Обучения гурин Владислав Игоревич

---

TECHNICAL SCIENCES
SCIENCE WITHOUT BORDERS NO. 5(45) 2020
75
УДК 004.93.12
ОБНАРУЖЕНИЕ И РАСПОЗНАВАНИЕ ЗНАКОВ ДОРОЖНОГО ДВИЖЕНИЯ 
С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ТЕХНИЧЕСКОГО ЗРЕНИЯ И МАШИННОГО 
ОБУЧЕНИЯ
Гурин Владислав Игоревич
, магистрант;
МГТУ им. Н.Э. Баумана, Москва, Российская Федерация
Аннотация
: Для решения задачи распознавания знаков дорожного движения на ви
-
део целесообразно использовать методы технического зрения и машинного обуче
-
ния. Процесс распознавания знака можно разделить на две последовательных задачи: 
поиск области на изображении, в которой находится знак, и классификацию этой 
области. Для локализации объекта на изображении в статье предлагается метод Вио
-
лы-Джонса, который зарекомендовал себя для поиска лиц. В качестве классификатора 
предлагается сверточная нейронная сеть, которая хорошо подходит для классифика
-
ции объектов на изображении. При работе с предобработанными изображениями и 
правильно обученными моделями, объединение этих двух методов позволяет добить
-
ся высокой точности распознавания знаков дорожного движения при сравнительно 
невысоких требованиях к вычислительным мощностям. Таким образом, это решение 
может быть реализовано для обычной автомобильной видеокамеры.
Ключевые слова
: техническое зрение; машинное обучение; метод Виолы–Джонса; 
сверточная нейронная сеть; обработка изображений.
TRAFFIC SIGN DETECTION AND RECOGNITION WITH METHODS OF COMPUTER 
VISION AND MACHINE LEARNING
Gurin Vladislav Igorevich
, master’s student,
BMSTU, Moscow, Russia
Abstract
: To solve the problem of recognizing traffic signs on video, it is advisable to use 
the methods of computer vision and machine learning. Sign recognition can be divided 
into two sequential tasks. The article proposes the Viola-Jones method for object location in 
an image. Viola-Jones method has proven itself for faces detection. A convolutional neural 
network is proposed as a classifier, which is well suited for classifying objects in an image. 
The combination of these two methods allows to achieve high accuracy of traffic recognition 
with relatively low requirements for computing power. Thus, this can be implemented for a 
conventional car camcorder.