tapauksessa on tarpeen pienentää kaikki merkit samankokoisiksi. Tässä menetelmässä on kuitenkin yleensä merkittäviä virheitä jopa pienillä esineiden värin ja valaistuksen muutoksilla. Siksi sen sijaan, että vertaillaan itse merkkejä, erotetaan jotkin niille ominaisista piirteistä (histogrammit, projektioiden ja intensiteettien summa jne.), mikä johtaa tunnistuksen luotettavuuden kasvuun.

Viime kädessä ajoneuvon ohjausjärjestelmään integroidun järjestelmän tulee tunnistaa ja tunnistaa tietyt liikennemerkit kameran näkökentässä. Liikennemerkkien on oltava standardin GOST R 52290-2004 mukaisia. Tässä järjestelmässä käytämme nopeusrajoitusmerkkejä, jotka on kuvattu GOST R 52290-2004:ssä.

Tätä tehtävää vaikeuttavat ulkoiset tekijät, kuten muuttuva päivänvalo, muuttuvat sääolosuhteet, riittävän laadukkaan ja luotettavan laitteiston valinta. Järjestelmän tulee suurella todennäköisyydellä tunnistaa vinoon asennetut tai vialliset kyltit. On tarpeen ottaa huomioon vaikeusaste merkkien tunnistamisessa suurella nopeudella. Ajoneuvon nopeuden kasvaessa järjestelmän kuormitus kasvaa, koska informatiivisten kehysten toimitusnopeus kasvaa ja tunnistusaika lyhenee.

transkriptio

1 UDC-algoritmi liikennemerkkien tunnistamiseen Romanov PV, opiskelija Venäjä, Moskova, MSTU im. N. E. Bauman, Tietokonejärjestelmien ja verkkojen laitos Ohjaaja: Samarev R. S., teknisten tieteiden kandidaatti, apulaisprofessori Venäjä, Moskova, Moskovan valtion teknillinen yliopisto. NE Bauman Johdanto Tämän työn tarkoituksena on ratkaista liikennemerkkien tunnistusongelma sekä testata opencv-kirjastoon toteutettujen algoritmien tehokkuutta ja käytettävyyttä. Alkutietojen saamiseksi käytettiin autoon asennettua kameraa, tyypillistä videonauhuria, joka mahdollistaa videotallennuksen Full-HD-muodossa. Päätehtävät olivat: merkin kiinnittäminen videoon kamerasta, sen tyypin määrittäminen yksinkertaistetun luokituksen mukaan. Merkkien tunnistusalgoritmi Mahdollisia lähestymistapoja analysoitaessa otettiin huomioon sekä "hermoverkkoja" että tilastollisia lähestymistapoja. OpenCV-kirjasto toteuttaa suuren määrän toimintoja, joiden avulla voit toteuttaa nämä lähestymistavat valmiiden mallien mukaisesti. Tässä tapauksessa päätettiin kuitenkin käyttää täsmälleen niitä menetelmiä, jotka on toteutettu myös OpenCV:ssä. Ongelman ratkaisemiseksi kirjoitettiin ohjelman tunnistus. Tunnistusprosessi suoritettiin kolmessa vaiheessa: hakualueen ja itse kohteen (merkki, jos toiminta toimii oikein) kiinnittäminen videovirran kehykseen; löydetyn objektin parametrien analyysi, määrittämällä se johonkin tyypeistä (tietokannan mallit); ohjelman mukauttaminen toimimaan epäsuotuisammissa olosuhteissa: pimeässä, häiriöiden läsnä ollessa.

2 Jokaisessa määritetyssä vaiheessa kutsutaan kirjaston funktioita. Analyysialgoritmin yleinen kaavio on esitetty kuvassa 1. Kaavio näyttää OpenCV:n käyttämät vaiheet ja toiminnot. Riisi. 1. Algoritmin yleinen kaavio (alku) Federal Assemblyn nuorisotieteellinen ja tekninen tiedote, ISSN

3 Kuva. 1. Algoritmin yleinen kaavio (jatkuu) Ensimmäisessä vaiheessa käytettiin funktioita cvsetimageroi, cvboundingrect ja cvcopy. Ensimmäisen avulla voit keskittyä kuvan kiinnostavaan alueeseen (ROI-alue). Kuvasta 3 näkyy, että ohjelma itse asiassa analysoi ja esittää käyttäjälle vain osan kehyksestä (kuva 2). Yksi sen parametreista, valitun alueen koordinaatit, on helppo laskea, koska OpenCV tarjoaa kuvan mukana tarvittavat tiedot.

4 Fig. 2. Alkuperäinen kuva 3. Analysoitu osa kuvasta (kehys) Kun olet valinnut alueen, jossa merkit todennäköisimmin esiintyvät, noin kehyksen keskimmäinen kolmannes, sinun on valmisteltava se etsimään merkkejä vastaavia muotoja. Tähän käytettiin seuraavia opencv:n työkaluja. Cvcvtcolor-toiminto, jossa on mahdollisuus muuntaa kuva harmaasävyiksi, tarvitaan kynnyksen (cvthreshold-funktio) tai Kenny-muunnoksen (cvcanny-funktio) käyttämiseen. Molemmat menetelmät on suunniteltu binaarisoimaan kuva (vain mustavalkoinen) ja korostamaan siinä olevien objektien rajoja, mutta ensimmäinen ottaa huomioon vain kuva-alueiden kirkkauden, kun taas Kenny-algoritmi suorittaa myös ääriviivojen osittaisen palauttamisen. Kokeet ovat vahvistaneet cvcanny-funktion edun (kuva 4). Liittovaltion yleiskokouksen nuorisotieteellinen ja tekninen tiedote, ISSN

