Аннотация:
Представлена новая открытая база изображений дорожных знаков. База предназначена для обучения и тестирования алгоритмов распознавания дорожных знаков. Описывается структура и правила работы с базой, проводится сравнение с другими базами дорожных знаков. На базе проведена экспериментальная оценка современных алгоритмов выделения и классификации дорожных знаков, которая показала, что существующие алгоритмы распознавания большого класса знаков не достигают требуемой для ряда практических приложений полноты и точности.

Ключевые слова :
база изображений дорожных знаков, классификация и выделение дорожных знаков, каскад слабых классификаторов, свёрточная нейронная сеть.

Цитирование:
Шахуро, В.И. Российская база изображений автодорожных знаков / В.И. Шахуро, А.С. Конушин // Компьютерная оптика. – 2016. – Т. 40, № 2. – С. 294-300. – DOI: 10.18287/2412-6179-2016-40-2-294-300.

Литература:

1. Stallkamp, J. Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition / J. Stallkamp, M. Schlipsing, J. Salmen, C. Igel // Proceedings of IEEE International Joint Conference on Neural Networks. – 2012. – Vol. 32. – P. 323-332. 
2. Houben, S. Detection of traffic signs in real-world images: The German Traffic Sign Detection Benchmark / S. Houben, J. Stallkamp, J. Salmen, M. Schlipsing, C. Igel // Proceedings of IEEE International Joint Conference on Neural Networks. – 2013. – P. 1-8.
3. Larsson, F. Using Fourier descriptors and spatial models for traffic sign recognition / F. Larsson, M. Felsberg // Image Analysis. – Berlin, Heidelberg: Springer, 2011. – P. 238-249.
4. Timofte, R. Multi-view traffic sign detection, recognition, and 3D localization / R. Timofte, K. Zimmermann, L. Van Gool // Machine Vision and Applications. – 2014. – Vol. 25, Issue 3. – P. 633-647.
5. Mogelmose, A. Vision-based traffic sign detection and analysis for intelligent driver assistance systems: Perspectives and survey / A. Mogelmose, M.M. Trivedi, T.B. Moeslund // IEEE Transactions on Intelligent Transportation Systems. – 2012. – Vol. 13(4). – P. 1484-1497.
6. Якимов, П.Ю. Предварительная обработка цифровых изображений в системах локализации и распознавания дорожных знаков // Компьютерная оптика. – 2013. – Т. 37, № 3. – С. 401-405.
7. Ruta, A. A New Approach for In-Vehicle Camera Traffic Sign Detection and Recognition / A. Ruta, Y. Li, F. Porikli, S. Watanabe, H. Kage, K. Sumi // Machine Vision and Applications. – 2009. – P. 509-513.
8. Viola, P. Rapid object detection using a boosted cascade of simple features / P. Viola, M. Jones // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2001. – Vol. 1. – P. 511-518.
9. Dollár, P. Crosstalk cascades for frame-rate pedestrian detection / P. Dollár, R. Appel, W. Kienzle // Computer Vision–ECCV 2012. – Berlin, Heidelberg: Springer, 2012. – P. 645-659.
10. Dollár, P. Fast feature pyramids for object detection / P. Dollár, R. Appel, S. Belongie, P. Perona // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2014. – Vol. 36, Issue 8. – P. 1532-1545.
11. Benenson, R. Pedestrian detection at 100 frames per second / R. Benenson, M. Mathias, R. Timofte, L. Van Gool // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2012. – P. 2903-2910.
12. Overett, G. Creating robust high-throughput traffic sign detectors using centre-surround HOG statistics / G. Overett, L. Tychsen-Smith, L. Petersson, N. Pettersson, L. Anders­son // Machine Vision and Applications. – 2014. – Vol. 25, Issue 3. – P. 713-726.
13. Mathias, M. Traffic sign recognition – how far are we from the solution? / M. Mathias, R. Timofte, R. Benenson, L. Van Gool // Proceedings of IEEE International Joint Conference on Neural Networks. – 2013. – P. 1-8.
14. Dalal, N. Histograms of oriented gradients for human detection / N. Dalal, B. Triggs // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2005. – Vol. 1. – P. 886-893.
15. Лисицын, С.О. Распознавание дорожных знаков с помощью метода опорных векторов и гистограмм ориентированных градиентов / С.О. Лисицын, О.А. Байда // Компьютерная оптика. – 2012. – Т. 36, №. 2 – С. 289-295.
16. Krizhevsky, A. Imagenet classification with deep convolutional neural networks / A. Krizhevsky, I. Sutskever, G.E. Hinton //Advances in Neural Information Processing Systems. – 2012. – P. 1097-1105.
17. Ciresan, D. Multi-column deep neural network for traffic sign classification / D. Ciresan, U. Meier, J. Masci, J. Schmidhuber // Proceedings of IEEE International Joint Conference on Neural Networks. – 2012. – Vol. 32. – P. 333-338.
18. Moiseev, B. Evaluation of Traffic Sign Recognition Methods Trained on Synthetically Generated Data / B. Moiseyev, A. Konev, A. Chigorin, A. Konushin // Advanced Concepts for Intelligent Vision Systems. – 2013. – P. 576-583.
19. Chigorin, A. A system for large-scale automatic traffic sign recognition and mapping / A. Chigorin, A. Konushin // CMRT13 – City Models, Roads and Traffic 2013 (ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences). – 2013. – Vol. 3. – P. 13-17.
20. Li, H. A convolutional neural network cascade for face detection / H. Li, Z. Lin, X. Shen, J. Brandt, G. Hua // Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. – 2015. – P. 5325-5334.
21. Dollár, P. Piotr’s Computer Vision Matlab Toolbox (PMT) [Electronical Resource]. – URL:  http://vision.ucsd.edu/~pdol­lar/toolbox/doc/index.html (request date 01.04.2015).
22. Jia, Y. Convolutional architecture for fast feature embedding / Y. Jia, E. Shelhamer, J. Donahue, S. Karayev, J. Long, R. Girshick, S. Guadarrama, T. Darrell // Proceedings of the ACM International Conference on Multimedia. – 2014. – P. 675-678.

---

© 2009, IPSI RAS
Institution of Russian Academy of Sciences, Image Processing Systems Institute of RAS, Russia, 443001, Samara, Molodogvardeyskaya Street 151; E-mail: ko@smr.ru; Phones: +7 (846) 332-56-22, Fax: +7 (846) 332-56-20