Знаки дорожного движения 2018 фото: виды и изображения дорожных знаков ПДД 2018

Содержание

В России ввели новые дорожные знаки и разметку

На российских дорогах будут вводиться новые дорожные знаки и разметки для велосипедистов. Это делается для развития общественных и пешеходных пространств и в целях обеспечения безопасности дорожного движения. На некоторых улицах будут вводиться специальные велосипедные зоны, максимальная скорость движения по которым составит 20 км/час.

Председатель российского правительства Дмитрий Медведев сообщил о введении новых дорожных знаков и разметки. Об этом он написал в своем твиттере.

Он объяснил, что это делается для развития общественных и пешеходных пространств, а также для обеспечения безопасности дорожного движения. После таких нововведений в ряде случаев у велосипедистов появится приоритет, подчеркнул Медведев.

Через некоторое время текст соответствующего постановления опубликовали на сайте правительства.

Согласно ему, на так называемых спокойных улицах вводится понятие «Велосипедная зона». Максимальная скорость движения в ней должна составлять не более 20 км/час.

Переходить такую дорогу пешеходы смогут в любом незапрещенном месте. На этих улицах у велосипедистов будет явное преимущество перед механическими транспортными средствами.

Помимо того, велосипедистам разрешат сквозной проезд в жилых зонах — автомобилистам такое движение запрещено.

На велосипедных или велопешеходных дорожках будет запрещено останавливаться ближе пяти метров от их пересечения с проезжей частью, а также в местах, где проезжая часть сопрягается с тротуаром на одном уровне.

На переходах, которые совмещены с велосипедной дорожкой, велосипедистам можно будет двигаться по сигналу светофора в виде силуэтов пешехода и велосипедиста.

Если раньше на некоторых Т-образных перекрестках, где разрешено движение только налево и есть две и более полосы движения, велосипедисты не могли двигаться ни в одном из направлений, то теперь им разрешили поворачивать налево, если туда можно повернуть с правой полосы.

В начале сентября СМИ сообщили о том, что в России могут появиться новые знаки ограничения скорости, которые будут менять значения в автоматическом режиме и показывать водителям максимально разрешенную скорость в зависимости от погоды и условий видимости.

Подведомственный Минтрансу Российский дорожный научно-исследовательский институт (РОСДОРНИИ) разрабатывает ГОСТ «Автомагистрали и скоростные автомобильные дороги. Организация и безопасность дорожного движения. Общие требования», который как раз и предусматривает введение таких знаков. Как объяснили «Известиям», документ в первой редакции собираются направить на рассмотрение в проектную комиссию при министерстве.

ГОСТ предполагает размещение знаков на автомагистралях и скоростных дорогах, где максимальная разрешенная скорость достигает 110 и 90 км/ч соответственно.

Динамические знаки будут определять оптимальный скоростной режим, актуальный для водителя в то время, когда он проезжает по участку дороги. Изменения будут зависеть от осадков и видимости.

На сегодняшний день в правилах дорожного движения существует только знак «Скользкая дорога» и табличка «Влажное покрытие». Табличка устанавливает, что знак ограничения скорости, расположенный над ней, действует только во время дождя или после него до тех пор, пока дорожное покрытие еще не высохло.

ГОСТ создается в рамках подготовки к началу действия нового федерального закона, принятого в конце прошлого года: «Об организации дорожного движения». Закон вступит в силу в конце 2018 года.

Документ предполагает использование интеллектуальной транспортной системы (ИТС), который включает в себя «умные» светофоры, управление потоками машин, в том числе их разделение на однородные группы в зависимости от скорости, чтобы сократить протяженность дорожных заторов.

ИТС действует уже сейчас, но пока только в Москве и на федеральных трассах. Так, например, на дороге М-4 «Дон» ситуационные центры с помощью камер и различных датчиков отслеживают количество автомобилей, погодные условия и другие показатели. На трассе встречаются размещенные над дорогами информационные табло, предупреждающие о дорожных работах или неблагоприятных условиях. Вдоль участка примерно через каждые два-четыре км установлены терминалы с надписью «SOS», с помощью которых можно вызвать аварийных комиссаров.

На некоторых трассах в рамках ИТС также уже установлены «умные» светофоры, изменяющие продолжительность времени, когда горит «зеленый» или «красный» в зависимости от плотности потока. Необходимую информацию передают датчики, встроенные в полотно. С помощью внедрения ИТС власти намерены за 12 лет сократить показатели смертности на дорогах практически до нуля.

Ранее президент России Владимир Путин поставил перед правительством задачу достичь нулевого уровня смертности из-за дорожно-транспортных происшествий к 2030 году. Об этом говорится в подписанном президентом указе «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года».

Знак свыше: о фотовидеофиксации на дорогах начинают информировать по-новому

За дорожным движением в России и дальше будут наблюдать с помощью фото- и видеокамер. Новый знак для информирования автомобилистов о зоне, в которой ведётся съёмка, начал действовать в Правилах дорожного движения с 1 марта. Он заменит ныне действующий дорожный указатель «Фотовидеофиксация», который утратит силу с 1 сентября. Также знак сможет применяться самостоятельно, тогда как старый устанавливался вместе с другими знаками или со светофорами.

Дорожный знак 6.22 «Фотовидеофиксация» обозначает места возможного применения работающих в автоматическом режиме стационарных или передвижных специальных технических средств с функцией фото- и киносъёмки, либо видеозаписи для фиксации нарушений правил дорожного движения. В населённых пунктах он должен применяться совместно со знаками 5.23.1 и 5.23.2 и 5.25 («Начало населенного пункта»), а вне населённых пунктов — устанавливаться в 150-300 м от зоны контроля стационарных или передвижных видеокамер. При необходимости знак 6.22 может применяться с табличками 8.1.1, 8.1.3 и 8.1.4 «Расстояние до объекта».