5 Kuva. Kuva 4. Tulos cvcvtcolorin ja cvcannyn peräkkäisestä soveltamisesta kuvaan Seuraavaksi sinun on löydettävä kuvasta kaikki mahdolliset suljetut ääriviivat. Tätä varten käytettiin cvfindcontours-funktiota, jonka parametrina on aiemmin saatu binaarisoitu kuva. Sobel-operaattoria on yritetty soveltaa kuvan kunkin pisteen kirkkausgradientin laskemiseen (cvsobel-funktio) ja geometristen muotojen, tässä tapauksessa ympyröiden (cvhoughcircles-funktio) löytämiseen Hough-muunnoksen avulla. Mikään näistä toiminnoista ei osoittautunut kokeissa riittävän yleiskäyttöiseksi johtuen syöttöparametriyhdistelmien epätarkkuudesta videon kanssa työskennellessä. Seuraava vaihe on ääriviivojen valinta, jotka täyttävät annetut ehdot. Ensimmäinen asia, joka analysoitiin, oli ääriviiva-alue, koska se vaihtelee tunnettujen rajojen sisällä. Sen saa soittamalla cvcontourarea. cvcontourperimeter palauttaa ääriviivan pituuden, jota tarvitaan toisen tiiviysparametrin laskemiseen. Tämä on alueen ja kehän neliön suhde. Yksinkertaisesti sanottuna se luonnehtii esineen samankaltaisuutta ympyrän kanssa, koska ympyrä on kompaktein hahmo. sen kerroin on noin 0,79. Ja lopuksi tarkistimme ääriviivojen momenttien (niiden erottuvien muotojen) yhteensopivuuden käyttämällä opencv cvmatchshapes -funktiota, joka vertaa Freeman-ketjukoodiksi käännettyjä muotoja ja antaa niiden eron tason. Kokeet ovat osoittaneet, että lähes täydellinen samankaltaisuus ilmaistaan ​​arvolla, joka on pienempi. Kuvassa 5 on esimerkki kaikista kiinteistä ääriviivoista (korostettu kirkkaan vihreällä ja violetilla) ja kuvassa 6 oikein tunnistetuista merkeistä.

6 Kuva. Kuva 5. Kaikki alueelta löytyneet ääriviivat. 6. Muotoon sopivat ääriviivat Joskus on mahdotonta sanoa tarkasti, sopiiko ääriviiva vai ei, joten viimeinen temppu erojen selvittämiseksi on analysoida ääriviivan väriä. Toimintoja cvsplit ja cvcvtpixtoplane käytettiin kuvan jakamiseen värikanaviin. Cvcvtpixtoplane-toiminto on kuitenkin tarkoitettu kuville, joita ei edusta väri, vaan sävykanavat: sävy, kirkkaus ja syvyys (HSV-malli). Siellä on vertailu kaikkiin tietokannan merkkeihin, jotka täyttävät edellisessä vaiheessa testatut ehdot. Kuvaa kontrastoitiin myös manuaalisesti reunantunnistustoimintojen selkeämmän toiminnan varmistamiseksi. Tulokset Otos muodostettiin ottamalla huomioon erimuotoisten kylttien ja kuvien sisällyttäminen niihin. 7 merkin tunnistusta testattiin 16 videofragmentille, joiden resoluutio oli 1920x1080. Käytetty video selkeänä päivänä. Tulokset on koottu taulukkoon. Liittovaltion yleiskokouksen nuorisotieteellinen ja tekninen tiedote, ISSN

7 Merkkiesimerkki Tunnistustarkkuus Esimerkki kyltin muoto Tunnistustarkkuus Ei ohitusta 85 % Kierros Ei sisääntuloa 65 % Nopeusrajoitus 40 km/h 65 % 75 % Nopeusrajoitus 70 km/h 70 % Ei kääntymistä 40 % Anna tietä 70 % Kolmio Toissijainen tieyhteys 80 % 75 % Johtopäätös Suoritetun työn tulosten perusteella voidaan todeta, että OpenCV-kirjastoa voidaan käyttää liikennemerkkien tunnistusongelman ratkaisemiseen. Noin 70 % tunnistetaan, mikä kuitenkin osoittaa tarvetta löytää optimaalisempia menetelmiä. Mahdollisena työsuunnana on myös huomioitava hahmontunnistuksen tutkiminen vaikeissa olosuhteissa, esimerkiksi yöllä tai sumussa. Viitteet 1. Voroshin G. Ya Kuviontunnistusmenetelmät. Käyttötapa: (pääsyn päivämäärä). 2. Vladimir N. OpenCV askel askeleelta. Käyttötapa: (pääsyn päivämäärä). 3. Pattern Recognition OpenCV:llä: ääriviivat vs. haartraining Käyttötila: (Käytössä:). 4. Gary Bradski, Adrian Kaehler. OpenCV:n oppiminen. Tietokonenäkö OpenCV-kirjaston avulla. Saatavilla osoitteessa: %D1%81%D1%82%D1%80%D0%B0%D0%BD%D0%B8%D1%86%D0%B0, käytetty RECOG.RU: ohjelmoijien kuviontunnistus Käyttötila: (päivämäärä) vetoaa :).

UDC 004.932.72"1 Tiemerkinnän tunnistusalgoritmin tärkeimmät ominaisuudet

UDC 004.051 Boynov M.A. maisteriopiskelija, Moskovan valtion teknillisen yliopiston tietojenkäsittely- ja hallintajärjestelmien tiedekunta. N.E. Bauman Venäjä Moskova Dzhanaev S.I. maisteriopiskelija Tiedekunnan tietojenkäsittelyjärjestelmät

UDC 004.932 Menetelmä vastaavien kuvien valintaan perustuen SIFT-kuvaajien käyttöön Savonin AI, opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, osasto "Tietokoneohjelmistot ja tiedot

# 06, kesäkuu 2016 UDC 004.932 Kuvien vertaaminen hermoverkon ja SIFT-kuvaajien avulla N.E. Bauman, osasto "Ohjelmisto

UDC 004.93"1 P.F. Pavlenko, Kirgisian tasavallan kansallisen tiedeakatemian automaatio- ja tietotekniikan instituutti

UDC 004.932 Algoritmi tieliikenteen infrastruktuurin tiettyjen osien tunnistamiseksi ilmakuvissa Kosyura O.V., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, osasto "Ohjelmisto

Luku 6. Digitaalinen signaali- ja kuvankäsittely 337 Bani-Amer Tamer, SV Khmelevoy, DV Azarenko. Donetskin kansallinen teknillinen yliopisto, Donetsk, automatisoinnin laitos

