Details

Данная работа посвящена разработке системы автоматической детекции дорожных знаков в видеопотоке и на статических изображениях. В ходе исследования был проведен анализ существующих методов компьютерного зрения для детекции объектов, были изучены каскадные классификаторы на базе признаков Xaapa и LBP как ведущий инструмент для детекции. Произведено исследование подходов к предобработке изображений, цветовой и форменной фильтрации, подавлению критических дубликатов и трекингу. В результате разработана система на языке С++ с использованием библиотеки OpenCV, включающая модули предобработки, детекцию каскадными классификаторами, цветовую/форменную валидацию, сдерживание откликов, IoU – визуализацию и трекинга. Система поддерживает шесть классов дорожных знаков, которая работает с изображениями и видео. Обеспечивает настройку параметров детекции в реальном времени, являясь интерактивной. Предложенное решение гарантирует детекцию дорожных знаков со средней точностью 70-80%, предоставляет работу в реальном времени. Не требует использование графического процессора, что позволяет использовать его в бортовых вычислительных платформах и встраиваемых системах.

This thesis is devoted to the development of a system for the automatic detection of traffic signs in video streams and static images. During the research, an analysis of existing computer vision methods for object detection was conducted, and cascade classifiers based on HAAR and LBP features were studied as the primary detection tool. Approaches to image preprocessing, color and shape filtering, critical duplicate suppression, and tracking were investigated. As a result, a system was developed in C++ using the OpenCV library, including modules for preprocessing, detection using cascade classifiers, color/shape validation, response suppression, IoU visualization, and tracking. The system supports six classes of traffic signs and works with both images and video. It allows for real-time adjustment of detection parameters and is interactive. The proposed solution guarantees traffic sign detection with an average accuracy of 70–80% and operates in real time. It does not require a GPU, allowing it to be used in onboard computing platforms and embedded systems.