Embed Size (px)
DESCRIPTION
Vizualna sličnost i standardizacija kao problemi raspoznavanja prometnih znakova. Ivan Filković Mentor : Prof. dr. sc . Zoran Kalafatić. Sadržaj. Motivacija, uvod Ispitni skupovi prometnih znakova Sustav za evaluaciju postupaka za raspoznavanje prometnih znakova HOG, LDA, PCA, SVM - PowerPoint PPT Presentation
Citation preview
Vizualna sličnost i standardizacija kao problemi raspoznavanja prometnih znakova
Ivan Filković
Mentor: Prof. dr. sc. Zoran Kalafatić
Sadržaj
• Motivacija, uvod• Ispitni skupovi prometnih znakova
• Sustav za evaluaciju postupaka za raspoznavanje prometnih znakova• HOG, LDA, PCA, SVM
• Rezultati testiranja• Zaključak
14.03.2014. 2/39
Motivacija
• Postojeći komercijalni sustavi• Mogućnost poboljšanja performansi• Uklanjanje pretpostavki kao što su vožnja u neurbanim sredinama (npr.
autocestama)• Malen podskup prometnih znakova (znakovi ograničenja brzine)
• Primjena• Napredni sustavi za potporu vozaču• Sustavi za kartiranje i provjeravanje prometne signalizacije• Autonomna vozila• Projekt VISTA: u okviru sustava za otkrivanje, raspoznavanje i praćenje
prometnih znakova
14.03.2014. 3/39
Uvod
• Prometni znakovi su jednostavni objekti strogo ograničeni svojim oblikom i bojom
• Osmišljeni da budu što uočljiviji čovjeku (intenzivne boje, pravilni oblici i refleksivna površina)
• Problem: reprezentacija koja odgovara čovjeku je nepogodna za računalo
• Problemi:• Promjena osvjetljenja• Djelomična prekrivenost prometnih znakova• Vremenski uvjeti• Perspektiva prometnih znakova• Podskupovi prometnih znakova koji su
vizualno vrlo slični jedni drugima• Standardizacija
14.03.2014. 4/39
Uvod - Standardizacija
• Bečki sporazum o prometnim znakovima i signalizaciji (1968)• Standardizacija prometnih znakova (manje razlike između država)• 62 države potpisnice (Hrvatska; većina europskih država)
• Problem: nemogućnost izrade jedinstvenog sustava za otkrivanje i raspoznavanje prometnih znakova
14.03.2014. 5/39
Uvod - Prometni znakovi
• Osam osnovnih vrsta prometnih znakova (Bečki sporazum):
1. Znakovi upozorenja od opasnosti
2. Znakovi prednosti
3. Znakovi zabrane ili ograničenja
4. Znakovi obveze
5. Znakovi posebne regulacije prometa
6. Znakovi informacija, objekata ili usluga
7. Znakovi smjera, položaja ili naznake
8. Dopunske ploče
• Primjeri osnovnih vrsta
prometnih znakova u Hrvatskoj
14.03.2014. 6/39
Uvod – Prometni znakovi (Hrvatska)
A. Znakovi opasnosti• A01 – A50 → 50 znakova
B. Znakovi izričitih zabrana• B01 – B62 → 62 znaka
C. Znakovi obavijesti• C01 – C133 → 133 znaka
D. Znakovi obavijesti za vođenje prometa• D01 – D17 → 17 znakova
E. Dopunske ploče• E01 – E50 → 50 znakova
322 različita prometna znaka!!!
