Система за откриване и разпознаване на пътни знаци. | Защитена на: 01/01/1900

РЕЗЮМЕ

на дипломна работа на тема:

 

Система за откриване и разпознаване на пътни знаци.

на Лъчезар Българиев 

 

Студент в магистърска програма „Извличане на информация и откриване на знания”,
Научен ръководител: проф. Иван Койчев,

Консултант: Борис Величков

 

Катедра “Софтуерни Технологии” при Факултет по Математика и Информатика
Софийски Университет „Св. Климент Охридски”

 

 

Целта на дипломната работа е разработка на софтуер за откриване и разпознаване на пътни знаци във видео, стрийм от видео камера в реално време и снимки. Системата трябва да може да работи в реално време в движещ се автомобил и да бъде изградена по начин позволяващ нейното интегриране в различните видове системи за помощ на водача в съвременните автомобили.

При направеното проучване не бяха намерени много решения, отговарящи на тази цел, които да разпознават голям брой пътни знаци и да са пригодни към изискванията за стабилност, надежност и работа върху хардуерен модул задължителни за една такава система.

Текущата теза първо разглежда как компютъра възприема изображенията. След това се разглеждат основните подходи и методи в машинното самообучение и след това по-конкретно подходите, подходящи за целта. Те се разделят на подходи за откриване и локализация на обекти в изображение и подходи за разпознаване на вече локализираните изображения. 

Разглеждат се съществуващи разработки в двете области и се прави анализ на изискванията за решаване на задачата. На базата на този анализ се избират архитектурите и технологите използвани за разработка. 

Събират се подходящи данни необходими за обучение на моделите за откриване и разпознаване. След това се създава архитектурата и се обучават необходимите модели като се използват езика Python, софтуерната рамка Tensorflow и Keras. Разглеждат се и се анализират възможните технологии отговарящи на целите дефинирани по-горе, подходящи за използване с цел извеждане на извод от вече обучените модели. На базата на този анализ се избират технологиите и се реализира модулът за извеждане на извод от моделите. За това се използват OpenCV с неговия C++ интерфейс и библиотеката Boost.

С цел оценка работата на модела за класификация се правят експерименти върху не-наблюдавани изображения. Постигната е точност на класификация от 91.11%.

Използвано е 13:17 минутно видео за оценка работата на цялата система. Експериментите с него показват постигната прецизност(англ. accuracy) = 0.63 при скорост >= 45 фрейма за секунда.