Ранее применявшийся знак дополнительной информации (табличка) 8.23 «Фотовидеофиксация» будет выводиться из оборота. Переходный период завершится к 1 сентября — с этой датой действие старого знака утратит силу, сообщает РИА Новости. Табличка 8.23 применялась совместно с многими знаками, а также со светофорами, и указывала, что в зоне действия дорожного знака может вестись фиксация административных правонарушений. Для неё используют специальные технические средства с функциями фотосъёмки, киносъёмки и видеозаписи.

Если упраздняемая табличка посвящалась конкретным комплексам фотовидеофиксации, то новый дорожный знак будет информировать лишь о том, что в населённом пункте в целом имеются точки фотовидеофиксации — только один раз при въезде на каждом пересечении его границ. Вне населённых пунктов внимание автомобилистов будет обращено знаком на ближайший размещённый комплекс.

Изменения в Правила дорожного движения внесены 31 декабря 2020 г. постановлением Правительства РФ № 2441. В 2018 г. в ПДД внесли новые знаки 5.33.1 «Велосипедная зона» и 5.34.1 «Конец велосипедной зоны».

С 23 февраля на год запрещено движение большегрузного транзитного транспорта по Московской кольцевой автомобильной дороге (МКАД).

Как будут выглядеть новые дорожные знаки? Инфографика | Пробки/дороги | Авто

В России принят новый Предварительный национальный стандарт (ПНСТ), который разрешает установку нескольких десятков новых дорожных знаков и табличек. Он будет действовать до 2020 года. Если стандарт приживется, то его примут как обязательный, а если нет, то отправят на доработку.

Новый предварительный стандарт предполагает установку новых знаков парковки, уточняющих, платная она или бесплатная, уличная или внеуличная, способы постановки транспортного средства, знаков, определяющих правила проезда перекрестков и т. д. Так, например, на дорогах появится новый знак «Запрет въезда на перекресток в случае затора», который будет применяться для дополнительного визуального обозначения «вафельной разметки», табличка «Глухие пешеходы», которая будет устанавливаться в тех местах, где наиболее возможно появление людей с нарушениями слуха, знак «Диагональный пешеходный переход» для обозначения перекрестков, где разрешается переходить дорогу наискосок.

Также на дорогах России появятся знаки, определяющие направление движения по полосам. Стрелки покажут, с какой полосы разрешен поворот направо или налево, а также на них будет размещена дополнительная информация (знаки приоритета, запрета въезда или сквозного проезда и т. д.).

В числе новых знаков — знак «Выделенная трамвайная полоса» (он появится там, где движение трамваев обособлено) и таблички с указанием месяцев, которые будут устанавливать в период действия знака, если он носит сезонный характер.

Какие знаки установят в связи с принятием нового Предварительного национального стандарта, смотрите в инфографике АиФ.ru.

Нажмите для увеличения

Когда установят новые дорожные знаки?

Знаки установят после того, как внесут изменения в Правила дорожного движения, установив там новые требования. Предполагается, что поправки в ПДД вступят в силу с 1 июля 2018 года. До этой даты устанавливать утвержденные временным ГОСТом знаки никто не имеет права.

Более того, если они будут установлены, то сотрудники ГИБДД обязаны выносить предписания местным властям для устранения нарушения, поскольку установленные знаки не соответствуют требованиям Правил дорожного движения.

Смотрите также:

как ЦОДД воплощает идеи горожан / Новости города / Сайт Москвы

Центр организации дорожного движения (ЦОДД) реализует предложения, которые горожане высказывают на ежемесячных встречах с дорожными координаторами. С февраля такие встречи проходят в управах районов и префектурах округов. За это время ЦОДД воплотил в жизнь уже четыре десятка идей. Еще 70 просьб от москвичей сейчас прорабатывается.

«Чаще всего горожане просят обустроить новый пешеходный переход, установить знаки жилой зоны на въездах во дворы, камеры фотовидеофиксации и светофоры, ввести ограничения скоростного режима, разрешить парковаться в ночное время там, где днем это запрещено из-за высокой интенсивности движения в часы пик, и создать дополнительные парковочные места.
Также поступают просьбы упорядочить парковку, ввести одностороннее или двустороннее движение, отменить левый поворот на перекрестке или увеличить количество полос движения на дороге», — рассказал заместитель руководителя ЦОДД Андрей Агафонов.

Всего за шесть месяцев в Центре организации дорожного движения приняли более 350 предложений от горожан. Прежде чем реализовать какую-то поступившую идею, специалисты анализируют, как это повлияет на дорожное движение на конкретном участке, а также на соседних улицах.

«С февраля сотрудники центра провели 66 встреч с жителями в управах районов и префектурах округов, на них пришли более трех тысяч горожан. Личные встречи позволяют решить интересующие москвичей вопросы без официальных писем и ожидания ответа в течение 30 дней», — добавил Андрей Агафонов.

График встреч с жителями можно посмотреть на сайте ЦОДД. 

Предложения москвичей ЦОДД принимает также в социальной сети «Инстаграм». Для того чтобы вопрос рассмотрели, нужно разместить фото с привязкой к адресу и отметить пост хештегом #цоддвработу. Кроме того, есть возможность написать в директ, описав свое предложение или жалобу.

Связаться с ЦОДД можно также через электронную приемную на едином транспортном портале Москвы и в официальных группах центра в социальных сетях «Фейсбук», «В контакте» и «Твиттер».