14.03.2014. 7/39
Uvod - Cilj
• Sustav raspoznavanja prometnih znakova• Robustan• Rad u realnom vremenu (ADAS)• Minimizirati troškove (jačina računala, karakteristike
kamere; ADAS)• Maksimizirati performanse (ADAS)
14.03.2014. 8/39
Uvod - Raspoznavanje prometnih znakova
• Raspoznavanje prometnih znakova → problem strojnog učenja (nadzirano učenje)• Najvažnije - kvalitetan skup podataka (skup prometnih znakova) koji
dobro reprezentira dani problem
• Višerazredni klasifikacijski problem s neujednačenom zastupljenosti razreda
• Problem: 322 različita prometna znaka u Hrvatskoj → 322 razreda → težak klasifikacijski problem
• Rješenje: problem razdvojiti na više podproblema• Podskup prometnih znakova (npr. trokutasti, okrugli, znakovi ograničenja
brzine) → novi problem
14.03.2014. 9/39
Skupovi prometnih znakova
• 3 javno dostupna skupa podataka:
• MASTIF - Mapping and Assessing the State of Traffic Infrastructure skup podataka
• GTSRB - German Traffic Sign Recognition Benchmark skup podataka
• BTSC - Belgium Traffic Sign Classification skup podataka
• Terminologija:• Jedan fizički prometni znak = instanca prometnog znaka• Trag prometnog znaka - primjeri instance prometnog znaka
14.03.2014. 10/39
MASTIF skup podataka
• FER• Kamera:
• Pričvršćena na prednji dio automobila• SDTV rezolucija: 720 x 576• FOV (engl. Field of View): 48°• FPS: 25
• Tri podskupa snimljena 2009., 2010. i 2011. godine
• Problemi: • Primjeri za učenje male rezolucije (20 x 20 do 90 x 90)• Prisutno zamućenje uslijed gibanja vozila• Korištena interlaced kamera za podskup 2009• Mali broj primjera za učenje nekih razreda
14.03.2014. 11/39
MASTIF skup podataka
Broj primjera Broj razreda
Broj tragova
po razreduBroj primjera po tragu
DS2009 6359 84 - 5
DS2010 3826 78 - 4
DS2010 986 43 - 4
14.03.2014. 12/39
MASTIF skup podataka
A0
1
A0
3
A0
4
A0
5
A0
6
A0
7
A0
8
A0
9
A1
0
A1
1
A1
2
A1
3
A1
4
A1
5
A1
6
A1
7
A2
0
A2
2
A2
3
A2
4
A2
5
A2
6
A2
7
A3
2
A3
3
A3
4
A3
5
A3
9
A4
1
A4
3
A4
4
A4
5
A4
6 0
2
4
6
8
10
12
14
162
.37
0.6
4
0.4
2
0.4
9
0.0
5
0.0
6
3.1
5
3.5
1
3.2
9
3.8
1
0.4
7
0.4
2
2.0
6
0.0
3
0
0.4
4
2.3
4
0.1
9
0.1
7
0 0.2
8
0 0 0.0
6
0
4.0
1
0 0 0.1
7
0.1
4
3.3
3
0.2
5 1.1
6
0.1
3.4
5 4.3
9
4.0
5
0.2
1
0.3
1 1.0
5
1.2
3
0.6
3
1.2
5
0 0 0 0.0
5
0.3
1
0.3
1
0 0
0.4
2
0.3
1
0.3
4
0.1 0.2
1
0
5.8
5
1.1
5
0.1 0.3
1
0 0
0.8
4
0 0
2.0
3
0 0
0.8
1
0 0
0.4
1
0.4
1
0.8
1 1.6
2
0 0 0 0 0
1.2
2
0.8
1
0 0 0 0 0
0.9
1
0
2.4
3
4.8
7
0 0 0 0
1.2
2
1.2
2
0
DS2009 DS2010 DS2011
Prometni znak
Rela
tivna
frek
venc
ijara
zred
a (%
)
A4
7
A4
9
B0
1
B0
2
B0
3
B0
4
B0
7
B2
3
B2
4
B2
5
B2
8
B2
9
B3
0
B3
1
B3
2
B3
3
B3
4
B3
8
B3
9
B4
3
B4
5
B4
6
B4
8
B5
0
B5
1
B5
2
B5
3
B5
7
B5
9
B6
0
B6
1
B6
2
C0
1 0
2
4
6
8
10
12
14
16
0.0
5
0
1.6
7
7.1
7
0.0
6
0.1
1
0.4
9
0
0.9
3
0.2
0.1
9
0.1
9
0
7.1
1
1.3
1
0.0
6
0
0.4
7
0.3
1
0.0
5
0.0
3
0 0 0.1
4
0 0.1
7
0 0.0
6
0.2
7
0.1
4
0.1
4
0
0.6
3
0 0
0.6
1.5
7
0 0.1 0
.76
0.3
1
0 0
1.4
6
0.3
1
0
7.1
4
6.2
5
0.1
8
0.6
0
1.6
5
0 0
3.2
9
1.3
3
0.3
1
0.4
2
0 0.0
8
0
0.8
4
0.1
0.1 0.2
1
00
3.9
6
2.2
3
2.5
4
0 0 0 0
2.4
3
0.4
1
0.8
1
1.2
2
0.3
4.0
6
2.4
3
0 0 0
2.4
3
0 0 0 0
0.5
1
0 0 0 0
2.7
4
0.8
1
0.2
1.5
2
0
Prometni znak
Rel
ativ
na
frek
ven
cija
ra
zred
a (%
)
14.03.2014. 13/39
MASTIF skup podataka
C02
C03
C04
C06
C08
C09
C11
C13
C16
C18
C19
C31
C34
C35
C39
C41
C42
C44
C51
C59
C64
C65
C70
C75
C77
C78
C79
C80
C81
C82
C86
C87
C91
0
2
4
6
8
10
12
14
163.
