Просматривается номер   2018-S1
К читателю
О журнале
Публикационная этика
Авторам
Тематика
Правила рецензирования
English (United Kingdom)Russian (CIS)
Интеллектуальный анализ данных и распознавание образов
Н.С. Скорюкина, А.Н. Миловзоров, Д.В. Полевой, В.В. Арлазаров "Метод распознавания объектов живописи в неконтролируемых условиях с обучением по одному примеру"
А.Е. Жуковский "Методы межкадровой интеграции результатов обнаружения документов в видеопотоке мобильного устройства"
И.А. Кунина, Е.И. Панфилова, М.А. Поволоцкий "Детектирование пешеходных переходов на изображениях дороги на основе метода динамического выравнивания временных рядов"
О.А. Славин, В.Л. Арлазаров "Метод классификации распознанных страниц деловых документов на основе текстовых ключевых точек"
О.О. Петрова, К.Б. Булатов "Методы пост-обработки результатов распознавания машиночитаемой зоны документов"
А.Е. Марченко, Е.И. Ершов, Д.А. Шепелев, Д.С. Сидорчук, В.П. Божкова, Д.П. Николаев "Разработка языка описания наблюдаемых свойств распознаваемых объектов в отсутствие примеров"
Интеллектуальные системы и технологии
Е.Е. Лимонова, Н.Л. Рженев, А.В. Усков, М.И. Нейман-заде "Быстрая реализация расстояния Хэминга на VLIW-архитектурах на примере платформы Эльбрус"
В.В. Арлазаров, К.Б. Булатов, А.В. Усков "Модель системы распознавания объектов в видеопотоке мобильного устройства"
А.А. Иванова, С.А. Гладилин, А.Е. Жуковский, Е.Л. Плискин "База данных для административного учета научных публикаций"
А.С. Ингачева, А.В. Шешкус, Т.С. Чернов, Е.Е. Лимонова, В.В. Арлазаров "Рентгеновский компьютерный томограф – новый инструмент в распознавании"
Н.О. Бесшапошников, А.Г. Кушниренко, А.А. Левин "Метод автокалибровки параметров управления учебным роботом с помощью библиотеки машинного зрения OpenCV"
Обработка и анализ изображений и сигналов
А.Е. Жуковский, Е.Е. Лимонова, Д.П. Николаев "Реализация классических алгоритмов анализа изображений через полносверточные нейронные сети"
В.Е. Прун "Уменьшение влияния сильнопоглощающих включений на восстановление алгебраическим методом в задаче компьютерной томографии"
Б.И. Савельев, И.Б. Мамай, Д.П. Николаев, В.Л. Арлазаров, К.Б. Булатов, Н.С. Скорюкина "Метод согласования графа проективных преобразований для задачи панорамирования плоских объектов"
Д.В. Тропин, Д.П. Николаев, Д.Г. Слугин "Метод совмещения изображений на основе максимизации резкости"
Ю.А. Шемякина, А.Е. Жуковский, И.А. Коноваленко, Д.П. Николаев "Алгоритм автоматического кадрирования цифровых изображений при проективном преобразовании"
Машинное обучение
А.В. Гайер, А.В. Шешкус, Ю.С. Чернышова "Аугментация обучающей выборки «на лету» для обучения нейронных сетей"
В.В. Арлазаров, Д.П. Маталов, С.А. Усилин "Локализация образа печати на документе, удостоверяющем личность, методом машинного обучения"
A.Е. Лынченко, А.В. Шешкус, В.Л. Арлазаров "Алгоритм классификации документов, удостоверяющих личность, на проективно-искаженных изображениях на основе обучаемой метрики подобия"
В.А. Малых, В.А. Лялин "К вопросу о классификации зашумленных текстов"
Ю.С. Чернышова, М.А. Алиев, А.В. Шешкус "Оптическое распознавание шрифтов на изображениях, полученных со смартфонов, и его использование для определения подлинности документов, удостоверяющих личность"
Д.А. Ильин "Быстрая локализация текстовых полей на изображения документов низкого качества"
Д.Е. Иванов, Д.В. Полевой, Д.Л. Шоломов "Отбор информативных элементов для обучения легкого сверточного нейросетевого классификатора в условиях сильного дисбаланса обучающей выборки"
И.А. Кунина, Е.И. Панфилова, М.А. Поволоцкий "Детектирование пешеходных переходов на изображениях дороги на основе метода динамического выравнивания временных рядов"

Аннотация.

В работе рассматривается задача детектирования пешеходных переходов для определения собственного положения автономным транспортным средством (ТС) на карте маршрута. Предлагаемый алгоритм принимает на вход изображение без дисторсий, проективно преобразованное к виду сверху так, что ось полосы движения параллельна столбцам изображения. В случае обнаружения перехода алгоритм возвращает его верхнюю и нижнюю границы на изображении. Строки изображения, предположительно принадлежащие пешеходному переходу, отбираются по признаку квазипериодического чередования контрастных краев с помощью динамического программирования. Группы найденных таким образом строк проверяются по признаку продольной ориентации краев быстрым преобразованием Хафа. Предложенный метод продемонстрировал высокую точность работы на тестовом наборе из 4477 изображений, полученных с беспилотного ТС на двух тестовых маршрутах. Приведены результаты экспериментов, демонстрирующие уменьшение средней ошибки локализации ТС вдоль маршрута в 1.78 раза при использовании предлагаемого алгоритма.

Ключевые слова:

локализация, беспилотность, пешеходные переходы, динамическое программирование, быстрое преобразование Хафа.

