Làm thế nào để trích xuất các biển báo giao thông từ một bức ảnh?

Tôi có thể sử dụng những kỹ thuật phân tích hình ảnh nào để trích xuất các biển báo giao thông từ một hình ảnh như hình dưới đây?

Biên tập:

Sau khi khuếch tán bất đẳng hướng: Nền mà tôi không muốn bị xóa đi một chút

Sau khi giãn nở:

Ngưỡng sau khuếch tán: Không thể tìm ra ngưỡng tốt nhất cho mục đích này

Tuy nhiên tôi không thể tìm ra làm thế nào để loại bỏ nền?

Chỉnh sửa: tôi chỉ muốn những phần này của hình ảnh của tôi

Lấy hình ảnh đầu vào khác:

Áp dụng lọc trung bình và phát hiện cạnh:

Sau khi lọc mũ dưới:

Làm thế nào để tôi cô lập các dấu hiệu đường xin vui lòng giúp đỡ?

Bạn đã thử một cái gì đó đơn giản như tương quan?

( CHỈNH SỬA ). Ý tưởng đằng sau sự tương quan là sử dụng một mẫu (trong trường hợp của bạn là mẫu biển báo đường được đào tạo) và so sánh nó với mọi vị trí trong hình ảnh thử nghiệm. Hoạt động so sánh tôi đã sử dụng để tạo các hình ảnh dưới đây được gọi là tương quan chéo được chuẩn hóa . Nói một cách đơn giản, bạn chuẩn hóa (mean = 0, độ lệch chuẩn = 1) các pixel trong mẫu và phần hình ảnh bạn muốn khớp, nhân chúng theo pixel và tính giá trị trung bình của các sản phẩm. Bằng cách này, bạn sẽ có được "điểm số phù hợp", tức là thước đo độ tương tự giữa mẫu và hình ảnh thử nghiệm ở mọi vị trí trong hình ảnh thử nghiệm. Vị trí có kết quả phù hợp nhất (tương quan cao nhất) là ứng cử viên có thể nhất cho vị trí của biển báo đường bộ. (Trên thực tế, tôi đã sử dụng hàm MathicalaCorrelationDistance để tạo hình ảnh bên dưới, là 1 - (tương quan chuẩn hóa). Vì vậy, điểm tối nhất trong hình ảnh trận đấu tương ứng với điểm phù hợp nhất).

Tôi không có bất kỳ mẫu nào khác, vì vậy tôi đơn giản cắt dấu hiệu từ hình ảnh thứ hai bạn đã đăng:

Mặc dù mẫu được xoay nhẹ, nhưng tương quan chéo vẫn có thể sử dụng được

và trận đấu tốt nhất được tìm thấy ở đúng vị trí:

(Tất nhiên, bạn cần nhiều phiên bản thu nhỏ của từng mẫu để phát hiện các dấu hiệu ở mọi kích thước)

Trong thời gian học thạc sĩ, dự án mà người giám sát của tôi đã tham gia để phát hiện và nhận ra tất cả các loại tín hiệu giao thông khác nhau trong một chuỗi video (ví dụ: phát hiện đường, phát hiện đường trung tâm, nhưng cũng phát hiện và nhận biết biển báo giao thông ). Các khung hình video mà chúng tôi đang thực hiện theo nhiều cách tương tự như hình ảnh ví dụ của bạn.

Mặc dù cá nhân tôi đã không làm việc với các biển báo giao thông, tôi nghĩ rằng kết quả tốt nhất đã đạt được bằng cách sử dụng Thuật toán Viola-Jones (giấy) . Nói tóm lại, đây là một thuật toán sử dụng một loạt các phân loại yếu (với độ chính xác chỉ cao hơn một chút so với thuật toán ngẫu nhiên) để xây dựng một trình phân loại mạnh, mạnh mẽ ngay cả trong các nhiệm vụ khó khăn.

Dự án được gọi là MASTIF (Lập bản đồ và đánh giá tình trạng cơ sở hạ tầng giao thông) và đã thực hiện một số công việc thực sự tốt. Trang xuất bản của dự án có thể thực sự hữu ích vì nó cung cấp liên kết đến tất cả các bài báo được xuất bản liên quan đến dự án. Chỉ để cung cấp cho bạn một ý tưởng, hãy để tôi độc thân một số ấn phẩm (theo thứ tự thời gian):

• Karla Brkić, Axel Pinz, Siniša Šegvić: "Phát hiện biển báo giao thông là một thành phần của hệ thống kiểm kê cơ sở hạ tầng giao thông tự động"
• A. Martinović, G. Glavaš, M. Juribašić, D. Sutić và Z. Kalafatić: "Phát hiện và nhận biết biển báo giao thông thời gian thực"
• Igor Bonači, Ivan Kusalić, Ivan Kovaček, Zoran Kalafatić, Siniša Šegvić: "Giải quyết các báo động sai và thiếu chính xác trong việc phát hiện và nhận biết biển báo giao thông"

Một lần nữa, cá nhân tôi không làm việc trên biển báo giao thông, nhưng tôi nghĩ bạn có thể tìm thấy nhiều tài liệu hữu ích ở đây. Ngoài ra, tôi cũng đề nghị đi qua các tài liệu tham khảo được trích dẫn trong các bài báo vì chúng cũng có thể giúp đỡ.

Vâng, googling road way signs detectioncung cấp cho bạn rất nhiều bài báo hay về chủ đề này.

Một số sử dụng phân đoạn màu do màu xanh đặc biệt, xanh lá cây, đỏ, vv

Một số áp dụng làm mịn Gaussian trước, sau đó phát hiện cạnh và tìm đường viền để trích xuất bảng hiệu.

Hãy thử theo hai liên kết sau: Liên kết 1 , Liên kết 2

Tôi chắc chắn không phải là chuyên gia ở đây nhưng bạn có thể bắt đầu với phát hiện cạnh (chẳng hạn như canny), sau đó chuyển đổi hough để phát hiện các vòng tròn, hình chữ nhật, hình vuông hoặc hình tam giác (dựa trên dấu hiệu ou muốn phát hiện), sau đó bạn có thể thực hiện mẫu khớp hoặc biểu đồ khớp, nếu màu sắc đủ khác biệt (qua các ứng cử viên được trả về bởi biến đổi hough).

Bước đầu tiên (phát hiện các ứng cử viên sử dụng biến đổi hough) là bước khó hơn. Tôi có thể nghĩ ra nhiều cách để cố gắng phát hiện xem ứng cử viên đó có phải là dấu hiệu hay không. Đây là một vấn đề thú vị. Thích giải quyết nó :)

Nhân tiện, tôi chắc chắn bạn có thể tìm thấy những bài báo nghiên cứu hay có liên quan cao