ЦОДД продолжает оптимизировать работу светофоров на оживленных пешеходных переходах по просьбам москвичей. Режим работы светофоров изменили еще на 22 пешеходных переходах столицы. По просьбам горожан на некоторых из них увеличили продолжительность зеленого сигнала (от двух до 15 секунд), а на других уменьшили время его ожидания на 10–126 секунд.

Создание инструментов, чтобы показать нам путь: как Mapillary наращивает распознавание дорожных знаков во всем мире

Наш новый алгоритм распознавания дорожных знаков поддерживает 1500 классов дорожных знаков (увеличение на 600 классов) в более чем 100 странах и имеет коэффициент обнаружения 98%.

Дорожные знаки — один из самых распространенных и важных объектов карты на дороге. Они показывают нам путь и консультируют нас во всем, от ограничения скорости до того, когда и где остановиться.И если мы хотим понять мир, нам нужно понимать дорожные знаки в масштабе. Вот почему Mapillary использует компьютерное зрение для обнаружения и распознавания дорожных знаков на изображениях улиц.

Разработка масштабируемого и, конечно же, точного распознавания дорожных знаков на глобальном уровне является сложной задачей даже для самых передовых технологий компьютерного зрения. Во-первых, дорожные знаки одного класса и, следовательно, имеющие одинаковое значение, например знаки остановки, не все выглядят одинаково. Это становится еще более проблематичным, если учесть, что внешний вид дорожных знаков меняется в зависимости от погоды или если знак частично скрыт, скажем, деревом или автомобилем.

Во-вторых, дорожные знаки могут быть визуально похожи на другие объекты в сцене, например. задние фонари на транспортных средствах или даже случайные узоры, образованные ветвями деревьев. Наконец, таксономия дорожных знаков необходима для организации различных дорожных знаков по семантическим классам и странам.

Благодаря совершенствованию наших алгоритмов и помощи нашего сообщества (которое играет в Verifier Game) мы добились большого прогресса.

Распознавание дорожных знаков в городе и на шоссе

На пути к глобальной таксономии дорожных знаков: введение 1500 классов дорожных знаков

Мы видим, что каждый тип дорожных знаков имеет свое значение, когда речь идет о навигации и картографировании.В рамках наших постоянных усилий мы расширили нашу поддержку до 1500 классов дорожных знаков по всему миру (раньше было 900 классов).

Вот некоторые из классов, которые мы будем поддерживать в новой версии. Несколько примечательных примеров — это дополнительные знаки, знаки окончания ограничения скорости, а также знаки, связанные со строительством дорог, которые имеют важные указания для навигации и обновления карт.

Примеры новых знаков

Учитывая дальнейшее распространение знаков, мы видим важность таксономии дорожных знаков для глобальной унификации сходства и вариаций дорожных знаков.В рамках этой работы мы также сопоставили коды MUTCD в США с таксономией дорожных знаков Mapillary, которая скоро будет доступна в нашем API. Следующим шагом является создание такого сопоставления таксономии дорожных знаков Mapillary для всех других стран.

Система распознавания Mapillary: обнаружение и классификация

Наша система распознавания дорожных знаков состоит из двух основных компонентов: обнаружения и классификации. Обнаружение — это этап нахождения дорожных знаков на изображениях.Классификация — это этап отнесения каждого обнаруженного дорожного знака к соответствующему классу дорожных знаков.

Чтобы решить проблему обнаружения дорожных знаков в различных условиях захвата, мы интегрировали наше распознавание дорожных знаков с семантической сегментацией в глобальном масштабе как часть шага обнаружения.

Учитывая, что сеть семантической сегментации обучается с помощью набора данных Mapillary Vistas в различных условиях освещения и в разных странах, мы достигаем уровня обнаружения 98% дорожных знаков, при этом ложные срабатывания на транспортных средствах, зданиях и растительности должным образом пропускаются.Обнаружение завершается процессом уточнения сегментации дорожных знаков для идентификации отдельных экземпляров дорожных знаков в виде фрагментов изображения.

Семантическая сегментация и классификация дорожных знаков

Модуль классификации представляет собой облегченную нейронную сеть, обученную классификации участков изображения. Его ключевая роль состоит в том, чтобы указать разницу между различными классами знаков и назначить класс дорожных знаков каждому фрагменту изображения.

Обучение этой сети классификации значительно выигрывает от данных, проверенных членами сообщества Mapillary, которые предоставили 1 000 000 проверенных дорожных знаков. Проверенные данные от сообщества выявляют серьезные случаи ложных срабатываний, запутанной классификации и закрытых признаков, которые являются важными перспективами для нейронной сети, чтобы учиться на проверенных человеком данных.

Слева: статистика проверки 20 лучших дорожных знаков сообществом Mapillary. Справа: значительное улучшение точности распознавания при использовании более проверенных знаков

Мы находимся в процессе развертывания этого выпуска на всех недавно добавленных образах Mapillary.В то же время мы максимально быстро обработаем все изображения, загруженные до этого обновления. Потребуется некоторое время ожидания, пока все будет обновлено, но в результате будут значительно улучшены данные карты, когда дело доходит до дорожных знаков.

Мы действительно хотели бы поблагодарить всех членов нашего сообщества за их вклад в игру проверки, которая делает распознавание дорожных знаков лучше с каждым днем!

/Тобиас

Знаки «Добро пожаловать в Bellevue» | Город Бельвю

Проект «Добро пожаловать в Бельвью» определяет местоположения города Бельвью с обновленными изображениями. Новые знаки были представлены начиная с 2018 года, чтобы заменить старые знаки, установленные в 1980-х годах. Ниже приведены описания сцен, изображенных на знаках. Карта с указанием расположения знаков.