35
0 0.25
0.06
5.21
0
0.47
0.16
0.2
0 0 0.13
0
0.93
0.03
0.06
0.13 0.
72
0 0 0 0.06
0.14
0.11 0.
46
0
8.07
5.39
2.52 3.
05
0.71
0 0
7.16
0.05
0.21
0.1
1.65
0.13
4.18
0.21
0
0.52
0.1
0 0.21
0.31 1.
25
0 0.31
5.23
0.1
0.1
0.21
0 0.1
0.21
0.1
0.1
3.95
3.35
0 0.21
2.51
0 0.05
14.2
0 0.41
0
4.46
0 0 0 0 0 0 0 0
2.84
1.62
0 0
2.84
0 0 0 0 0 0 0 0
6.19
0
2.94
1.83
0 0.41
0
Prometni znak
Rela
tivna
frek
venc
ija
razr
eda
(%)
C94
C95
C113
C121
C122
C127
C129
D03
D04
D05
D06
D09
D10
D11
D12
D13
D14
D16
D17
E01
E02
E03
E04
E05
E07
E08
E12
E18
E19
E32
E34
E35
E43
E45
0
2
4
6
8
10
12
14
16
0.06
0.13
0 0.06
0.06
0.06
0.06
0.24
0.17
0 0
0.68
0.24
0
2.72
0 0.06
0 0.36 0.
8
0.05
2.58
0.13
0 0 0.14
0.05
0.13
0.08
0 0.06
3.52
0.06
00 0 0.21
0 0 0 0
0.6
0.71
0.31
0 0.21
2.85
0
0.68
0.03
0 0 0
0.6
0
3.63
0 0.18 0.
91
0.91
0 0 0 0.1
0
0.6
0 0.18
0 0 0 0 0 0 0 0 0.41
1.52
0.81
3.25
0.51
1.62
0.41
0 0.41 0.71
0 0 0 0
0.71
0 0 0 0 0
2.94
0 0
1.62
0 0
Prometni znak
Rela
tivna
frek
venc
ija
razr
eda
(%)
14.03.2014. 14/39
Prerađeni MASTIF skup podataka
Broj primjera Broj razredaBroj tragova
po razredu
Broj primjera
po tragu
Poboljš
ani
MASTF
Skup za
učenje4028 30 4
Skup za
testiranje1644 30 4
14.03.2014. 15/39
Prerađeni MASTIF skup podataka
A01 A03 A04 A05 A08 A09 A10 A11 A14 A20 A33 A34 A44 B01 B020
2
4
6
8
10
12
2.09 2.
78 3.28
3.08 3.
77 4.17
3.18 3.
97
1.69 2.
09
4.27 4.
87
3.97
2.38
7.25
1.95
2.92 3.16
3.16 3.
65 4.38
3.16 3.
89
1.46 1.
95
4.38 4.
87
4.14
2.19
7.54
učenje testiranje
Prometni znak
Rel
ativ
na
frek
ven
cija
ra
zred
a (%
)
B31-30
B32 B39 B46 B48 B59 C02 C08 C11 C35 C44 B31-40
B31-50
B31-60
B31-70
0
2
4
6
8
10
12
2.38
5.76
1.69 2.
18
0.89 1.19
9.63
6.65
3.18
1.39
4.17
2.98
1.39 2.
28
1.39
2.43
5.84
1.46 2.
19
0.73 1.
22
9.98
6.81
3.16
1.22
4.14
2.92
1.46 2.
