ЗАСТОСУВАННЯ ЗГОРТКОВИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ БЕЗПЕКИ РОЗПІЗНАВАННЯ ОБ'ЄКТІВ У ВІДЕОПОТОЦІ
DOI:
https://doi.org/10.28925/2663-4023.2020.8.97112Ключові слова:
нейромережі; згорткові мережі; відео потік; програма мобільних пристроївАнотація
Стаття присвячена аналізу методів розпізнавання зображень та пошуку їх у відеопотоці. Проаналізовано еволюцію структури згорткових нейронних мереж, що використовуються в області діагностики комп'ютерних відеопотоків. Здійснено оцінку ефективності алгоритмів діагностики відеопотоків та розпізнавання номерних знаків автомобілів. Описана методика розпізнавання номерних знаків автомобілів, що знаходяться у відеопотоці транспортних нейронних мереж. В дослідженні приділено увагу створенню комбінованої системи, яка поєднує в собі технологію штучного інтелекту та комп'ютерного зору на основі нечіткої логіки. Для вирішення проблеми розпізнавання зображень номерних знаків у відеопотоці транспортної системи запропоновано метод розпізнавання зображень у безперервному відеопотоці з його реалізацією на основі складу традиційних методів обробки зображень та нейронних мереж із згортковими та періодичними шарами. Описано структуру та особливості функціонування інтелектуальної розподіленої системи безпеки міського транспорту, особливістю якої є використання мобільних пристроїв, підключених до єдиної мережі. Запропоновано та здійснено практичну реалізацію програмного застосування для розпізнавання автомобільних номерних знаків мобільними пристроями на платформі операційної системи Android. Розроблено різні сценарії розпізнавання номерних знаків автомобілів у реальному часі та збереження їх у базі даних для подальшого аналізу та використання. В запропонованому застосуванні використовуються дві різні спеціалізовані нейромережі: одна - для детектування об’єктів у відеопотоці, інша – для розпізнавання тексту з виділеного зображення. Проведене випробовування та аналіз програмного застосування на платформі операційної системи Android для розпізнавання автомобільних номерних знаків у реальному часі підтвердив працездатність запропонованого математичного забезпечення і може використовуватися для безпечного аналізу номерних знаків автомобілів у сканованому відео потоці шляхом порівняння з номерними знаками в існуючій базі даних. Авторами реалізовано функціонування метод згорткових нейронних мереж виявлення та розпізнавання номерних знаків, персоналу та критичних ситуацій у відеопотоці з камер мобільних пристроїв у режимі реального часу. Продемонстрована можливість його застосування у сфері безпечної ідентифікації номерних знаків автомобілів.
Завантаження
Посилання
J. Carreira and C. Sminchisescu, "CPMC: Automatic Object Segmentation Using Constrained Parametric Min-Cuts," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34, no. 7, pp. 1312-1328, July 2012. DOI: 10.1109/TPAMI.2011.231 (in English).
P. Sermanet, K. Kavukcuoglu, S. Chintala, Y. LeCun, "Pedestrian detection with unsupervised multi-stage feature learning", Proc. IEEE Conf. Comput. Vis. Pattern Recog., pp. 3626-3633, 2013. DOI: 10.1109/CVPR.2013.465 (in English).
A. Krizhevsky, I. Sutskever, G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Neural Information Processing Systems. 25, 2012, pp. 1097-1105. DOI: 10.1145/3065386 (in English).
K. Simonyan, A. Zisserman, “Very Deep Convolutional Networks for Large–Scale Image Recognition,” CoRR, abs/1409.1556, 2014. DOI: 10.1.1.740.6937 (in English).
C. Szegedy et al., "Going deeper with convolutions," 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, 2015, pp. 1-9. DOI 10.1109/CVPR.2015.7298594 (in English).
He Kaiming, Z. Xiangyu, R. Shaoqing, “Deep Residual Learning for Image Recognition,” In Proceedings of IEEE conference on computer vision and pattern recognition, 2016, p. 770–778. DOI: 10.1109/CVPR.2016.90 (in English)
R. Girshick, J. Donahue, T. Darrell and J. Malik, "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation," 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, 2014, pp. 580-587. DOI: 10.1109/CVPR.2014.81 (in English)
J.R.R. Uijlings, K.E.A. van de Sande, T. Gevers et al., “Selective Search for Object Recognition,” Int J Comput Vis 104, 2013, pp. 154–171. DOI: 10.1007/s11263-013-0620-5 (in English)
R. Girshick, J. Donahue, T. Darrell and J. Malik, "Region-Based Convolutional Networks for Accurate Object Detection and Segmentation," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 38, no. 1, pp. 142-158, 1 Jan. 2016.. DOI: 10.1109/TPAMI.2015.2437384 (in English)
C. Chen, Q. Chen, Q. Huaqi, T. Giacomo, D. Jinming, B. Wenjia, R. Daniel, "Deep Learning for Cardiac Image Segmentation: A Review," Frontiers in Cardiovascular Medicine, V. 7, 2020, p. 25. DOI: 10.3389/fcvm.2020.00025
R. Girshick, "Fast R-CNN," 2015 IEEE International Conference on Computer Vision (ICCV), Santiago, 2015, pp. 1440-1448. DOI: 10.1109/ICCV.2015.169. (in English)
S. Ren, K. He, R. Girshick and J. Sun, "Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks," in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 6, pp. 1137-1149, 1 June 2017. DOI: 10.1109/TPAMI.2016.2577031 (in English)
J. Redmon, S. Divvala, R. Girshick, A. Farhadi, “ You Only Look Once: Unified, Real-Time Object Detection,”The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779-788. DOI: 10.1109/CVPR.2016.91 (in English)
W. Liu et al., “SSD: Single Shot MultiBox Detector,” In: Leibe B., Matas J., Sebe N., Welling M. (eds) Computer Vision – ECCV 2016. ECCV 2016. Lecture Notes in Computer Science, vol 9905. Springer, Cham, 2016. DOI: 10.1007/978-3-319-46448-0_2 (in English)
T.-Yi Lin, M. MaireSerge, B. James, H. Pietro, P. Deva, R. Piotr, C. Dollár, L. Zitnick,. “Microsoft COCO: Common Objects in Context.” European Conference on Computer Vision. ECCV, Computer Vision – ECCV, 2014, pp. 740-755. DOI:10.1007/978-3-319-10602-1_48 (in English)
