Soddalashtirilgan Gabor Veyvletga asoslangan usuliyordamida yo‘l harakati belgilarini aniqlash

Soddalashtirilgan Gabor Veyvletga asoslangan usuliyordamida yo‘l harakati belgilarini aniqlash.
Dunyoning barcha mamlakatlarida yo‘llarning cheklanganligi va holati to‘g‘risida muhim ma’lumotlar haydovchilarga vizual signal sifatida, masalan, yo‘l belgilari va harakatlanish yo‘llari sifatida taqdim etiladi. Yo‘l belgilari yo‘lning hozirgi holati, cheklovlar, taqiqlar, ogohlantirishlar va navigatsiya uchun boshqa foydali ma’lumotlar haqida ma’lumot berish uchun yo‘l infratuzilmasining muhim qismidir. Ushbu ma’lumotlar yo‘l belgilarida vizual xususiyatlar bilan kodlangan: shakli, rangi va piktogrammasi. Ushbu yo‘l belgilariga e’tibor bermaslik yoki ularni sezmaslik yo‘l-transport hodisasiga bevosita yoki bilvosita ta’sir qilishi mumkin.
Biroq, noqulay transport sharoitida haydovchi tasodifan yoki ataylab yo‘l belgilarini sezmasligi mumkin. Bunday sharoitda, agar yo‘l harakati belgilarini avtomatik ravishda aniqlash va tanish tizimi mavjud bo‘lsa, u haydovchining mumkin bo‘lmagan e’tiborini qoplaydi, haydovchining charchoqlanishini pasaytiradi, unga yo‘l belgisiga rioya qilishda yordam beradi va shu bilan haydashni xavfsiz va osonlashtiradi(3.1-rasm).

3.1-rasm. Zamonaviy haydovchilarga yordam tizimlari.
Yo‘l harakati belgilarini aniqlash va tanish (TSDR-Traffic Sign Detection and Recognition) zamonaviy haydovchilarga yordam tizimlari (ADAS- Advanced Driver Assistance System ) deb nomlangan so‘nggi texnologiyada muhim dastur hisoblanib, haydovchilarga boshqa usullar bilan erishish qiyin yoki imkonsiz bo‘lgan muhim ma’lumotlarni taqdim etish uchun mo‘ljallangan.

3.2-rasm. O‘zbekistondagi yo‘l belgilarining umumiy tavsifi.

3.3- rasm. Turli davlarlardagi to‘xtash belgilariga misollar.

3.4- rasm. Biz taklif etayotgan TSDR tizimining umumiy sxemasi.
Muhim obyektlarni ajratish usullari ikki bosqichda amalga oshiriladi:
1. Muhim obyektni aniqlash(3.5- rasm);
2. Muhim obyektni tanish(3.6- rasm);

3.5- rasm. Yo‘l belgilarini aniqlash masalasining usullari.

3.6- rasm. Yo‘l belgilarini tanish masalasining usullari.
Tasvirdan yo‘l harakati belgilarini aniqlash quydagi bosqichlarda amalga oshiriladi. Bunda ranglarni segmentatsiyalash usullaridan foydalanamiz(3.7- rasm).

3.7- rasm. CNN modelining parametr sozlamalari.
Gabor veyvlet (SWG-Simplified Gabor Wavelets) tasvirlardan obyektlarni aniqlash, ajratib olish, tanish, filtrlash masalalarida ko‘p ishlatiladi va yaxshi samara beradi(3.8-rasm). Fazoviy sohada 2D Gabor filtri sinusoidal tekislik to‘lqini bilan modulyatsiya qilingan Gauss yadrosi funktsiyasi bo‘lib, bu yerda funktsiya (3.1) tenglama bilan ko‘rsatilgan:
G(x,y)=exp[−(x2+y2)2σ2]⋅exp[jω(xcosθ+ysinθ)] (3.1)
bu yerda σ x va y yo‘nalishlari bo‘yicha Gauss funktsiyasining standart og‘ishi; ω fazoviy chastotani bildiradi. Yo‘l harakati sahnasini Gabor filtri bilan kirish tasviri bilan barqarorlashtirish uchun I(x,y), Gabor filtrlangan xaritasining chiqishi ϕ(x,y) tenglama (3.2) sifatida berilgan. Funktsiyadagi ⊗ operatori 2 o‘lchovli konversion ishini bildiradi.
ϕ(x,y)=G(x,y)⊗I(x,y) (3.2)
Gabor filtri tasvirlarni bo‘laklari va qirralarni aniqlashda juda samarali usuli ekanligini taklif qilingan. Gabor veyvlet (3) tenglamada ko‘rsatilgan, va σ va ω σ⋅ω≤1 shartni qanoatlantiradi:
G(x,y)=exp[−(x2+y2)2σ2]⋅sin[ω(xcosθ+ysinθ)] (3.3)

