German Traffic Sign Detection Dataset

Набор German Traffic Sign Detection Dataset [39] для обнаружения дорожных знаков содержит 900 изображений городских улиц, на которых представлено около 40 классов дорожных знаков Германии. Размер изображений – 1360×800 пикселей. Аннотации выполнены в виде ограничивающих прямоугольных рамок.

KITTI

Набор KITTI [40] содержит данные в различном формате и с различных датчиков, однако в рамках работы рассматривается набор цветных телевизионных изображений для обнаружения объектов. Набор содержит суммарно около 15000 аннотированных изображений, на которых представлено более 80000 объектов. Аннотации выполнены в видео ограничивающих прямоугольников. Набор содержит классы автомобиль, пешеход, велосипедист.

Udacity

Набор Udacity Driving Dataset [41] состоит из двух поднаборов. Неизвестно, пересекаются ли данные этих поднаборов, однако суммарно они содержат около 24000 кадров, полученных из видеозаписей городских улиц. Представлены классы: легковой автомобиль, пешеход, грузовой автомобиль, светофор. Размер изображений - 1920×1200 пикселей. Аннотации выполнены в виде ограничивающих прямоугольных рамок.

LISA Traffic Sign Dataset

Набор LISA Traffic Sign Dataset [42] содержит 47 классов дорожных знаков США. В наборе представлено 6610 изображений городских улиц, имеющих размеры от 640×480 до 1024×522 пикселей. Число аннотированных объектов – 7855. Часть изображений цветная, часть – черно-белая (оттенки серого). Аннотации выполнены в виде ограничивающих прямоугольных рамок.

BelgiumTS Dataset

Набор BelgiumTS Dataset [43] содержит 108 классов дорожных знаков Бельгии. В наборе представлено 25630 изображений городских улиц, содержащих 13444 аннотированных объектов. Аннотации выполнены в виде ограничивающих прямоугольных рамок.

Российская база автодорожных знаков

Набор российских автодорожных знаков [21] содержит 179138 изображений городских улиц, снятых из автомобиля при различных погодных условиях, освещенности. Набор содержит 104358 аннотированных объектов 156 классов дорожных знаков России.

Формулировка задач работы

При проведении обзора нейросетевых методов обнаружения выяснилось, что в открытом доступе можно найти системы, выполняющие обнаружение людей, автомобилей и некоторых других транспортных средств, различных видов животных, мебели, бытовой техники и других предметов. Однако значительно меньше готовых открытых решений для обнаружения дорожных знаков и светофоров; в частности, для российских дорожных знаков их пока не существует. Следует также учесть, что если светофоры в различных странах выглядят практически одинаково, то классы дорожных знаков могут значительно различаться. При этом существует российская база дорожных знаков, содержащая большое количество объектов, что требуется для обучения глубокой нейронной сети.

Поэтому построение и исследование нейросетевой системы обнаружения российских дорожных знаков не только возможно, но также будет представлять не только теоретический, но и практический интерес.

Таким образом, в работе ставятся следующие задачи:

- разработка облика системы технического зрения для включения в состав автоматических систем управления мобильных систем;

- выбор архитектуры нейронной сети для решения задачи обнаружения дорожных знаков на изображениях;

- разработка программных средств решения задачи обнаружения дорожных знаков движения на изображениях;

- разработка программных модулей системы технического зрения;

- проведение экспериментальных исследований.

Вывод по разделу

В разделе описана задача обнаружения объектов, стоящая при разработке систем технического зрения для систем автоматизированного вождения. Рассмотрены методы технического зрения, применяемые для обнаружения объектов. Проведен обзор научных исследований, связанных с применением этих методов в задаче обнаружения таких объектов дорожной обстановки, как транспортные средства, люди, дорожные знаки и светофоры. Проведен обзор программных пакетов для машинного обучения и наборов данных, а также обзор современных нейросетевых методов. Сформулированы задачи работы.

Учитывая специфику задачи, метод обнаружения должен быть максимально точным и быстрым, способным работать в режиме реального времени. Современные разработки, использующие методы, основанные на признаках, достигают довольно высоких показателей качества работы, однако наибольшей точностью и скоростью обладают нейросетевые методы. Несмотря на высокие требования к вычислительным ресурсам, эта группа методов является на сегодняшний день наиболее эффективной и перспективной, поскольку активно ведутся разработки всё более качественных методов распознавания изображений на основе нейронных сетей.

Далее в ходе разработки системы обнаружения объектов необходимо выполнить следующие задачи:

- выбор архитектуры глубокой НС для обнаружения объектов;

- разработка ее программной реализации;

- проведение экспериментальных исследований.