19
1.46
Prometni znak
Rel
ativ
na
frek
ven
cija
ra
zred
a (%
)
14.03.2014. 16/39
GTSRB skup podataka
• Stallkamp, Schlipsing, Salmen, Igel• Kamera:
• Prosilica GC 1380CH• 10 sati slikovne sekvence dobivene kamerom pričvršćenom na
prednji dio vozila tijekom dana (Ožujak, Listopad i Studeni 2010)• Rezolucija: 1360 x 1024• FPS: 25
• Rezolucija primjera: • 15 x 15 do 222 x 193
• HOG1, HOG2, HOG3
14.03.2014. 17/39
GTSRB skup podataka
Broj primjera Broj razredaBroj tragova
po razreduBroj primjera po tragu
Skup 1 26 640 43 30
Skup 2 12 569 43 30
Skup 3 12 630 43 30
Veličina ćelije
(sl. el. x sl. el)
Veličina blokova
(br. ćelija x br. ćelija)
Pomak
blokova
(sl. el)
Veličina
histograma
Raspon
histograma
Duljina vektora
značajki
HOG1 5 x 5 2 x 2 5 8 odjeljaka 0° - 180° 1568
HOG2 5 x 5 2 x 2 5 8 odjeljaka 0° - 360° 1568
HOG3 4 x 4 2 x 2 5 9 odjeljaka 0° - 180° 2916
14.03.2014. 18/39
GTSRB skup podataka
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 200
1
2
3
4
5
6
70
.57
5.6
6
5.6
6
3.6
2
4.9
8
4.7
6
1.1
3
3.6
2
3.6
2
3.7
4
5.1
3.4
5.3
2
5.4
4
2.0
4
1.5
9
1.1
3
2.8
3
3.0
6
0.5
7 0.9
1
0.4
8
5.7
3
5.9
7
3.5
8
5.2
5
4.7
7
0.9
5
3.8
2
3.5
8
3.8
2
5.2
5
3.3
4
5.4
9
5.7
3
1.9
1
1.6
7
0.9
5
2.8
6
3.1
0.4
8 0.9
5
0.4
8
5.7 5
.94
3.5
6
5.2
3
4.9
9
1.1
9
3.5
6
3.5
6
3.8
5.2
3
3.3
3
5.4
6
5.7
2.1
4
1.6
6
1.1
9
2.8
5
3.0
9
0.4
8
0.7
1
Skup 1 Skup 2 Skup 3
Prometni znak
Rela
tivna
frek
venc
ija
razr
eda
(%)
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 420
1
2
3
4
5
6
7
0.9
1
1.0
2 1.3
6
0.6
8
3.8
5
1.5
9
0.6
8 1.3
6
0.6
8 1.1
3
2.0
4
0.6
8
1.8
1
1.1
3
3.0
6
1.0
2
0.5
7
5.2
1
0.7
9
0.9
1
0.6
8
0.6
8
0.7
2
0.9
5
1.1
9
0.7
2
3.8
2
1.4
3
0.4
8
1.4
3
0.7
2 1.1
9
1.9
1
0.4
8
1.6
6
0.9
5
3.1
0.9
5
0.4
8
5.4
9
0.7
2
0.9
5
0.4
8
0.4
8
0.7
1
0.9
5
1.1
9
0.7
1
3.8
1.4
3
0.4
8
1.1
9
0.7
1 1.1
9
2.1
4
0.4
8
1.6
6
0.9
5
3.0
9
0.9
5
0.4
8
5.4
6
0.7
1
0.7
1
0.4
8
0.7
1
Prometni znak
Rela
tivna
frek
venc
ija
razr
eda
(%)
14.03.2014. 19/39
BTSC skup podataka
Broj primjera Broj razreda
Broj tragova
po razredu
Broj primjera
po tragu
Skup za učenje 4389 62 3
Skup za testiranje 2475 53 3
14.03.2014. 20/39
BTSC skup podataka
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 300
2
4
6
8
10
12
14
16
18
0.3
4
2.4
6
0.2
7
0.3
4
0.3
4
0.2
1
0.4
1
3.3
5
0.6
2
0.4
1
0.4
8
0.1
4
0.4
1 2.0
5
0.8
9
0.2
1
0.2
1 1.7
8
1.8
5
5.0
6
0.9
6
0.9
6
8.2
0.3
4
1.0
9
0.9
6
0.1
4
0.4
1
2.8
0.7
5
0.8
2
0.2
4 1.0
9
0.2
4
0.2
4
0.4
8
0.1
2
0.2
4
3.6
4
0.4
8
0
1.0
9
0 0.1
2 1.5
8
0.6
1
0
0.4
8
7.3
9
4.8
5 6.4
2
0.1
2 1.8
2
2.4
2
0.6
1
0.4
8
0.1
2
0 0.3
6 2.0
6
1.0
9
1.4
5
učenje testiranje
Prometni znak
Rel
ativ
na
frek
ven
cija
ra
zred
a (%
)
31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 610
2
4
6
8
10
12
14
16
18
1.4
4
6.7
7
0.2
7
1.0
3
1.3
7
0.4
1 2.0