UDC 004.93 Kasvokuvan piirrevektorin muodostamismenetelmien tutkimus suodattimilla Gabora Lavrova EA, opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, Biolääketieteen laitos

DU 004.932.2 Kuva- ja videovirran segmentointiprosessin kehittäminen ja optimointi mobiililaitteen puolella N.А. Severinov Ivan Fedorov Moskovan valtion painotaiteen yliopisto

UDC 004.932 Sormenjälkien luokittelualgoritmi D.S. Lomov, opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, osasto "Tietokoneohjelmistot ja tietotekniikat" Ohjaaja:

# 08, elokuu 2016 UDC 004.93"1 3D-kameratietojen normalisointi pääkomponenttimenetelmällä älykkään kodin käyttäjien asentojen ja käyttäytymisen tunnistamisongelman ratkaisemiseksi Malyh D.A., Venäjän opiskelija,

# 06, kesäkuu 2016 UDC 681.531.2 Esineiden tunnistus TV-kameralla Voronin A.V., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, erikoisrobotiikan ja mekatroniikan laitos

UDC 681.5:004.93 Yu.V. Kalinichenko KYSYMYKSIÄ RAJATUVISTAMISESTA KENNY DETECTORIN TEKEMÄSTÄ Luhansk Taras Shevchenko National University Pohditaan Kenny-ilmaisimen rajan havaitsemista. Algoritmi toteutettu

UDC 004.93 Kasvojentunnistusalgoritmien vertaileva analyysi visuaalisen tunnistamisen ongelmassa O.V. Rogozin, S.A. MSTU:n aarteet im. N.E. Bauman, Moscow, 105005, Venäjä Artikkeli on omistettu kahdelle lähestymistavalle tunnustamiseen

UDC 004.932, 681.518 Taustalla olevien pintakuvausalgoritmien vertaileva analyysi Bocharov VA, opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, osasto "Automaattijärjestelmät

UDC 159.9.072.592 Käyttäjän ominaisuuksien tunnistaminen kaiken kiinnostavan tiedon käsinkirjoittamisesta. http://sntbul.bmstu.ru/doc/616688.html Tambiev K.Sh., tietojärjestelmien ja televiestinnän osaston opiskelija,

Hough muuttaa Anna Degtyareva [sähköposti suojattu] Vežnevets Vladimir [sähköposti suojattu] Sisältö Johdanto Menetelmän pääidea Esimerkki: kuvan viivojen valinta Esimerkki:

UDC.004.01 Optisen virtauksen laskenta ajoneuvojen korostamiseksi videokuvassa PA Devaykin 1, AV Shikut 1 1 MSTU im. N.E. Bauman, Moskova, 105005, Venäjä Laskennan algoritmit

Kysymyksiä ajankohtaisen edistymisen ohjaamisesta ja välisertifioinnista kurssilla "Kuvantunnistuksen menetelmät ja tekniikat" 1. Kuva-analyysin tehtävä, sen käytännön merkitys 2. Kuvan käsite.

266 Osa 6. Digitaalinen signaalin ja kuvankäsittely UDC 004.932 D.S. Khimich, A.Yu. Kharitonov Donetsk National Technical University, Donetsk Department of Computer Monitoring Systems TECHNOLOGIES

Lisätyn todellisuuden rakentaminen virtuaalisen sovitushuoneen luomisen esimerkissä. 77-48211/482783 # 08, elokuu 2012 Devaikin P. A., Shikut A. V. UDC.004.021 Venäjä, MSTU im. N.E. Bauman [sähköposti suojattu]

Ohjelmakokonaisuus "Interaktiivinen tietotaulu" Drozdova Yuliya Alexandrovna PSNIU, Perm, Venäjä. Huomautus. Artikkeli on omistettu ohjelmistokompleksin "Interaktiivinen tieto

298 ERIKOISTIETOKONEJÄRJESTELMÄ MIKROSKOPIN TARKENNUKSEEN Kirichenko MN, ryhmä KSD-05m Pää Assoc. kahvila ACS Omelchenko A.A. Tällä hetkellä mikroskooppeja käytetään laajasti lääketieteessä ja tekniikassa.

172 Osa 5. Digitaalinen signaali- ja kuvankäsittely N.N. Sheremet Donetsk National Technical University, Älykkäiden järjestelmien ohjelmistojen laitos AKTIIVISEN MENETELMÄN TUTKIMUS

HARMAAN HARMAAN KUVAN OMINAISUUKSIEN RAJOJEN ANTAMINEN OMINAISUUKSIEN RAJOJEN TUNNISTUS, LUOKITUS JA OMINAISUUKSIEN PARAMETRIEN MÄÄRITTÄMINEN REALIAIKAISESTI. A.V. Bovyrin, A.V. Gubanov, V.F. Kuryakin, K.V. Rodjuškin,

Matemaattiset rakenteet ja mallintaminen 2015. 4(36). P. 123 128 UDC 004.93 TIETOKÄYTÖ TIETONA TIEDON POITTAMISEKSI VIDEOSARJASTA N.V. Manyukova pedagogisten tieteiden kandidaatti, apulaisprofessori, sähköposti:

UDC 57.08 Testauskirjastot kasvojenhallintapisteiden automaattista sijoittamista varten 07, heinäkuu 2012 Tomak K.S. Opiskelija, Tietojenkäsittelyjärjestelmien laitos Ohjaaja: Kashapova L.Kh., assistentti

UDC 004.4 RATTER-KUVIEN ALUSTAVA KARKEA LUUNTEKOITUS JA YKSINKERTAISTEN ELEMENTIEN TUNNISTAMINEN А.N. Romanov, M.V. Privalov Donetskin kansallinen teknillinen yliopisto

# 07, heinäkuu 2017 UDC 004.032.26 Konvoluutiohermoverkko kuvantunnistus- ja luokitusjärjestelmän kehittämiseen Guziy E.A., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, osasto "Tietokone

OPENCV LIBRARY 66 S.V. PERUSTUVAT KASVOTUNNISTUSALGORITMIT. Tomilov Useimmat nykyaikaiset kasvojentunnistusjärjestelmät ovat erittäin herkkiä esitettyjen kuvien ominaisuuksille. Siksi ennen välitöntä