Водопад Коал-Крик

На этом знаке «Добро пожаловать в Белвью» изображен водопад Бельвю на Кол-Крик, видимый с тропы Коул-Крик.

К водопаду можно добраться, пройдя небольшое расстояние к северо-западу по тропе Коул-Крик от начала тропы прямо через бульвар Лейкмонт от парковки регионального парка Кугар-Маунтин / Красного города.Знак расположен в черте города Белвью на бульваре Коал-Крик и на бульваре Лейкмонт. Фото предоставлено Маркусом Доннером.

Парк Льюис Крик

 

Выделение тропы, которая извивается через парк Льюис-Крик. Знак расположен в черте города Бельвю на Виллидж-Парк-Драйв.

Фото предоставлено Меган Эйде (апрель 2018 г.), инженером-стажером транспортного отдела Белвью.

 
 
Поле для гольфа Bellevue

 

Для северного Bellevue в районе Bridle Trails мы выбрали снимок водного объекта и грина на 14-й лунке поля для гольфа Bellevue. Поле, принадлежащее городу, открылось в 1968 году.

Помимо красивых усаженных деревьями фарватеров и легкой ходьбы, на поле есть тренировочное поле, магазин для гольфа, место для обучения профессионалов и ресторан.

Приветственный знак расположен рядом с полем для гольфа, на 140-й и 148-й авеню на северо-востоке. Фото предоставлено Джоном Джонсоном.

Белвью Даунтаун Парк

 

Расположенный в окружении небоскребов, Bellevue Downtown Park представляет собой зеленый оазис площадью 21 акр в самом сердце Bellevue. с набережной, каналом и водопадом.

Знаки расположены по адресу: бульвар Лейк-Вашингтон, к северу от Нортап-Уэй; на северо-востоке 24-й улицы и 98-й авеню на северо-востоке; и на бульваре Лейк-Вашингтон и на Северо-восточной Первой улице. Фото предоставлено Меган Эйде.

 
Озеро Саммамиш

Озеро Саммамиш образует восточную границу Бельвю и находится недалеко от кварталов

. Спириридж, Фантом-Лейк, Саммамиш-Хайтс, Роузмонт-Бич, Лейк-Мэнор и Западное озеро Саммамиш. Жители этих сообществ наслаждаются живописными видами на воду и горы, пешеходными и велосипедными дорожками, а также удобствами в Weowna Park.

Этот знак расположен в северной части города на бульваре Уэст-Лейк-Саммамиш (WLSP), недалеко от 24-й северо-восточной улицы, а также на WLSP возле межштатной автомагистрали 90. Фото: BellevueHomes.com.

 
Уздечки
Этот знак будет размещен в черте города Бельвю на 132-й авеню на северо-востоке и 116-й авеню на северо-востоке в районе Bridle Trails.

Фотография была сделана в конюшнях Парксайд в районе Бридл Трейлз.

Фото: Parkside Stables


 
 
Северо-Восточный Бельвью
Этот знак будет размещен к северу от 156th Avenue Northeast и Northeast Bel-Red Road, и на Северо-восточной Бел-Красной дороге, к северу от Северо-восточной 30-й улицы.

На нем изображен логотип города Бельвю. Бельвю получил статус города в марте 1953 года.

 
Знаки будущего
На следующем этапе этого проекта мы установим знаки в других местах в черте города.


Старые вывески

Старые знаки «Добро пожаловать в Бельвью» в основном удалены

из города за последние 10 лет из-за смены границ и изношенности.
.

Руководство по дорожным знакам. Как создавались изображения знаков


Все изображения в Руководстве по дорожным знакам (за исключением некоторых старых знаков, представляющих рекреационный и культурный интерес) были нарисованы Ричардом К.Мёр с помощью пакета графического программного обеспечения FreeHand, работающего на компьютерах PowerPC Apple Macintosh (или в режиме эмуляции PowerPC на компьютерах Apple с процессором Intel). Хотя пакет программного обеспечения FreeHand больше не поддерживается Adobe, он по-прежнему обеспечивает гибкость, простоту использования, точность и точность цветопередачи, необходимые для точного воспроизведения стандартных дизайнов дорожных знаков. Если веб-сайт в конечном итоге перейдет на более новое программное обеспечение, такое как Illustrator, эти файлы FreeHand можно будет открыть и экспортировать в Illustrator.

Все дизайны и макеты знаков максимально соответствуют проектам и макетам, установленным Федеральным управлением автомобильных дорог США (FHWA) в документе «Стандартные дорожные знаки и алфавиты» (SHS). Размеры точны с точностью до 0,05 дюйма или меньше, используются стандартные шрифты серии Federal, с расположением текста и интервалами на каждом знаке, скорректированными в соответствии с официальными размерами.

В самой последней версии веб-сайта используются электронные шрифты Federal Series, которые точно соответствуют спецификациям FHWA, а также новые и обновленные формы букв и глифы, добавленные FHWA.Знаки с редактируемым пользователем текстом используют серию шрифтов Roadgeek, разработанную Майклом Адамсом для этого текста. В более старых знаках, созданных в предыдущих выпусках веб-сайта, используется серия шрифтов Pixymbols, созданная Page Studio Graphics.

Каждый знак отрисовывается в полном масштабе (1:1, 100%) в FreeHand. Символы и стрелки созданы в соответствии со спецификациями SHS. Сложные символы либо нарисованы тригонометрически, либо точно вычерчены из макетов в Приложении SHS. Вариации знака (разные цвета, левая и правая версии) создаются по мере необходимости.