5
6.2
9
4.3
7 5.2
6
3.0
8
0.7
5
0.6
8
1.0
9
1.5
7
0.8
9
3.2
1
0.2
1
0.2
7
0.3
4
0.6
2
0.6
2
4.2
4
2.6
0.2
7 2.0
5
1.6
4
0.3
4
0.9
6
0.2
1
5.8
8
3.3
9
16
.85
0 0.3
6
5.9
4
0
1.2
1
8.3
6
3.8
8
1.9
4
0.3
6
0.3
6
0.2
4
0.1
2
3.3
9
0.2
4 1.2
1
0 0.1
2
0 0.1
2
0
0.9
7 1.9
4
0.6
1
1.3
3
1.5
8
0.3
6
0.6
1
0.3
6
4.2
4
Prometni znak
Rel
ativ
na
frek
ven
cija
ra
zred
a (%
)
14.03.2014. 21/39
Skupovi prometnih znakova - Pregled
Broj primjera Broj razredaBroj tragova
po razredu
Broj primjera
po tragu
GTSRB
Skup 1 26 640 43 30
Skup 2 12 569 43 30
Skup 3 12 630 43 30
BTSC
Skup za
učenje4389 62 3
Skup za
testiranje2475 53 3
Poboljš
ani
MASTF
Skup za
učenje4028 30 4
Skup za
testiranje1644 30 4
14.03.2014. 22/39
Sustav za evaluaciju postupaka za raspoznavanje prometnih znakova
Priprema skupa slika prometnih znakova
Skup slika prometnih znakova
Izlučivanje značajki
Smanjenje dimenzionalnosti značajki
Odabir značajki najvećeg diskriminativnog svojstva
Skup odabranih značajki prometnih znakova
Skup za testiranje
(30%)
Odabir modela (k - struka unakrsna
provjera; k = 5)
Klasifikacija
70%Skup za učenje (70%)
Skup za provjeru
(30%)
Značajke prometnih znakova
Značajke smanjene dimenzionalnosti
Podjela skupa odabranih značajki
Performanse klasifikatora
· Specifičnost· Mikro F1· Makro F1
· CCR· Točnost· Preciznost· Odziv
14.03.2014. 23/39
Histogram Orijentiranih Gradijenata (HOG)
• Prebrojavanje različitih orijentacija gradijenata u lokaliziranim dijelovima slike
• Gusta mrežu uniformno raspoređenih ćelija• Ideja: lokalni izgled i oblik objekta se može opisati
razdiobom orijentacije gradijenta (rubova)• Parametri:
• Veličina ćelije (sl. el. x sl. el)• Veličina bloka (#ćelija x #ćelija)• # odjeljka histograma po ćeliji• Normalizacija• Veličina odjeljka histograma• Raspon histograma
14.03.2014. 24/39
Linearna diskriminatna analiza (LDA)
• Smanjenje dimenzionalnosti• Minimizacija raspršenosti primjera unutar razreda i
maksimizacija raspršenosti između razreda
Loša projekcija Dobra projekcija
14.03.2014. 25/39
Analiza glavnih komponenti (PCA)
• Smanjenje dimenzionalnosti• Ortogonalna transformacija primjera iz n-dimenzionalnog prostora u
k-dimenzionalan (• Osi novog koordinatnog sustava traže se način da se za svaku
značajku pronađe ona os na kojoj će projicirane vrijednosti imati najveću varijancu
14.03.2014. 26/39
Stroj s potpornim vektorima (SVM)
• Jedan-naspram-ostali (K – 1 klasifikatora)• Pronalazak hiperravnine koja maksimizira marginu
razdvajanja• Hiperravnina definirana primjerima (potporni vektori)
• Linearni SVM (C)• C malen: margina razdvajana velika nauštrb pogrešne klasifikacije• C velik: manja margina
14.03.2014. 27/39
SVM - jezgre
• Polinomijalna jezgrena funkcija
• Radijalna jezgrena funkcija (RBF)
• Sigmoidalna jezgrena funkcija