UDC 0093 1; 0093 AN SAMOILOV, IV SHEVCHENKO MENETELMÄ MÄÄRIVIEN VIIVOJEN TUNNISTAMISEKSI GaAs-kiekkojen SIIRTOJÄLKIEN BINARISOITUJEN KUVAN EpäILYTETTYJEN PISTOJEN VALKEUSEROJEN TUNNISTAMISEKSI Ongelmaa tarkastellaan

UDC 621.391 Kaksiulotteinen signaalintunnistus k lähinaapurien menetelmään perustuva Yakubov R.Zh., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, tietoturvaosaston valvoja:

UDC 531.1 -JÄRJESTELMÄ VIDEOMERKKEIEN TUNNISTAMISEEN JA TUKEMISEEN ROBOTTINAVIGOINTIA TARJOAVAT A.V. Kalinichenko ( [sähköposti suojattu]) Soveltavan matematiikan instituutti. M.V. Keldysh RAS, Moskova Paperissa kuvataan

Donetskin kansallinen teknillinen yliopisto Tietojenkäsittelytieteen ja tekniikan tiedekunta Sovellettavan matematiikan ja informatiikan laitos LIIKKUVIEN OBJEKTIEN AUTOMAATTINEN SEURANTA VIDEOVALVONTAJÄRJESTELMISSÄ

UDC 004.932.2 Kuvan segmentointialgoritmit Ogluzdina Yu.A., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, osasto "Tietokoneohjelmistot ja tietotekniikat" Ohjaaja:

UDC 681.327.1 # 12, joulukuu 2015 Järjestelmän suunnittelu ihmisten dynaamisen käyttäytymisen tunnistamiseksi Demin N.A., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, tietojärjestelmien laitos

UDC 681.326 A.M. Shashlov TEHOKAS TIETOJEN PALAUTTAMINEN OSIOISTA ASEMAN OSIOJÄRJESTELMIEN VAHINGOISSA Olemassa olevat menetelmät tietojen palauttamiseksi, jos järjestelmät vaurioituvat loogisesti.

ALGORITMIT SÄTEILYLÄHTEEN KOORDINAATTEIDEN HALLINTAMISEKSI MATRIININ VALOVÄHTEELLÄ PINNALLA

Tiedonsiirtoreittien pullonkaulojen havaitseminen tietokoneverkossa ja niiden kaistanleveyden arviointi Tietokoneverkon tehokkaan toiminnan järjestämiseksi reitittimet ja muut laitteet tarvitsevat tietoa

54 OPTILIS-MUUTTUJAN OBJEKTIN TARKISTAMINEN VÄRIMUUTTUMISEN TUNNISTUKSELLA Ekaterina Gorshkova, Roman Teljatnikov, Ivan Shumsky

UDC 004.031.2, 004.932 Menetelmät optisen virtauksen laskennan optimoimiseksi autonomisissa navigointijärjestelmissä N.E. Bauman, osasto "" Systems

Pietarin osavaltion matematiikan yliopisto Mekaniikan tiedekunta Järjestelmäohjelmoinnin laitos Suunnattujen gradienttien histogrammin resoluution pienentäminen pienten kohteiden havaitsemiseksi

# 01, tammikuu 2016 UDC 534.4 Musiikki-instrumenttien äänen ohjelmistosynteesi Tishina E.M., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, Tietojärjestelmien ja televiestinnän laitos

Tieteen "Kuvantunnistuksen teoria" arviointityökalurahaston passi Liite 1 p / p Alan ohjatut osa-alueet (aiheet)* Kompetenssikoodi Arviointityökalun nimi Osa 1. Tunnistus

Jalan ääriviivojen saaminen valokuvista maksimaalisella tarkkuudella Hieman projektista Projektin sijainti: Pietarin valtion ammattikorkeakoulu, tietokonegrafiikan laboratorio, johtaja Beljajev Sergei Jurjevitš

Automaattiset rekisterikilven tunnistusjärjestelmät # 12, joulukuu 2014 Yuzov M. V., Pugachev E. K. UDC: 004.8 Venäjä, MSTU im. N.E. Bauman [sähköposti suojattu] Johdanto Nykyään tietotekniikka

UDC 004.021 Redis Clusterin käyttö plagioinnin havaitsemiseen Evgrafov I.A., opiskelija Venäjä, 105005, Moskova, MSTU im. N.E. Bauman, tietokonejärjestelmien ja verkkojen laitos Ohjaaja:

TIELIIKENNETUNNISTUSJÄRJESTELMÄ Gilmanov Timur Adelevich, perustutkinto, KNRTU-KAI nimetty. A.N. Tupolev, Kazan Sähköposti: [sähköposti suojattu] Huomautus: Tässä artikkelissa kuvataan järjestelmä

3 L.V. ANTONOV, A.A. ORLOV Teollisuustuotteiden kuvien käsittelyalgoritmien kokeellinen tutkimus UDC 004.942 Muromin instituutti (haara) Vladimirin osavaltion yliopisto

VADS-järjestelmän tietokonemalli Segeda S.V., Ph.D. Devochkin O.V. MSTU "MAMI" Liikenneonnettomuuksien vähentämiseksi teillä kehitetään jatkuvasti uusia autojen turvajärjestelmiä. Kaikkein lupaavimpia

382 Osa 7. Tekoälyteknologiat ja -järjestelmät UDC 004.931 Tkachuk E.O., Fedyaev O.I. Donetskin kansallisen teknillisen yliopiston soveltavan matematiikan ja informatiikan laitos [sähköposti suojattu]

Algoritmi kohteiden kolmiulotteisten kuvien rekisteröimiseksi passiivisella stereoskooppisella järjestelmällä käyttämällä monimittaista kuvankäsittelyä. 77-3569/23289 # 1. lokakuuta 211 Zaitsev K. I. Perov

UDC 681.325 RASTRIKUVIEN YHDISTELMÄ TEKNISISSÄ VISIOJÄRJESTELMISSÄ NV Soloviev, Ph.D. tekniikka. Tiede, apulaisprofessori A.A. Kozlov, kandidaatti M. Yu Litvinov, kandidaatti Pietarin valtionyliopisto