Когда макет каждого полноразмерного знака готов, он масштабируется для размещения на стандартной странице презентации, где код знака, имя знака и информация об авторских правах размещаются внизу страницы. Затем страница экспортируется как инкапсулированный файл PostScript для преобразования в файл PDF (экспорт и преобразование обеспечивают гораздо лучшую точность цветопередачи, чем простая «печать» непосредственно в формате PDF). Страница также экспортируется в виде графического файла GIF без потерь высокого разрешения для удобного просмотра в браузерах на самых разных платформах.Несколько версий знака или знаков, используемых вместе друг с другом, часто группируются в файле PDF или изображении GIF. Кроме того, в настоящее время изображение каждого знака размером 100 x 100 пикселей создается из более крупного файла GIF в приложении Graphic Converter для отображения на веб-сайте.

Если знак имеет текст, который должен быть доступен для редактирования пользователем (различные расстояния, легенды и т. д.), его PDF-файл импортируется в приложение PDFPenPro, где редактируемые текстовые поля заменяются статической легендой. Все PDF-файлы изменены, чтобы добавить коды знаков, информацию об авторстве и отображение эскизов.

Когда все знаки для данной серии готовы, они загружаются на веб-сайт, и создается веб-страница. Код и ссылки для каждого знака генерируются из электронной таблицы Excel, в которой отслеживается кодирование знаков и прогресс, а верхние и нижние колонтитулы страниц вставляются в виде HTML-кода с помощью текстового редактора. Также в это время анимированный GIF-файл размером 50 x 50 пикселей, изображающий выбранные знаки из этой серии, создается в Graphic Converter для отображения на главной странице категории знаков.

Примечание: этот веб-сайт не имеет официальной связи ни с одним из связанных поставщиков или продавцов, кроме как в качестве удовлетворенного клиента.


«Фильтадельфии» больше нет? Город решает проблему мусора

КРИСТЕН ДЕ ГРОТ | New Jersey Herald

PHILADELPHIA (AP) — Филадельфия десятилетиями пыталась решить проблему мусора и избавилась от прозвища Filthadelphia.

В июне городские и гражданские группы взялись за один маленький кусочек большой головоломки: размещение незаконных знаков. Горожане собрали более 8 500 знаков со всего города в рамках акции, объявленной «Бригада бандитских знаков».Осенью вывески будут превращены местными художниками и дизайнерами во что-то полезное.

«Эти знаки часто заканчиваются мусором, а замусоренное сообщество плохо для жителей и плохо для бизнеса», — сказал Ник Эспозито, директор Городского кабинета по нулевым отходам и мусору.

Город платил группам по 50 центов за знак, который варьировался от музыкальных листовок до грабительских предложений о покупке домов и автомобилей, расклеенных на столбах электропередач и дорожных знаках по всему городу.

Мэр Джим Кенни два года назад создал Кабинет нулевых отходов и мусора для решения этой проблемы, а в этом году группа представила 31 краткосрочную и долгосрочную рекомендацию по тому, что Филадельфия описывает как «смелую цель — стать на 90 % безотходным и без мусора к 2035 году.»

Несмотря на то, что незаконные вывески не были первоочередной задачей, у кабинета министров были средства для решения этой проблемы, и облава стала забавным способом повысить осведомленность, сказал Эспозито.

«хищные вывески», — сказал Эспозито. «Люди чувствуют себя неуважаемыми и преследуемыми». правонарушение и до 2000 долларов за знак за второе правонарушение.

Для людей, рекламирующих свой бизнес или музыкальные мероприятия, группа просто звонит, чтобы сообщить им, что такие публикации являются незаконными, что может стать неожиданностью, сказал Эспозито. А вот по хищническим признакам она намерена найти и оштрафовать виновных.

Город сотрудничает с Trash Academy — проектом Mural Arts Philadelphia, которая позиционирует себя как крупнейшую в стране программу паблик-арта, — чтобы превратить вывески во что-то полезное. Это часть серии художественных проектов Trash Academy, которые подчеркивают необходимость устранения одноразового пластика из потока отходов.

Академия мусора была открыта летом 2015 года по инициативе собрания сообщества на юге Филадельфии, говорит Шари Херш, руководитель проекта в Mural Arts.

«Прежде всего, больше, чем зеленые насаждения, больше всего на свете общество больше всего беспокоило мусор», — сказала она. Так родилась Академия мусора, работающая с районами над образованием, организацией на низовом уровне и созданием инновационных решений для борьбы с мусором.

Прямо сейчас группа все еще пытается определить, что можно создать из вывесок, и работает с дизайнерским магазином, который взаимодействует с сообществами по паблик-арту.Он обратится к публике, чтобы помочь создать работы во время Недели росписи в октябре.

«Важно повысить осведомленность, — сказала она, — что независимо от того, используете ли вы эти знаки во благо или во зло, они окажутся в мусоре или на свалке».

Устранение размытости изображений дорожных знаков на основе образцов

Abstract

Размытие движения, появляющееся на изображениях дорожных знаков, может привести к плохим результатам распознавания, поэтому очень важно изучить, как устранять размытость изображений.В этой статье предлагается новый метод устранения размытия дорожных знаков на основе образцов, а также несколько связанных подходов. Во-первых, предлагается метод построения образцового набора данных, основанный на стратегии разделения нескольких размеров, чтобы снизить затраты на вычисление сопоставления образцов. Во-вторых, критерий сопоставления, основанный на информации о градиенте и коэффициенте энтропийной корреляции, также предлагается для повышения точности сопоставления. В-третьих, L 0,5 -норма введена как элемент регуляризации для поддержания разреженности ядра размытия.Эксперименты подтверждают превосходство предложенных подходов, а обширные оценки по сравнению с современными методами демонстрируют эффективность предложенного алгоритма.

