Магистерская диссертация тема работы Разработка нейросетевого метода детектирования и распознавания знаков дорожного движения

2.4.1
 
Библиотека Keras 
Для решения задач машинного обучения существует множество 
библиотек и систем, поддерживающих интерфейс языка Python. Некоторые из 
них: Apache Singa, Caffe, Keras, Microsoft Cognitive Toolkit, MXNet, 
TensorFlow, Theano, PyTorch [24]. 
Для реализации распознавания выбрана библиотека Keras – открытая 
нейросетевая библиотека, написанная на языке Python. Она нацелена на 
оперативную работу с сетями глубинного обучения, при этом спроектирована 
так, чтобы быть компактной, модульной и расширяемой []. 
С помощью библиотеки Keras была реализована сверточная нейронная 
сеть.
2.4.2
 
Библиотека OpenCV 
OpenCV – это библиотека с открытым исходным исходом, которая 
содержит алгоритмы для решения задач компьютерного зрения, обработки 
изображений и численных алгоритмов общего назначения. Она написана на 
языках C и C++ и может работать на компьютерах под управлением разных 
операционных систем [25].
Главной ее целью является предоставление простого интерфейса, 
позволяющего разрабатывать приложения с использованием возможностей 
компьютерного зрения. Библиотека OpenCV содержит множество функций из 
разных областей компьютерного зрения. Так же использовалось расширение 
Numpy [26]. 
С помощью библиотеки OpenCV были написаны алгоритмы, описанные 
ниже. 

---

` 
52 
2.5
 
 Поиск максимально стабильных экстремальных областей 
В результате работы фильтра изображения преобразуются в оттенки 
серого для поиска регионов. Для примера была выбрана дорожная сцена из 
выборки. 
Рисунок 24– Пример работы алгоритма 
Минусы алгоритма заключаются в том, что он находит достаточно 
много регионов. Поэтому, часто необходимы дополнительные действия для 
того, чтобы сократить количество регионов, не представляющих интерес.
Также алгоритм достаточно чувствителен к размытым изображениям, в 
таких изображениях алгоритм MSER может рассматривать несколько 
областей как один регион.
В OpenCV Python ниже приведена структура функции, которая 
используется для создания MSER. 
cv2.MSER_create 
(_delta, 
_min_area, 
_max_area, 
_max_variation, 
_min_diversity, _max_evolution, _area_threshold, _min_margin, _edge_blur_size) 
Параметры Метода MSER: 
­
_delta – сравнивает (sizei - sizei-delta) / sizei-delta; 
­
_min_area – убирает области, которые меньше чем minArea; 
­
_max_area – убирает область, которая больше, чем maxArea; 
­
_max_variation – убирает область, которая имеет одинаковый 
размер дочерний элемент; 
­
_min_diversity – для цветного изображения; 

---

` 
53 
­
_max_evolution – для цветного изображения; 
­
_area_threshold – для цветного изображения порог области, 
вызывающий повторную инициализацию; 
­
_min_margin – для цветного изображения игнорирует слишком 
маленькое поле; 
­
_edge_blur_size – для цветного изображения размер области для 
размытия краев [27]. 
Рисунок 25 – Пример работы алгоритма 
Что бы избежать большого количества выделений на изображениях тех 
объектов, которые нам не нужны, были разработаны системы фильтрации для 
того, чтобы уменьшить количество кандидатов. Хоть и настройка 
гиперпараметров в данном алгоритме очень сильно влияет на определение 
нужных областей интереса, но все же этого недостаточно. 
В частности, фильтры Габора в разных ориентациях существенно 
помогают снизить количество выделяемых областей при работе алгоритма.
Были введены соотношение сторон во избежание выделения 
неравномерных областей, которые могут быть сильно вытянуты по 
горизонтали или вертикали. А также система затрагивала моменты, если на 
изображении был размытый объект, а алгоритм мог его отметить несколько 
раз.

---

` 
54