Luento 15 Neuroverkkojen laitteiston käyttäminen havainnoinnin laadun määrittämiseen IPTV-järjestelmissä Suunnitelma 1. Neuroverkkojen yleiskäsitteet (hermoverkon määritelmä, MOS-asteikko) 2. Neuroverkkojen luokittelu

Orion-Auto-ohjelmiston käyttöohje 1 Orion-Auto järjestelmän käyttötarkoitus... 3 2 Järjestelmän ominaisuudet... 3 3 Orion-Auton asennus... 4 4 Järjestelmän organisointi... 4

# 09, syyskuu 2015 UDC 004.021 Kalman-suodattimen sovellus GPS-koordinaattien sekvenssin käsittelyyn Listerenko R.R., Bachelor Russia, 105005, Moskova, MSTU im. N.E. Bauman, osasto "Ohjelmisto

Viivan sovitus tai menetelmät pistejoukon approksimoimiseksi suoralla viivalla Anna Degtyareva [sähköposti suojattu] Vežnevets Vladimir [sähköposti suojattu] Viivan sovitussisältö tai menetelmät pistejoukon approksimoimiseksi suoralla viivalla

UDC 004.424.4 Kerrosten lukumäärän ja niiden lukumäärän vaikutuksen tutkiminen verkon oppimisnopeuden virhekäyttäytymiseen Zhivykh S.Yu., tiedonkäsittelyn ja hallinnan laitoksen opiskelija, Venäjä, 105005, Moskova

N.N. Alekseeva, A.S. Irgit, A.A. Kurtova, Sh.Sh. Mongush Kuvankäsittelymenetelmien soveltaminen kämmenen verisuonimallin tunnistamisongelmaan Joka vuosi turvajärjestelmien vaatimukset kasvavat.

2. TIETOMEDIAAN LIITTYVÄT ERGONOMISET VAATIMUKSET Tietosuunnittelun pääperiaate on, että pääosa tiedosta tulee olla yleisön saatavilla ja helposti sulavaa. Huomaavainen

KUVAMALLIN RAKENNUS JA SEN KÄYTTÖ OBJEKTIN TUNNISTUSONGELMISSSA 1. Johdanto

Algoritmin käsite. Algoritmin kuva lohkokaavion muodossa. Lineaarisen ja haarautuvan rakenteen algoritmit. Minkä tahansa ongelman ratkaisu tietokoneella on jaettava seuraaviin vaiheisiin: ratkaisun algoritmin kehittäminen

Teknisten näkökirjastojen tutkiminen risteyksien liikenteen tallennusjärjestelmän rakentamiseksi A. E. Sokolov Automaatio- ja elektrometriainstituutti SB RAS Novosibirskin valtionyliopisto tieteellinen

17. koko venäläinen konferenssi kansainvälisellä osallistumisella "Mathematical method of kuviontunnistus - 2015" Svetlogorsk, Kaliningradin alue 19.-25.9.2015 Morfologinen kuvan suodatus

TIETOKONETIETEEN SOVELLETTAVAT NÄKÖKOHDAT Kuvahaku visuaalisen sisällön perusteella graafisista tietokannoista ja Internetistä I.Ye. Desjatnikov Abstrakti. Artikkeli esittelee järjestelmän kuvien etsimiseen visuaalisesti

Kasvojentunnistusmenetelmät Yu. Lifshits. 4. joulukuuta 2005 Sisältö 1 Kasvojentunnistusalgoritmien soveltaminen 2 2 Kasvojentunnistuksen ominaisuudet 2 2.1 Ongelman erityispiirteet ........................ 2 2.2 Tiivistelmä

Etukameralla riittää tehtävää. Siitä huolimatta sen kaapattujen kohteiden luettelo kasvaa jatkuvasti. Kuvia autoista ja jalankulkijoista, tiemerkintöjä ja nyt myös kylttejä. Ei tietenkään kaikki. Jotta järjestelmä ei hajoaisi pikkuasioihin, kehittäjät lisäsivät sähköiseen muistiin minimisymboleita: maksiminopeusrajoitus, ohituskielto ja siihen liittyvät aika- ja peittoaluekilvet, peruutusmerkit. Järjestelmä tunnistaa ne ja lähettää kuvan kojetauluun. Tällä vaihtoehdolla varustettuja autoja on vielä vähän, meille toimitettujen joukossa vielä vähemmän. BMW 3-sarja ja Opel Insignia testattiin. Ja vaikka näiden järjestelmien tehtävät ovat samat, työssä on paljon eroja.

AIHE JA MENETELMÄ

Yleiset tiet tarjoavat tyypillisiä tilanteita laitteiden runsaan tarkastukseen. Moskovan lähellä olevat tiet ovat täynnä erilaisia ​​nopeusrajoituksia, kapeammat moottoritiet - "tikkurilla" ohittamisen kieltäminen, valtatie ja kaupungin sisäinen suurnopeuskehä - ovat epätyypillisiä merkkejä, joita videosilmän pitäisi lukea melko nopeaan tahtiin. Reitin ohitimme kahdesti: päivänvalossa ja pimeässä. Lisäksi päiväsaikaan tuulilasi kastui ajoittain sateesta, ja raskaat kuorma-autot kastelivat runsaasti mutaa. Yleensä he eivät vetäytyneet tien todellisuudesta.

Toisin kuin useimmat elektroniset avustajat, hahmontunnistuksesta vastaava henkilö on suhteellisen yksinkertainen. Kamera nappaa ja vertaa arkistolevyihinsä, jotka ovat muodoltaan, sarjaltaan ja symbolien sijoittelultaan samanlaisia. Skannerit eivät reagoi vastaaviin auton enimmäispainoa tai korkeutta koskeviin rajoituksiin (myös suuria numeroita punaisessa reunassa). Totta, se liittyy uteliaisuuksiin. Ohitettaessa toista kuorma-autoa, Opel välähti yhtäkkiä näytössä "30". Kävi ilmi, että skanneri luki miniatyyriä nopeusrajoitusmerkkiä sprinklerisäiliöstä.