Образец цитирования: Li H, Qiu T, Luan S, Song H, Wu L (2018) Размытие изображений дорожных знаков на основе образцов. ПЛОС ОДИН 13(3): e0191367. https://doi.org/10.1371/journal.pone.0191367

Редактор: А. Ленин Фред, Мар Ефрем Колледж инженерии и технологии, ИНДИЯ

Поступила в редакцию: 3 октября 2017 г .; Принято: 3 января 2018 г.; Опубликовано: 7 марта 2018 г.

Авторские права: © 2018 Li et al.Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Все соответствующие данные содержатся в документе и в его файлах вспомогательной информации.

Финансирование: Финансируется Национальным фондом естественных наук Китая 61172108 для TQ, Фондом общих научных исследований Комитета по образованию Ляонина L2014540 для HL и фондами фундаментальных исследований для центральных университетов DC201502060405 для HL. Спонсоры не участвовали в разработке исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Система распознавания дорожных знаков (TSR) является важной подсистемой для систем помощи водителю, автоматических транспортных систем и систем инвентаризации знаков и т. д. На обнаруженных изображениях дорожных знаков может появиться размытие движения (рис. 1), что может создать серьезную угрозу последующему распознаванию и повлиять на производительность всей системы [1,2,3,4].Поэтому восстановление изображения размытого дорожного знака имеет большое значение.

Обычно устранение размытия изображений дорожных знаков можно рассматривать как задачу слепой деконволюции, с помощью которой можно оценить четкое изображение и ядро ​​размытия. В предположении пространственно-инвариантной модели процедуру размытия можно изобразить как (1) где Y обозначает размытое изображение, X обозначает скрытое резкое изображение, k обозначает ядро ​​размытия, n обозначает член шума и ⊗ обозначает оператор свертки.

В настоящее время методы устранения размытия изображения можно разделить на четыре основных типа: максимальная апостериорная оценка (MAP), оценка максимального маргинального распределения, обнаружение выступающих краев (SED) и глубокое обучение [5,6]. Среди методов, упомянутых выше , метод SED привлек широкое внимание из-за превосходных результатов восстановления. В рамках традиционных методов MAP метод SED использует явное или неявное извлечение информации о границах и обеспечивает оценку ядра размытия.В результате также было предложено множество методов абстрагирования SED [7,8], которые эффективно подтолкнули к развитию устранения размытия изображения. Однако SED не может хорошо работать, когда выступающие края не существуют, поскольку SED требует эвристической фильтрации изображения и определенного порогового значения во время процедуры выбора выступающих краев [9,10]. К счастью, в ссылке [9] предлагается метод удаления размытия для изображений лиц, основанный на экземплярах, для решения проблемы нескольких текстур, упомянутой выше, что в точности соответствует ситуации, возникающей при удалении размытия дорожных знаков, поскольку многие из них имеют одинаковую или, по крайней мере, похожую структуру. но показывать меньше текстур во внутренней области, и это приведет к неэффективной информации о краях.Очевидно, что в исследовании устранения размытия дорожных знаков по-прежнему остается пробел. Между тем, из-за заметной стоимости вычислений при сопоставлении образцов в [9] следует также рассмотреть вопрос о том, как сократить временные затраты [11].

В этой статье предлагается новый метод устранения размытия дорожных знаков на основе образцов. Он направлен на то, чтобы справиться с тем фактом, что похожие дорожные знаки имеют схожие контуры, но лишены богатой внутренней текстуры. Чтобы решить эту проблему, сначала мы предлагаем метод построения образцового набора данных, и он использует стратегию разделения с несколькими размерами, чтобы снизить затраты времени на расчет во время сопоставления образцов.Во-вторых, мы также предлагаем новый критерий сопоставления образцов с помощью информации о градиенте и коэффициента энтропийной корреляции, который может повысить точность сопоставления. В-третьих, элемент регуляризации L 0,5 -norm также используется для поддержания разреженности ядра размытия. Результаты эксперимента подтверждают эффективность предложенного метода.

Связанная работа

В последние годы было сделано много подходов, основанных на статистическом априорном и явном краях, и поэтому был достигнут огромный прогресс в методе устранения размытия для одного изображения.

Устранение размытости изображения считается некорректной задачей. Чтобы решить эту проблему, для ограничения решения часто используются статистические априорные значения ядра естественного изображения и размытия. Кришнам [12] предлагает нормализованную априорную разреженность ( L 1 / L 2 -норма), которая может дать истинно точное решение входного изображения. Михали и Ирани [13] используют сходство между участками изображения в качестве априорного, что эффективно характеризует резкое изображение и демонстрирует более высокую надежность. В ссылках [14–16] используется распределение градиента с тяжелыми хвостами до того, как предпочтение отдается изображению природы, поскольку распределение является разреженным. Однако эти методы часто создают сложные проблемы оптимизации, что приводит к высокой сложности вычислений при оценке ядра. В [17] предлагается градиент, предварительно ограниченный нормой L 0 , что упрощает оптимизацию и обеспечивает быструю сходимость. В [10] рассматривается метод априорного градиента в сочетании с яркостью, ограниченной нормой L 0 , и этот метод может оценить ядро ​​размытия на основе надежного промежуточного скрытого изображения и избежать сложного выбора края.Между тем, он показывает превосходную производительность при удалении размытия текстовых изображений.

После того, как Jiain [18] предложил метод обнаружения существенных краев (SED) в рамках MAP, ряд связанных подходов также рассматривается в [7,19,20]. Джоши и др. [19] проводят оценку ядра размытия по выступающим краям размытого изображения. Чо и др. [20] предлагают метод SED, основанный на вычислении градиента изображения, двухполосной фильтрации и обработке порогового значения градиента. Сюй и др. [7] предлагают метод автоматического выбора градиента для устранения необъяснимых краевых структур.Эти методы можно использовать для оценки ядра размытия для изображений с очевидными краями, но они часто не работают в случаях дорожных знаков без насыщенных текстур.

