Распознавание дорожных знаков в сложных метеоусловиях
https://doi.org/10.55648/1998-6920-2025-19-3-19-29
Аннотация
Рассмотрена проблема обнаружения и распознавания дорожных знаков в сложных метеоусловиях. Предложен алгоритм, основанный на комбинации моделей нейронных сетей и обладающий высокой точностью и устойчивостью при распознавании изображений, полученных в сложных метеоусловиях. Эффективность алгоритма проверена на наборе изображений, перекрываемых дождем и снегом. Результаты экспериментов показали существенное повышение эффективности предложенного алгоритма по сравнению с алгоритмом, не учитывающим влияние погоды.
Об авторах
Герман Евгеньевич Эдель
Томский государственный университет систем управления и радиоэлектроники
Россия
Россия
Аспирант кафедры телевидения и управления, инженер лаборатории телевидения и автоматики (каф.ТУ).
Вячеслав Валериевич Капустин
Томский государственный университет систем управления и радиоэлектроники
Россия
Россия
Доцент, кандидат технических наук, заведующий лабораторией телевизионной автоматики (каф.ТУ).
Марина Евгеньевна Сукотнова
Томский государственный университет систем управления и радиоэлектроники
Россия
Россия
Магистр, инженер лаборатории телевидения и автоматики, Томский государственный университет систем управления и радиоэлектроники
Список литературы
1. Mathias M., Timofte R., Benenson R., Van Gool L. Traffic sign recognition – How far are we from the solution? // The 2013 international joint conference on Neural networks (IJCNN IEEE), 4-9 August 2013 Fairmont Hotel Dallas, Texas, USA. Р. 1–8.
2. Сагдуллаев Ю.С. Отображение и фиксация выделенной телеметрической информации в телевизионных изображениях космических // Вопросы радиоэлектроники, Серия техника телевидения, 2018. Вып. 3, - С 101-107.
3. Фахми Ш. С., Еид М. М., Костикова Е. В. [и др.] Метод и алгоритмы обнаружения и распознавания дорожных знаков // Вопросы радиоэлектроники, Серия техника телевидения, 2018. Вып. 3. С. 95-100.
4. Levinson J., Askelad J., Becker J., Dolson J. Towards fully autonomous driving: Systems and algorithms // IEEE intelligent vehicles symposium (IV) IEEE, 5-9 June 2011 Baden-Baden, Germany. Р. 163–168.
5. Timofte R., Zimmermann K., Van Gool L. Multi-view traffic sign detection, recognition, and 3D localization, Machine vision and applications // IEEE Workshop on Applications of Computer Vision, 7-8 December, 2009, Snowbird, UT, USA. Р. 633–647.
6. Sermanet P., LeCun Y., Traffic sign recognition with multi-scale convolutional networks // The 2011 international joint conference on neural networks IEEE, 31 July – 5 August, 2011 Double-tree Hotel San Jose, California, USA. Р. 2809–2813.
7. Houben S., Stallkamp J., Salmen J., Schlipsing M., Igel C. Detection of traffic signs in real-world images: The German Traffic Sign Detection Benchmark // The 2013 international joint conference on neural networks IJCNN IEEE, 4-9 August 2013 Fairmont Hotel Dallas, Texas, USA. P. 1–8.
8. Q. Guo, J. Sun, F. Juefei-Xu [et al] Efficientderain: Learningpixel-wise dilation filtering for high-efficiency single-imagederaining // Conference: Thirty-Fifth AAAI Conference on Artificial Intelligence (AAAI 2021). Р. 1–9.
9. Fu H., Huang J., Delu Z. [et al] Removing rain from single images via a deep detail network // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017. Р. 3855–3863.
10. Mu Y., Ruiwen N., Chang Z. [et al] Model of VGG-16 for Remote Sensing Image Classification // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing PP, June 2021. Р. 6916-6922.
11. Qi Y., Zhang P., The Tracker with Online Training Based on the TLD Algorithm // Proceedings of the 2nd International Conference on Information Technology and Intelligent Transportation Systems (ITITS 2017), 10 June 2017, Xi’an, China. Р. 76-81.
12. Official website with dataset [Электронный ресурс]. URL: https://paperswithcode.com/dataset/snow100k (дата обращения: 20.05.2024).
13. Kapustin V.V., Zahlebin A.S., Movchan A.K. [et al] Experimental assessment of the distance measurement accuracy using the active-pulse television measuring system and a digital terrain model // Computer Optics 2022; 46(6). Р. 948-954.
14. Movhan A.K., Kapustin V.V., Kuryachiy M.I., Movchan E.S. Multi-Area Method of a Depth Map Building with Gain Modulation in Active-Pulse Television Measuring Systems // In 2022 International Siberian Conference on Control and Communications (SIBCON) Р. 1-6.
15. Капустин В.В., Mовчан A.К. Многозонные методы формирования карт глубин с использованием активно-импульсных телевизионных измерительных систем // Вопросы радиоэлектроники, Серия техника телевидения, 2023. Вып. 2. С. 44-54.
Рецензия
Для цитирования:
Эдель Г.Е., Капустин В.В., Сукотнова М.Е. Распознавание дорожных знаков в сложных метеоусловиях. Вестник СибГУТИ. 2025;19(3):19-29. https://doi.org/10.55648/1998-6920-2025-19-3-19-29
For citation:
Edel G.E., Kapustin V.V., Sukutnova M.E. Recognition of road signs in difficult weather conditions. The Herald of the Siberian State University of Telecommunications and Information Science. 2025;19(3):19-29. (In Russ.) https://doi.org/10.55648/1998-6920-2025-19-3-19-29
Просмотров:
44
Послать статью по эл. почте 