BMW:t ovat tietoisia ohituskielto- ja nopeusrajoitusmerkeistä sekä niiden peruutuksista. Ohjeissa mainitaan myös lisätietokilvet ”Märkä tie” ja ”Toiminta-alue”. Eteenpäin katsottuna sanotaan, että emme saaneet ensimmäisiä reitin kulun aikana, eikä auto yksinkertaisesti reagoinut muihin. Vaikka Opel on yksinkertaisempi merkki, sillä on merkittävämpi tietomatka. Opin esimerkiksi kyltit "Moottoritie", "Autotie", "Jalankulkualue", ja Opel Eye -kamera ei jätä huomiotta pääkylttien opasteita.

TIETOTARKASTUS

BMW pettyy ensimmäisinä minuuteina: se huomaa harvoin merkkejä "80" leveiden Moskovan moottoriteiden oikealla puolella. Opel on vähän varovaisempi. Mutta koetaan, että nämä olosuhteet ovat epänormaalit järjestelmille: näin leveällä tiellä on tarpeen kopioida tietoja venytysmerkeistä, ylemmästä rampista tai erotusesteestä.

Kaupungin ulkopuolella avustajat työskentelivät varmemmin: häiritsevää tietoa on vähemmän ja opasteet ovat paljon lähempänä. Tämä hunajaruisku ei kuitenkaan ollut ilman tervaa. "Opel" on herkkä merkin suunnalle. Jos se on hieman vinossa tai käännetty ympäri, kamera ei huomaa sitä. BMW:llä on omat omituisuutensa. "Baijerin" säännöllisessä navigoinnissa kaikkien teiden nopeusrajoitukset on ommeltu. Jos skanneri ei näe tienvarsikylttejä, tietokone luottaa tiekarttatietoihin. Mutta hänen on parempi olla tekemättä sitä! Elektroninen Susanin ei aina seuraa selkeästi asutusten rajoja vaihtamalla rajoja "60" ja "90". Ja joskus se korostaa täysin selittämättömiä 50 tai 70 km/h rajoituksia, ja muutos tapahtuu metsässä tai avoimella pellolla. Opel Eye -järjestelmä ei ole sidottu navigointiin, se seuraa vain todellisia tienvarsitietoja ja antaa siksi kuljettajalle harvemmin väärää tietoa.

Navigointiavusteiselta BMW-järjestelmältä odotimme älykkäämpää lähestymistapaa. Nimittäin se, että se seuraa tarkemmin ohitus- tai nopeusrajoitusalueita. Todellakin, usein nämä merkit toimivat lähimpään risteykseen, jonka navigaattori tunnistaa täydellisesti. Mutta jostain syystä tässä tapauksessa hänen avustansa evättiin. Seurauksena on, että merkki palaa, kunnes sen peruutus ilmestyy, sähköiseen karttaan tulee eri nopeusrajoituksen merkki tai määrätty aikaväli päättyy. Jälkimmäistä emme pystyneet määrittämään tarkasti: merkit paloivat paneelissa eri aikoja, emme pystyneet tunnistamaan riippuvuutta. Muuten, samoin Insignia. Mutta ohituksen kieltävä merkki, auto sammuu selvästi 15 sekunnin kuluttua. Miksi niin kiire? Lihavoitu miinus tiedon esittämisestä.

NÄKÖVAIKUTUKSET

Lyhyt, mutta kova sade heikensi Opelin tarkkuuspisteitä. Pisarat lasille, joilla ei ole aikaa harjata siveltimiä pois, vähentävät avustajan valppautta puoleen. Myös yöllä päälle kytketyt kaukovalot vaikuttavat hänen näöntarkkuuteensa samalla tavalla: elektroniikka jätti johdonmukaisesti huomioimatta ajovaloihin putoavat merkit. BMW ei salli itselleen tällaisia ​​oikkuja.

Mutta älä luota siihen, että järjestelmä varoittaa sinua merkistä etukäteen. Ilmoitetulla sadan metrin kantamalla sekä Opelin että BMW:n kamerat välittävät tietoa näytöille aikaisintaan, kun kyltti on etupuskurin tasolla. Ja "baijerilainen" pitää jopa teatteritauon ja antaa viestin vain, kun pylväs häämöttää taustapeilissä. Eikä se riipu sääolosuhteista tai vuorokaudenajasta.

Lisäksi jos tien reunassa seisova kuorma-auto tukkii merkin edes hieman (ihmissilmä tarttuu siihen tässäkin), skannerit ovat voimattomia. Vaikka tie "tikkuri" sijaitsee hieman kauempana, järjestelmä tunnistaa sen taatusti vain alhaisella nopeudella. Yleensä mitä korkeammalle nopeusmittarin neula nousee, sitä huonompi on avustajien reaktio. Esimerkiksi moottoritiellä sallitulla nopeudella 110 km / h vikoja esiintyi jopa ihanteellisissa olosuhteissa.

Ja jos arvioimme toiminnan tarkkuutta koko testin tulosten perusteella, BMW selviytyi noin 90 prosentilla havaituista merkeistä, Opel - 75 prosentilla.

Neuvoteltuaan he tekivät yleisen tuomion. Kokeiluista ei ole haittaa, ja joissain tapauksissa niiden vinkit ovat hyödyllisiä. Loppujen lopuksi, kaikella huolella ja kokemuksella, olemme kaikki ihmisiä, joilla on tietysti taipumus tehdä virheitä. Miksi mennä pitkälle - 600 kilometrin testin aikana jäimme pari kertaa paitsi tärkeästä tiedosta. Tässä ylimääräiset elektroniset silmät eivät häirinneet ollenkaan. Ja se joskus menee harhaan - anteeksi. Loppujen lopuksi he ovat kuin aloittelevia kuljettajia, jotka vain hankkivat kokemusta. Ja onneksi heidän tekemänsä virheet eivät ole virheitä, vaan aloittelijoille tyypillisiä tahroja.