3.8-rasm. Sakkizta SGW filtri orqali namunalarni qayta ishlash va sakkizta xususiyat tasvirda har bir pikselda maksimal darajaga chiqarish: (a) ω = 0.3π, θ = 0; (b) ω = 0.3π, θ = πj/4; (c) ω = 0.3π, θ = πj/2; (d) ω = 0.3π, θ = 3πj/4; (e) ω=0.5π, θ=0 ; (f) ω=0.5π, θ=πj/4; (g) ω=0.5π, θ=πj/2; (h) ω=0.5π, θ=3πj/4; (i) tasvirning kiritilishi; (o) sintezlangan tasvirning chiqishi.
MSERlarni topish uchun sintetik soddalashtirilgan Gabor filtrlangan xaritasidagi har bir piksel qiymati, agar uning intensivligi chegaradan kattaroq bo‘lsa, 1 ga o‘rnatiladi, aks holda, u 0 ga o‘rnatiladi. SGW xaritasi bir necha darajalarda chegara bo‘lganda, ularning shakllarini saqlaydigan eng barqaror bog‘langan komponentlar MSER sifatida aniqlanadi. Yuqorida aytib o‘tganimizdek, SGW tomonidan filtrlangandan so‘ng, yo‘l harakati belgilarining qirralari mustahkamlanib, yo‘l harakati belgisi ichidagi maydon tekislanadi. MSERlarning algoritm printsiplariga ko‘ra, bu yo‘l belgilarining mintaqaviy chegaralarini olishga yordam beradi.
SGW orqali tasvirlarni chegaralarini aniqlashda foydalaniladigan algoritmlarni hisoblash murakkabligi ham Canny va TGW usullariga qaraganda ancha sodda hisoblanadi. Tasvirlardan yo‘l harakati belgilarini anglash masalasi 3 ta asosiy bosqichdan tashkil topadi. Ular tasvirlarni segmentatsiyalash, obyektni aniqlash va obyektni tanib olishlardir. SGWga asoslangan usullar muhim obyektni aniqlash va tanib olish keng qo‘llaniladi va yo‘l harakati belgilarini anglash masalasida ham ish samaradorligini oshirishga xizmat qiladi(3.9-rasm).

3.9-rasm. Sintetik SGW suzilgan xaritadagi MSERlar va filtrlash qoidalarini hisobga olgan holda segmentatsiya natijasi.
Ushbu tadqiqotda aqlli transport vositalari uchun yo‘l belgilarini aniqlash va tanish algoritmi takomillashtirilgan. Birinchidan, HSV rang maydoni fazoviy chegaralarni segmentatsiyalash uchun ishlatildi va yo‘l belgilari shakl xususiyatlariga qarab samarali ravishda aniqlandi. Ikkinchidan, Tanib olish bosqichida yo‘l belgilari CNN tomonidan yuqori aniqlikda soddalashtirilgan Gabor filtri xaritalarining sakkizta kanalli usuli bilan tasniflangan[5]. Va nihoyat, Yo‘l belgilarini tasniflash va tanib olish bo‘yicha tajribalar O‘zbekiston hududidagi yo‘l harakati transportida ko‘p uchraydigan yo‘l harakati belgilari asosida o‘tkazildi. Eksperimental natijalar shuni ko‘rsatadiki, yo‘l belgilarini aniq tanib olish darajasi 95,25% ga yetdi. Shu sababli, bizning usulimiz yo‘l belgilarini aniqlash va tasniflashda foydalanish uchun qulaydir.