1. SISN
  2. Всі випуски
  3. Випуск 16, 2024
  4. Інформаційна система для адаптації методів сегментації дорожніх смуг у системах навігації з метою підвищення точності виявлення дорожніх знаків

Інформаційна система для адаптації методів сегментації дорожніх смуг у системах навігації з метою підвищення точності виявлення дорожніх знаків

SISN.
2024;
Випуск 16
: cc. 58 - 68
https://doi.org/10.23939/sisn2024.16.058
Автори:
  1. Любомир Древич
1
Національний університет «Львівська політехніка»

У сучасному світі, де швидкість технологічних змін надзвичайно вражає, сфера дорожнього руху не залишається осторонь. Використання сегментації смуг на дорозі стає ключовим елементом не лише для забезпечення безпеки, але й для вдосконалення систем навігації та виявлення дорожніх знаків. Цей підхід відкриває двері до нового рівня ефективності та точності управління дорожнім рухом, сприяючи покращенню якості та безпеки нашого пересування. Давайте зануримося в деталі цього захоплюючого та перспективного напрямку розвитку технологій дорожнього транспорту.

Сегментація смуг на дорозі дозволяє розподілити транспортний потік на окремі сегменти з урахуванням руху та потреб різних категорій транспортних засобів. Це відкриває можливості для більш ефективного використання дорожнього простору, зменшення заторів і підвищення загальної продуктивності дорожньої інфраструктури.

сегментація смуг
дорожні знаки
системи навігації
машинне навчання
система технічного зору
  1. Hechri, A., & M’tiba, A. (2012). Automatic detection and recognition of road signs for driver assistance system. In 16th IEEE Mediterranean Electrotechnical Conference (pp. 888–891). doi: 10.1109/MELCON.2012. 6196571.
  2. Prisakariu, V. A., Timoft, R., Cimmermann, K., Reid, I., & Gol, L. V. (2010). Integration of object detection with three-dimensional tracking for improved driver assistance system. In 20th International Conference on Pattern Recognition (pp. 3344–3347). doi: 10.1109/ICPR.2010.816.
  3. Yang, L., Kwon, K., Mun, K., Lee, S., & Kwon, S. (2012). Recognition of broken road signs based on local histogram matching. In Conference on Computing, Communication, and Applications (pp. 415–419). doi: 10.1109/ComComAp.2012.6154884.
  4. Lafuente-Arroyo, S., Gil-Jimenez, P., Maldonado-Bascon, R., Lopez-Ferreras, F., & Maldonado-Bascon, S. (2005). Shape classification of road signs assessment I: Support vector machine method based on  distance  to boundary. In Proceedings of the IEEE Symposium on Intelligent Transportation Systems (pp. 557–562). doi: 10.1109/ IVS.2005.1505162.
  5. Yuan, S., Liu, L.-F., Li, C.-H., & Ku, Y.-Y. (2009). Fusion of visual saliency with HOG feature learning for road sign detection. In 2009 IEEE Symposium on Intelligent Vehicles (pp. 24–29). doi: 10.1109/IVS.2009.5164247.
  6. Han, J. F., Adhami, R. R., & Bhuiyan, S. M. A. (2009). Image segmentation based road sign detection. In IEEE Southeastcon 2009 (pp. 24–29). doi: 10.1109/SECON.2009.5174040.
  7. Huang, I., Le, I., & Cheng, F. (2012). Speed constrained road sign detection and recognition method. In Eighth International Conference on Intelligent Information Hiding and Multimedia Signal Processing (pp. 371–374). doi: 10.1109/IIH-MSP.2012.96.
  8. Greenhalgh, J., & Mirmehdi, M. (2012). Road sign recognition using MSER and Random Forests. In Proceedings of the 20th European Signal Processing Conference (EUSIPCO) (pp. 1935–1939).
  9. Nisa, S. K., & Amelia Ritahani Ismail. (2022). Dual U-Net with Resnet Encoder for Medical Image Segmentation. International Journal of Advanced Computer Science and Applications, 13(12). DOI: 10.24507/icicel.16.01.75.
  10. Marchellino, & Chenggoro, T. V., & Pardamean, B. (2022). UNET++ with Pyramid Scales for Crowd Counting. ICIC Express Letters, 16, 75–82. DOI: 10.24507/icicel.16.01.75.
  11. Zou, Z., Hanwen Jiang, Ciu Dai, Yuanhao Yue, Long Chen, & Cyan Wang. (2019). Robust lane detection from extended driving scenes using deep neural networks. IEEE Transactions on Intelligent Transportation Systems, 69(1), 41–54.
  12. Qing, C., Wang, H., & Li, S. (2020). Fast lane detection with structural considerations. In Computational Perspectives – ECCV 2020: 16th European Conference (pp. 276–291). Springer International Publishing.
  13. Yu, S., Lee, H. S., Mioung, H., Yun, S., Park, H., Cho, D., & Kim, D. (2020). End-to-end lane marker detection using line-wise classification. In Proceedings of the IEEE/CVF Conference on Assumptions about Image Highlighting and Modeling (pp. 1006–1007).
  14. Neven, D., De Brabander, B., Georgulis, S., Proesmans, M., & Van Gool, L. (2018). Towards end-to-end lane detection: an instance segmentation approach. In 2018 IEEE Intelligent Vehicles Symposium (IV) (pp. 286– 291). IEEE.
  15. Abualsaud, H., Liu, S., Lu, D. B., Situ, K., Rangesh, A., & Trivedi, M. M. (2021). Laneaf: robust multi- lane detection using affinity regions. IEEE Robotics and Automation Letters, 6(4), 7477–7484.