Для решения этой проблемы предлагаются методы, основанные на экземплярах [9, 21]. ХаКоэн и др. [21] предлагают метод, который использует четкий эталонный пример для руководства. Однако для этого метода требуется эталонное изображение с тем же содержимым, что и размытое изображение, что может оказаться нецелесообразным. Панет и др. [9] предлагает метод устранения размытия изображения лица на основе образцов, который имеет более практическое применение, поскольку он отказывается от требования одинакового содержания.Однако стоимость расчета образцового набора данных по-прежнему высока[11], и ее необходимо учитывать.

В этой статье предлагается метод построения эталонного набора данных с помощью стратегии разделения нескольких размеров для снижения временных затрат, а также новый критерий сопоставления, который может повысить точность сопоставления. Тем временем вводится элемент регуляризации L 0,5 -norm, чтобы гарантировать разреженность во время оценки ядра размытия.

Предлагаемый метод

В этой главе метод устранения размытия дорожных знаков разделен на четыре этапа, и в первых трех используются подходы и модификации для улучшения конечного результата восстановления.

Структура дорожных знаков и построение набора данных

В наборе данных о дорожных знаках дорожные знаки одной категории имеют уникальный контур и цвет. Например, в немецком тесте обнаружения дорожных знаков (GTSDB) [22] запрещающие знаки имеют красный контур, а предупреждающие знаки имеют красный треугольный контур. Поскольку эти контурные структуры легче различить и их удобно получать по сравнению с внутренними структурами, их часто выбирают в качестве основных элементов дорожных знаков.

Согласно ГТСДБ, размеры распознаваемых знаков обычно варьируются от 16 х 16 до 128 х 128 пикселей, т.е. размеры ограничивающего прямоугольника дорожных знаков обычно ограничены. Следовательно, мы можем построить образец набора данных через раздел с несколькими размерами, а затем соответствующий набор данных маски следующим образом.

Во-первых, нам нужно создать образец набора данных.

Набор данных делится на N разделов, и каждый из них становится подмножеством размером (2) Где n = 1,2,⋯, N обозначает порядок подмножества, p = 1,2,⋯, P обозначает порядок с несколькими размерами, P обозначает максимальный порядок, v n обозначает начальный размер для каждого подмножества, δ p обозначает интервал размера подмножества.По мере увеличения кратного порядка p δ p также будет увеличиваться. Во время процедуры сопоставления образцов подмножество будет автоматически выбрано в соответствии с размером окружающего прямоугольника размытого знака. Таким образом, расчет соответствия будет выполняться только для выбранного подмножества, а не для всего набора данных, что приводит к значительному снижению стоимости расчета.

Во-вторых, нам нужно получить контурные маски и создать набор данных маски.

Исходные контуры обычно располагаются вручную, и все структуры могут быть в конечном итоге получены путем дальнейшего использования управляемого фильтра[23] и метода Оцу [24] для уточнения, см. рис. 2.

Образец, соответствующий

Вообще говоря, сопоставление образцов означает определение наиболее похожего образца после сравнения размытого изображения с каждым образцом из набора данных. Следовательно, критерий соответствия играет важную роль в измерении сходства.

Критерий соответствия, предложенный в статье, называется методом согласования информации о градиенте и коэффициента энтропийной корреляции (GECC), поскольку он объединяет информацию о градиенте и коэффициент энтропийной корреляции (ECC). И это можно изобразить следующим образом.

Если Y является тестовым изображением, ECC для образца можно описать как [25] (3) где i обозначает порядок экземпляра, E i обозначает i -й экземпляр, H( Y ) и H( E

  • i) обозначают энтропию i размытое изображение и образцовое изображение соответственно. MI( Y , E i ) обозначает взаимную информацию (MI) между Y и E i и может быть описан как (4) где H( Y , E i ) обозначает совместную информационную энтропию для Y и E i .Взаимная информация описывает статистическую корреляцию и взаимную информацию, совместно используемую двумя изображениями. Чем более похожи два изображения, тем больше будет корреляция и взаимная информация.

    Поскольку градиент изображения содержит пространственную информацию, его можно ввести в коэффициент энтропийной корреляции для получения более точных результатов сопоставления подобия. Информационная функция градиента [26] между двумя изображениями может быть изображена следующим образом (5) Где x , x ‘Подставка для локации пикселя в изображении y и пиксель в Exemplar E I соответственно, ∇ x ( Σ ) и ∇ x ( Σ ) обозначает градиентные векторы для x , x , α , α , x , x ‘ ( σ ) обозначает угол между градиентом векторов x , x ′ и может быть определен как где ω ( α x , x ( σ )) является функцией оценки для двух относительных пикселей в двух изображениях и может быть определена как 2 6 σ

    Таким образом, предлагаемое совпадающее измерение может быть определено как (6)

    Если изображения Y и E i подобны, то GECC( Y , E i ) имеет тенденцию быть большим, иначе он будет большим. Следовательно, среди всех экземпляров тот, который имеет наибольший GECC ( Y , E i ), будет считаться совпавшим экземпляром T , а значит, он наиболее похож на размытый изображение.

    S обозначает извлеченное заметное ребро из совпадающего экземпляра и может быть определено как (7) где ∇ T обозначает изображение градиента для T , M обозначает изображение бинарной маски для соответствующего контура T и • обозначает оператор умножения массива.