”Ohituskiellon ja sen peruuttamisen värisymboleja on mahdoton nähdä projisointinäytössä, mutta todelliset merkit teiden reunassa ovat helppoja. Pimeys, pisarat tai lika kameran tuulilasissa eivät ole esteenä. Kunpa minulla olisi niin terävät silmät! Tämän seurauksena BMW ohittaa Opelin kahdessa keskeisessä parametrissa - skannauksen laadussa ja tiedon esittämisessä. Mitä tulee vääriin navigointivinkkeihin nopeusrajoituksista, hän ei koskaan yliarvioinut niitä suhteessa todelliseen rajoitukseen.

”Pidän mieluummin Opel Eyetä. ”Baijerilaisen” elektroninen apulainen muistuttaa liian huolehtivaa isoäitiään, joka suojelee huolellisesti rakastettua pojanpoikaansa kaikenlaisilta onnettomuuksilta, ja hänen maanmiehensä Rüsselsheimista muistuttaa nuorta isää, joka antaa lapselle riittävästi vapautta ja vakuuttaa vain vaarallisissa tilanteissa. Pidän enemmän siitä, kun ihminen luottaa itseensä eikä odota jatkuvasti apua muilta. Vaikka tällaisista ihmisistä vaikeina aikoina on hyötyä hyvien neuvojen kanssa.

BMW

Projektio tuulilasiin. Lähes ei reagoi näkyvyyden heikkenemiseen. Suuri prosenttiosuus tunnistamisesta näkee LED-valoja, väliaikaisia ​​ja tien päällä roikkuvia kylttejä.

Reagoi epäselvästi kylteihin leveällä tiellä. Navigointivinkit sallitusta nopeudesta eivät aina ole oikeita, opasteiden toiminta-aluetta olisi hyödyllistä ohjata navigointijärjestelmän avulla.

"Opel"

Tunnistaa lisäkilvet ja kyltit "Moottoritie". Antaa tietoa vain oikeista liikennemerkeistä hämmentämättä kuljettajaa. Hän näkee tien päällä LED-, väliaikaisia ​​ja roikkuvia kylttejä.

Ohituksen peruuttavat ja sallivat merkit pysyvät näytössä vain 15 sekuntia. Järjestelmä on aktivoitava jokaisen moottorin käynnistyksen jälkeen. Tehokkuus laskee yöllä ja sateella. Ei tunnista vinoja merkkejä.

Lähetä hyvä työsi tietokanta on yksinkertainen. Käytä alla olevaa lomaketta

Opiskelijat, jatko-opiskelijat, nuoret tutkijat, jotka käyttävät tietopohjaa opinnoissaan ja työssään, ovat sinulle erittäin kiitollisia.

Samanlaisia ​​asiakirjoja

Tieolosuhteet kuljettajan luotettavuuteen vaikuttavana tekijänä. Liikennemerkkien ja muiden rakenteiden liikenneturvallisuuden vaikutuksen, laadun, oikean asennuksen ja tietosisällön arviointi. Liikennemerkkien nimittäminen ja luokittelu.

opinnäytetyö, lisätty 11.12.2009


Reitin suuntaamisen ominaisuudet ja muodot kaupungeissa. Kylttien asennus risteyksissä samalle tasolle. Yksilöllisten liikennemerkkien sijoittelun ja suunnittelun periaatteet. Yksilöllisen suunnittelun kylttien asettelu ja laskeminen.

lukukausityö, lisätty 12.8.2008


Liikennemerkkien yleiset ominaisuudet: varoitus-, etuoikeus-, kielto-, ohje-, tiedotus-, palvelu- ja lisätiedot. Risteyksen liikenteen hallinnan teknisten välineiden tehokkuuden analyysi.

lukukausityö, lisätty 19.12.2011


Risteyksessä, jalankulkijoiden ylityksessä tai muussa tieosuudessa ylittämistä koskevat säännöt. Liikennemerkkien tutkimus ajoneuvojen kuljettajille. Liikenteen säätely liikennevaloilla teillä. Jalankulkijoiden maa- ja maanalaisten käytävien merkitys kaupungissa.

esitys, lisätty 14.2.2014


Tieolosuhteiden ja liikenteen organisointisuunnitelmien selvitys onnettomuuspaikalla. Onnettomuuden kehittymismekanismi onnettomuuteen osallistuneiden mukaan. Ajoneuvon nopeuden ennen jarrutusta ja ajoneuvojen välisen pienimmän sallitun etäisyyden määrittäminen.

lukukausityö, lisätty 1.3.2010


Tiemerkintöjen tyypit. Geometristen parametrien laskenta. Merkintöjen käytön luettelo ja perustelu suunnitellussa vaihtopisteessä. Merkkien luettelo ja perustelut suunnitellussa liittymäkohdassa. Liikennemerkkien, merkintöjen käyttöä koskevat säännöt.

lukukausityö, lisätty 21.6.2010


Tieliikenneonnettomuustietojen (RTA) analysointiin perustuva menetelmä vaarallisten tieosuuksien tunnistamiseen. Tapaturmaprosenttimenetelmä. Tärkeimmät onnettomuustyypit Tieolosuhteiden pääominaisuuksien ja tien käyttötilan analyysi.

lukukausityö, lisätty 8.10.2014

Auton apujärjestelmät ovat aina hyödyllisiä, esimerkiksi usein tapahtuvat onnettomuudet, jotka johtuvat huolimattomuudesta tai liikennemerkkien tietämättömyydestä. Kerromme sinulle, kuinka tämä järjestelmä on järjestetty ja toimii.

Mikä on liikemerkkien tunnistusjärjestelmä

Insinöörit ovat kehittäneet liikennemerkkien tunnistusjärjestelmän helpottaakseen kuljettajien kulkua tiellä ja estääkseen opasteiden tuntemattomuuden. Järjestelmän päätarkoitus on varoittaa kuljettajaa liikennemerkeistä, nopeusrajoituksista, risteyksistä tai muista liikennemerkeistä.

Monilla autonvalmistajilla on samanlaisia ​​järjestelmiä arsenaalissaan, valmistajasta riippuen järjestelmät nimetään eri tavalla. Useimmiten järjestelmää kutsutaan nimellä TSR (Traffic Sign Recognition). Tämä nimi löytyy Audin, Fordin, BMW:n, Volkswagenin ja Opelin autoista.