• Križajuća jezgrena funkcija
mali → su različiti
veliki → su slični
14.03.2014. 28/39
Testiranje 1
• HOG konfiguracije• SVM s različitim jezgrama• Stopa točnosti klasfikacije
• HIK SVM/HOG2/HOG2* • najbolji rezultati• HOG je dobro implementiran
• HOG1*/HOG2* • HOG3*
• MASTIF(1568)• , ,
• BTSC(1568)• , ,
• 2916 dvostruko više
• RBF, SIGMOIDA• prenaučenost
MASTIF LIN. SVM POLI. SVM HIK SVM
HOG1* 94.9513 94.5255 95.1338
HOG2* 97.4453 95.2555 97.5061
HOG3* 94.4039 92.7616 94.708
GTSRB LIN. SVM POLI. SVM HIK SVM
HOG1* 93.5158 94.5342 94.3591
HOG2* 96.2409 95.8708 96.6903
HOG3* 94.5342 94.6615 95.0513
HOG1 93.6272 92.8316 94.6376
HOG2 95.8151 93.0146 96.2447
HOG3 94.0886 92.2746 94.7967
BTSC LIN. SVM POLI. SVM HIK SVM
HOG1* 95.0707 93.6566 95.4747
HOG2* 96.5657 91.4747 96.4444
HOG3* 94.8687 91.798 96.4646
14.03.2014. 29/39
Testiranje 1 - LDAMASTIF LDA + LIN. SVM LDA + POLI. SVM LDA + RBF SVM LDA + SIGMO. SVM LDA + HIK SVM
HOG1* 86.983 93.1873 91.1192 93.309 93.6131
HOG2* 93.8564 96.472 96.3504 96.7762 96.4112
HOG3* 86.253 93.1265 90.9976 93.1873 93.0049
GTSRB LDA + LIN. SVM LDA + POLI. SVM LDA + RBF SVM LDA + SIGMO. SVM LDA + HIK SVM
HOG1* 91.5145 91.791 91.7982 88.7978 92.9668
HOG2* 94.0449 94.0939 94.1817 88.3205 95.2502
HOG3* 92.0021 92.1098 92.033 85.7825 93.1498
HOG1 95.3855 95.0513 95.298 72.7902 94.9956
HOG2 97.1676 96.738 96.9687 81.5419 96.6664
HOG3 95.3536 95.0195 95.3696 81.6771 95.1707
BTSC LDA + LIN. SVM LDA + POLI. SVM LDA + RBF SVM LDA + SIGMO. SVM LDA + HIK SVM
HOG1* 93.899 94.0606 94.2222 93.1717 93.7778
HOG2* 94.4646 95.596 95.0303 95.7172 95.2727
HOG3* 93.0101 93.1717 93.4141 90.6263 93.6162
14.03.2014. 30/39
Testiranje 1 - PCA
• Osjetan pad performansi od prosječno 4%
• Smanjenjem dimenzionalnosti izgubi se korisna informacija
• POLINOMIJALNA, RBF, SIGMOIDA• prenaučenost
MASTIF PCA(100) + LIN. SVM PCA(100) + HIK SVM
HOG1* 87.7737 90.2068
HOG2* 91.1192 93.1873
HOG3* 88.6253 91.4234
14.03.2014. 31/39
Testiranje 2
• Cilj: pokazati postoji li razlika između istih prometnih znakova u Hrvatskoj, Njemačkoj i Belgiji
• Kako?Skupa za učenje i skup za provjeru: GTSRB
Skup za testiranje: MASTIF, BTSC
Skupa za učenje i skup za provjeru: MASTIF
Skup za testiranje: GTSRB, BTSC
Skupa za učenje i skup za provjeru: BTSC
Skup za testiranje: MASTIF, GTSRB
14.03.2014. 32/39
Testiranje 2
14.03.2014. 33/39
Testiranje 2
MASTIF
GTSRB
BTSC
14.03.2014. 34/39
Testiranje 2
• Zaključak:• Stopa točnosti klasifikacije:
→ isti znakovi u Hrvatskoj, Njemačkoj i Belgiji su približno slični
• Sljedeći korak:
14.03.2014. 35/39
Testiranje 2
• HIK-SVM, HOG2*
• Stopa točnosti klasifikacije = 0.979765 (2082/2125) • makroF1 = 0.974471 (2082/2125)
• Zaključak: moguće je uspješno naučiti klasifikator koji dobro klasificira podskup trokutastih prometnih znakova iz triju spomenutih zemalja
