Применение преобразования Хафа для определения границы путей в задачах компьютерного зрения аппаратно-программного комплекса фиксации исполненного движения
https://doi.org/10.21683/1729-2646-2024-24-3-24-33
Аннотация
Цель. При решении задач компьютерного зрения для определения границ детектируемого объекта, как правило, используются методы семантической сегментации, которые требуют высокого вычислительного ресурса. Их использование повышает сложность реализации и увеличивает стоимость решений для внедряемых аппаратно-программных комплексов. В настоящей работе предлагается альтернативный метод определения границы сегментируемого объекта, в виде железнодорожного пути, для комплекса фиксации исполненного движения. Методы. Так как железнодорожный путь на изображении можно представить линией полинома n-порядка, то для решения задачи детектирования границы пути предлагается использовать приближения в виде прямых линий. В качестве метода детектирования прямых линий предлагается использовать преобразование Хафа, параметрическое пространство которого будет скомпоновано в соответствии с решаемой задачей. Заключение. Предложенная аппроксимация позволит отказаться от семантической сегментации и снизит вычислительную сложность нагрузки на аппаратуру.
Об авторе
И. С. Полевский
Научно-исследовательский и проектно-конструкторский институт информатизации, автоматизации и связи на железнодорожном транспорте (АО «НИИАС»)
Россия
Россия
Полевский Илья Сергеевич – главный эксперт
Нижегородская улица, дом 27, строение 1, г. Москва, 109029
Список литературы
1. LeCun Y., Boser B., Denker J.S. et al. Backpropagation Applied to Handwritten Zip Code Recognition // Neural Computation. 1989. Vol. 1(4). Pp. 541-551.
2. Zhao H., Shi J., Qi X. et al. Pyramid scene parsing network // Proceedings of the IEEE conference on computer vision and pattern Recognition (CVPR). 2017. Jun. Pp. 2881-2890.
3. He K., Zhang X., Ren S. et al. Deep residual learning for image recognition // Proceedings of the IEEE conference on computer vision and pattern Recognition (CVPR). 2016. Jun. Pp. 770-778.
4. Chen L.-C., Zhu Y., Papandreou G. et al. Encoder-decoder with atrous separable convolution for semantic image segmentation // European Conference on Computer Vision (ECCV). 2016. Sep. Pp. 833-851.
5. Chollet F. Xception: Deep learning with depthwise separable convolutions // Proceedings of the IEEE conference on computer vision and pattern Recognition (CVPR). 2017. Jun. Pp. 1251-1258.
6. Chen L.-C., Papandreou G., Kokkinos I. et al. Deeplab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2018. Vol. 40(4). Pp. 834-848.
7. Hernández D., Cecilia J.M., Cano J.C. et al. Flood detection using real-time image segmentation from unmanned aerial vehicles on edge-computing platform // Remote Sensing. 2022. Vol. 14(1). P. 223.
8. Ronneberger O., Fischer P., Brox T. U-net: Convolutional networks for biomedical image segmentation // Medical Image Computing and Computer-Assisted Intervention (MICCAI) 2015: 18th International Conference. Munich: Springer International Publishing, 2015. Pp. 234-241.
9. Hough P.V. Method and means for recognizing complex patterns. US Patent No. 3,069,654 (1962).
10. Brady M.L., Yong W. Fast Parallel Discrete Approximation Algorithms for the Radon Transform // Proceedings of the fourth annual ACM symposium on Parallel algorithms and architectures (SPAA). 1992. Pp. 91-99.
11. Canny J. A computational approach to edge detection // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1986. Vol. 8. Pp. 679-698.
12. Sobel I. History and Definition of the Sobel Operator. 2014. URL: https://www.researchgate.net/publication/239398674_An_Isotropic_3x3_Image_Gradient_Operator (дата обращения: 24.06.2024).
13. Bradley D., Roth G. Adaptive thresholding using the integral image // Journal of graphics tools. 2007. Vol. 12(2). Pp. 13-21.
14. Cheng C., Kalloor J. Analysis of High Level implementations for Recursive Methods on GPUs. URL: https://people.eecs.berkeley.edu/~kubitron/courses/cs262a-F21/projects/reports/project16_report_ver3.pdf (дата обращения: 24.06.2024).
15. Borgefors G. Distance transformations in digital images // Computer vision, graphics, and image processing. 1986. Vol. 34(3). Pp. 344-371.
16. Murphy A.H. The Finley Affair: A Signal Event in the History of Forecast Verification // Weather and Forecasting. 1996. Vol. 11(1). Pp. 3-20.
17. Lee J.-T., Kim H.-U., Lee C. et al. Semantic line detection and its applications // The International Conference on Computer Vision (ICCV). 2017. Pp. 3229-3237.
18. Гольденберг Л.М., Матюшкин Б.Д. Цифровая обработка сигналов. М.: Радио и связь, 1985. 312 с.
Рецензия
Для цитирования:
Полевский И.С. Применение преобразования Хафа для определения границы путей в задачах компьютерного зрения аппаратно-программного комплекса фиксации исполненного движения. Надежность. 2024;24(3):24-33. https://doi.org/10.21683/1729-2646-2024-24-3-24-33
For citation:
Polevskiy I.S. Using Hough transform to define track boundaries as part of machine vision by train traffic-tracking hardware and software systems. Dependability. 2024;24(3):24-33. (In Russ.) https://doi.org/10.21683/1729-2646-2024-24-3-24-33
Просмотров:
167
ISSN 1729-2646 (Print)
ISSN 2500-3909 (Online)
ISSN 2500-3909 (Online)
Послать статью по эл. почте 