Стр. 23-31.

DOI: 10.14357/20790279180503

Полная версия статьи в формате pdf. 

Литература

1. Ziegler J. et al. Video based localization for bertha //Intelligent Vehicles Symposium Proceedings. 2014. С. 1231-1238.
2. Du X., Tan K.K. Vision-based approach towards lane line detection and vehicle localization // Machine Vision and Applications. 2016. Т. 27. №. 2. С. 175-191.
3. Huang A.S. et al. Finding multiple lanes in urban road networks with vision and lidar //Autonomous Robots. 2009. Т. 26. №. 2-3. С. 103-122.
4. Hata A., Wolf D. Road marking detection using LIDAR reflective intensity data and its application to vehicle localization //Intelligent Transportation Systems (ITSC), 2014 IEEE 17th International Conference on. 2014. С. 584-589.
5. Deng J., Han Y. A real-time system of lane detection and tracking based on optimized RANSAC B-spline fitting //Proceedings of the 2013 Research in Adaptive and Convergent Systems. 2013. С. 157-164
6. Khaliluzzaman M., Deb K. Zebra-crossing detection based on geometric feature and vertical vanishingpoint //Electrical Engineering and Information Communication Technology (ICEEICT), 2016 3rd International Conference on. 2016. С. 1-6.
7. Krokhina D. et al. Fast roadway detection using car cabin video camera //Eighth International Conference on Machine Vision (ICMV 2015). – International Society for Optics and Photonics, 2015. – Т. 9875. – С. 98751F.
8. Sadekov R.N. et al. Road sign detection and recognition in panoramic images to generate navigational maps //Integrated Navigation Systems (ICINS), 2017 24th Saint Petersburg International Conference on. – IEEE, 2017. – С. 1-5.
9. Sheehan M., Harrison A., Newman P. Continuous vehicle localisation using sparse 3D sensing, kernelised Rényi distance and fast Gauss transforms //Intelligent Robots and Systems (IROS), 2013 IEEE/RSJ International Conference on. – IEEE, 2013. – С. 398-405.
10. Lausser L., Schwenker F., Palm G. Detecting zebra crossings utilizing AdaBoost // European Symposium on Artificial Neural networks, Advances in Computational Intelligence and Learning. 2008. С. 535-540.
11. Radványi M., Varga B., Karacs K. Advanced crosswalk detection for the bionic eyeglass //Cellular Nanoscale Networks and Their Applications (CNNA), 2010 12th International Workshop on. 2010. С. 1-5.
12. Suzuki S. et al. Sensor fusion-based pedestrian collision warning system with crosswalk detection //Intelligent Vehicles Symposium (IV). 2010. С. 355-360.
13. Se S. Zebra-crossing detection for the partially sighted //Computer Vision and Pattern Recognition, 2000. Proceedings. IEEE Conference on. 2000. –С. 2211.
14. Choi J., Ahn B.T., Kweon I.S. Crosswalk and traffic light detection via integral framework //Frontiers of Computer Vision,(FCV), 2013 19th Korea-Japan Joint Workshop on. 2013. С. 309-312.
15. Asami T., Ohnishi K. Crosswalk location, direction and pedestrian signal state extraction system for assisting the expedition of person with impaired vision. Mecatronics (MECATRONICS), 2014 10th France-Japan/8th Europe-Asia Congress on. 2014. С. 285-290.
16. Coughlan J., Shen H. A fast algorithm for finding crosswalks using figure-ground segmentation //2nd Workshop on Applications of Computer Vision, in conjunction with ECCV. 2006. Т. 5.
17. Кунина И.А., Панфилова Е.И. Детектирование линий разметки в задаче распознавания дорожной разметки. Труды 60-й Всероссийской научной конференции МФТИ. С. 271-273. MIPT, 2017.
18. Nikolaev D. et al. Hough transform: underestimated tool in the computer vision field //Proceedings of the 22th European Conference on Modelling and Simulation. 2008. С. 238-246.
19. Van Herk M. A fast algorithm for local minimum and maximum filters on rectangular and octagonal kernels //Pattern Recognition Letters. 1992. Т. 13. №. 7. С. 517-521.
20. Viola P., Jones M.J. Robust real-time face detection //International journal of computer vision. 2004. Т. 57. №. 2. С. 137-154.
21. Bezmaternykh P.V., Nikolaev D.P., Arlazarov V.L. 2018. Textual blocks rectification method based on fast Hough transform analysis in identity
documents recognition. Tenth International Conference on Machine Vision (ICMV 2017). – International Society for Optics and Photonics. Т. 10696. С. 1069606.
22. Кунина И.А., Гладилин С.А., Николаев Д.П. Слепая компенсация радиальной дисторсии на одиночном изображении с использованием быстрого преобразования Хафа //Компьютерная оптика. 2016. Т. 40. №. 3. С. 395-403.
23. Shipitko O., Grigoryev A. Ground vehicle localization with particle filter based on simulated road marking image// ECMS 2018 Proceedings Edited by: Lars Nolle, Alexandra Burger, ChristophTholen, Jens Werner, Jens Wellhausen European Council for Modeling and Simulation. 2018. doi: 10.7148/2018-0341
24. Visillect. LiNE — Визуальная навигация. 2018. URL: http://visillect.com/ru/line
 
     
2024-74-1
2023-73-4
2023-73-3
2023-73-2

© ФИЦ ИУ РАН 2008-2018. Создание сайта "РосИнтернет технологии".