Opelin valmistamissa autoissa liikennemerkkien tunnistusjärjestelmä on osa Opel Eye -järjestelmää. Tämä on yksi parhaista integroiduista kuljettajan suojajärjestelmistä, jotka tunnustettiin vuonna 2010. Tämä sarja sisältää järjestelmät jalankulkijoiden tunnistusta, esteiden tunnistusta, automaattista pysäköintiä ja vastaavia järjestelmiä varten.

Mercedes-Benz antoi nimensä Speed ​​​​Limit Assist -järjestelmälleen. Tämän merkin autossa se tunnetaan paremmin nopeusrajoitusjärjestelmänä. Volvo aseistuksessaan kutsuu tätä järjestelmää RSI - Road Sigh Information, joka kertoo liikennemerkeistä.

Edistyessä myös nimet muuttuvat, merkkien tunnistusjärjestelmä voi olla joko itsenäinen järjestelmä tai osa monimutkaista suoja- ja varoitusjärjestelmien sarjaa.

Mikä on varoitusjärjestelmä

Auton merkistä ja mallista riippuen järjestelmä voi koostua erilaisista osista. On myös mahdollista käyttää toisen järjestelmän komponentteja, kuten antureita, skannereita ja kameroita. Mutta pääsääntöisesti liikennemerkkien tunnistusjärjestelmä koostuu seuraavista osista:

• videokamera tuulilasissa;
• Ohjaus estää;
• paikka (usein näyttö) käsiteltyjen tietojen näyttämistä varten.

Juuri tämä kameran sijainti kuljettajan pään tasolla antaa sinun tunnistaa tarkasti ja nopeasti liikennemerkin ja sen läsnäolon tiellä. Itse kamera on tehty uusimmalla tekniikalla, laadukas optiikka ja saatu hyvä kuva antavat paremmat mahdollisuudet tunnistaa merkki laadukkaasti.

Varoitusjärjestelmiä on kaksi sukupolvea. Ensimmäinen tiedottaa vain kuljettajalle ja näyttää pienen osan merkin tiedoista. Toinen sukupolvi on jo paljon monimutkaisempi, varsinkin jos autossa on keskusnäyttö, siinä näkyy itse kyltti, tiedot kyltistä ja siitä mitä olet rikkonut.

Ensimmäinen sukupolvi pystyy tunnistamaan merkkejä:

• Nopeusrajoitus;
• ohituskielto;
• joitain merkkejä lisätiedoista.

Toinen sukupolvi pystyy tunnistamaan yllä olevien merkkien lisäksi myös:

• liikkuminen pysähtymättä on kielletty;
• elävä ala;
• ratkaisun alku / loppu;
• kaikkien rajoitusten vyöhykkeen loppu;
• Ei sisäänkäyntiä;
• vastaan ​​tulevan ajoneuvon etu / vastaantulevan ajoneuvon etu.

Tämä ei ole vielä täydellinen luettelo merkeistä, jotka toinen sukupolvi voi tunnistaa. Tämä järjestelmä ottaa käyttöön kohtuullisen käyttöjärjestelmään perustuvan ohjausyksikön, ja kun uusia tunnistusmerkkejä ilmaantuu, järjestelmää päivitetään. Uusin innovaatio on GPS-järjestelmän käyttö ajoneuvotietojen, kuten nopeus-, suunta- ja muiden GPS-korjaustietojen sijaan.

Merkkien tunnistusperiaate

Joten sama, miten järjestelmä toimii ja miten se toimii. Kuten jo mainittiin, tuulilasissa oleva kamera on ensimmäinen asia, josta järjestelmä aloittaa. Kamera tallentaa polun auton edessä, yleensä tämän alueen etumatkustajan puolella (ajo suunnasta riippuen) ja kuljettajan yläpuolella. Samaa kameraa voi käyttää jalankulkijoiden tunnistusjärjestelmässä tai kaistanpidon apujärjestelmässä.

Vastaanotetun kuvan jälkeen tieto välitetään ohjausyksikköön. Ensimmäisessä sukupolvessa ohjausyksikkö on yksinkertainen ja vertaa vastaanotettuja tietoja tietokannan olemassa oleviin merkkeihin, jos merkki tunnistetaan, tiedot näytetään kuljettajalle, muuten mitään ei tapahdu.

Järjestelmän toinen sukupolvi on paljon monimutkaisempi. Järjestelmä ei vain lajittele vastaanotettuja tietoja, vaan myös korjaa kameran kuvan merkkiä ja valitsee erilaisia ​​yhdistelmiä mahdollisista vaihtoehdoista. Tämä viittaa siihen, että on paremmat mahdollisuudet tunnistaa vaurioitunut tai huonosti näkyvä merkki. Myös toisessa sukupolvessa ohjausyksikön käyttöjärjestelmä kohdistaa GPS-navigointikarttoihin vastaanotetut tiedot ja piirtää opasteita niin, että kuljettaja ei vain kuule, vaan myös näkee mahdolliset esteet.

On syytä harkita, että järjestelmä pystyy muistamaan useiden hahmojen toiminnan. Usein kuitenkin käy niin, että yksi kyltti ei ole vielä täyttänyt peittoaluettaan ja toinen on myös määritellyt omat säännöt.

Varoitus voidaan näyttää sekä kojelaudan näytössä että erillisessä keskinäytössä navigointikarttojen kanssa. Esimerkiksi järjestelmä vertaa, mikä on suurin sallittu nopeus ja kuinka paljon olet ylittänyt km/h, tai alkaa ilmoittaa, jos olet mennyt sisääntulokieltokylttiin.

Huhutaan, että kolmas sukupolvi tulee käyttämään liikennesääntöjä kylteissä ja antavat törkeän rikkomuksen sattuessa kuljettajalle neuvoja rikkomusten välttämiseksi ja oikein. Loppujen lopuksi käy usein niin, että aloittelevat kuljettajat, joilla ei ole harjoitusta, rikkovat yksinkertaisesti yksinkertaisimpia merkkisääntöjä.

Video liikennemerkkien tunnistusjärjestelmän toimintaperiaatteesta: