- Tytuł:
-
Detekcja kolejowych sygnalizatorów świetlnych w obrazach przy użyciu deskryptorów HOG i sieci neuronowych SVM
Computer vision based detection of railway traffic lights in images using HOG descriptors and SVM neural networks - Autorzy:
-
Król, R.
Bojarczak, P. - Powiązania:
- https://bibliotekanauki.pl/articles/312746.pdf
- Data publikacji:
- 2017
- Wydawca:
- Instytut Naukowo-Wydawniczy "SPATIUM"
- Tematy:
-
przejazd kolejowy
system ostrzegania
deskryptor HOG
train crossing
warning system
HOG descriptor - Opis:
-
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. - Źródło:
-
Autobusy : technika, eksploatacja, systemy transportowe; 2017, 18, 6; 281-286, CD
1509-5878
2450-7725 - Pojawia się w:
- Autobusy : technika, eksploatacja, systemy transportowe
- Dostawca treści:
- Biblioteka Nauki
Artykuł