14.03.2014. 36/39
Testiranje 2 - matrica zabune
646 3 0 0 5 2 4
0 454 0 0 1 0 0
2 1 126 0 1 0 0
1 1 0 204 2 10 3
2 0 0 0 134 0 1
0 0 0 0 0 176 0
0 20 0 0 2 0 342
14.03.2014. 37/39
Stvarno
Pre
dviđ
eno
Testiranje 2 – Pogrešno klasificirani primjeri
14.03.2014. 38/39
Zaključak, budući ciljevi• Kombinacije HOG2/HOG2* konfiguracija, LDA, SVM s
linearnom ili križajućom jezgrom• Dobar odabir• Rezultati usporedivi s rezultatima iz reprezentativnih radova
• Preliminarni rezultati pokazuju da je moguće napraviti jedan sustav raspoznavanja određenog podskupa prometnih znakova koji bi radio u više zemalja (potpisnica Bečkog sporazuma)
• Ispitati ponašanje koncepta u ovisnosti o komponentama cijelog sustava za otkrivanje, raspoznavanje i praćenje prometnih znakova
14.03.2014. 39/39
Hvala!
14.03.2014. 40/39
Histogram Orijentiranih Gradijenata (HOG)
• Prebrojavanje različitih orijentacija gradijenata u lokaliziranim dijelovima slike
• Gusta mrežu uniformno raspoređenih ćelija• Ideja: lokalni izgled i oblik objekta se može opisati
razdiobom orijentacije gradijenta (rubova)• Parametri:
• Veličina ćelije (sl. el. x sl. el)• Veličina bloka (#ćelija x #ćelija)• # odjeljka histograma po ćeliji• Normalizacija• Veličina odjeljka histograma• Raspon histograma
14.03.2014. 41/39
HOG
• Postupak:
1. Postaviti područje od interesa na prometni znak u slici
2. Promijeniti veličinu ulazne slike na 40 x 40 (npr. bilinearna interpolacija)
3. Prebaciti sliku iz RGB sustava boja u HSV sustav boja
4. Izračunati gradijentne slike u x i y smjeru (npr. Sobelov, Robertsov, Prewittov operator)
14.03.2014. 42/39
HOG
5. Izračunati histograme orijentacije gradijenata za svaku ćeliju
• Amplituda gradijenta:
• Orijentacija gradijenta:
14.03.2014. 43/39
HOG
5. Izračunati pripadajuće integralne slike iz slika odjeljaka histograma
• Zbroj vrijednosti svih slikovnih elemenata iznad i lijevo od slikovnog elementa
• Nema operacija s pomičnim
zarezom• Look-up tablice
14.03.2014. 44/39
HOG
6. Izračunati vektor značajki
14.03.2014. 45/39
HOG• Normalizacija bloka
• Robusnost na promjene osvjetljenja
14.03.2014. 46/39
47
Evaluacija klasifikatora• Stopa točne klasifikacije
• Točnost – udio točno klasificiranih primjera u skupu svih
• Preciznost – udio točno klasificiranih primjera u skupu pozitivno klasificiranih
• Odziv – udio točno klasificiranih primjera u skupu pozitivnih
• Specifičnost – udio točno klasificiranih primjera u skupu negativnih
• Mikro F1
• Makro F1
14.03.2014.
Evaluacija klasifikatora
• Višerazredna klasifikacija• Neke mjere nemaju smisla
• Točnost• Specifičnost
• CCR = Preciznost = Odziv = Mikro F1• Makro F1 je tipično stroža mjera
• Slabo zastupljene klase → klasifikacija lošija
14.03.2014. 48/39