    Оценка ядра размытия движения

    В этом разделе мы будем использовать выступающее ребро ∇ S для оценки ядра размытия движения. В рамках MAP мы можем восстановить скрытое четкое изображение X и ядро ​​размытия k из размытого изображения . Y в соответствии с моделью ниже (8) где ∇ X обозначает градиентное изображение скрытого резкого изображения X . Первый член в уравнении (8) обозначает элемент правдоподобия, а второй и третий являются членами регуляризации для ∇ X и k соответственно. λ и γ — соответствующие веса.

    Проблема оценки ядра размытия в движении может быть решена с помощью альтернативного метода минимизации, как показано ниже.

    (9)(10)

    В уравнении (9) L 0 -норма используется для сохранения резкого края и исключения деталей из резкого изображения. В уравнении (10) член регуляризации с α = 0,5 используется для улучшения разреженности и стабильности ядра размытия.

    Чтобы решить оптимизацию в уравнении (9), мы применяем метод, аналогичный показанному в [27], и используем вспомогательную переменную ∇ X , и модель можно переписать как (11) где β — скалярный вес, который увеличивается в 2 раза на итерациях.Решение уравнения (11) будет приближаться к решению уравнения (9), когда β приближается к бесконечности. Таким образом, мы можем решить уравнение (11), поочередно получая решения X и h . И мы всегда можем получить промежуточное скрытое изображение X на каждой итерации следующим образом (12)

    Для уравнения (12) мы можем использовать быстрое преобразование Фурье (БПФ), чтобы получить решение оптимизации, и его решение в закрытой форме будет (13) где F (⋅) и F 1 (⋅) обозначают БПФ и обратное БПФ соответственно, ∂ x и ∂ y 90 обозначает комплексно-сопряженный оператор.

    После того, как мы получим X согласно уравнению (13), мы также можем получить вспомогательную переменную h следующим образом (14)

    Для решения уравнения (10) [16] мы используем метод наименьших квадратов с повторным взвешиванием с ограничениями (IRLS). Обычно задача оптимизации для IRLS сводится к задаче квадратичного программирования, и ее можно решить с помощью метода двойного активного множества.

    Оценка ядра размытия в движении может быть решена как Алгоритм 1.

    Алгоритм 1: Оценка ядра размытия в движении на основе выступающего края образца

    Ввод: Размытое изображение Y , предполагаемые выступающие края ∇ S .

    для ite = 1→Ite_maxi до

    решить для ядра k с помощью уравнения ().

    X ← Y, β ← 2 λ

    повтор

    решить уравнение для жилья ().

    найти X с помощью уравнения ().

    вычислить ∇ X для X .

    β ←2 β .

    до β >10 5

    С ←∇ Х

    конец для

    Вывод: Размытие ядра k и промежуточный латент X .

    Наконец, скрытое изображение можно оценить с помощью ряда неслепых методов свертки, когда определяется ядро ​​размытия движения. В этой статье мы выбираем неслепой метод удаления размытия, предложенный в [28], для восстановления скрытого изображения.

    Эксперимент и анализ

    Чтобы убедиться в превосходстве предложенного метода, мы проведем первые три эксперимента, направленные на оценку затрат времени на сопоставление, точность сопоставления и разреженность ядра размытия, а затем два эксперимента, в основном, на общие результаты для синтетических изображений и реальные изображения.

    Оценочные эксперименты выполняются в MATLAB на процессоре Intel Core i3-4150 с 4 ГБ ОЗУ. Во всех экспериментах параметры λ , γ и Ite_maxi установлены равными 0,002, 0,01 и 50 соответственно.

    Эксперимент 1: сравнение стоимости времени согласования

    1. (1). Настройка параметров и соответствующее руководство по созданию образцового набора данных

    В предлагаемом методе построения образцового набора данных весь образцовый набор данных делится на несколько подмножеств. Вместо интервалов одинакового размера здесь используются интервалы нескольких размеров в соответствии с тем фактом, что размер интервала более компактен на подмножествах меньшего размера, чем на больших.

    Создавая примерный набор данных из German Traffic Sign Recognition Benchmark (GTSRB) [29] с N = 13 и P = 4, мы можем получить 3 подмножества, когда размеры находятся в диапазоне [1630] с δ 1 = 5, 3 поднабора при [3158] с δ 2 = 7, 4 поднабора при [5988] с δ = 13.

    Таким образом, набор данных делится на 13 подмножеств, которые будут выбраны соответственно в соответствии с размером прямоугольника, охватывающего размытый дорожный знак, во время сопоставления образцов. Для каждого подмножества будет выбрано 50 экземпляров, и всего будет получено 650 экземпляров для всего набора данных.

    1. (2). Субъекты эксперимента и ход эксперимента

    Собраны 10 четких изображений в диапазоне размеров [7075], в том числе 2 знака ограничения скорости 20 километров в час (км/ч), 4 знака 30 км/ч, 2 знака уступи дорогу и 2 знака остановки. Каждое изображение размывается 8 различными ядрами и получается 80 тестовых изображений.

    Максимальный отклик нормализованной взаимной корреляции (NCC) будет использоваться в качестве инструмента измерения для обоих методов.

    Экспериментальные результаты по затратам времени расчета сопоставления показаны в таблице 1.

    Согласно табл. 1, производительность предложенного метода превосходит [9] по скорости расчета. Основная причина заключается в том, что размер подмножества, участвующего в сопоставлении, значительно уменьшается по сравнению с исходным набором данных, использованным в [9].

    Эксперимент 2: Сравнение точности сопоставления

    Для проверки точности предложенного метода в качестве сравнивающих оппонентов выбраны некоторые классические методы, такие как нормализованная кросс-корреляция (NCC), взаимная информация (MI) и коэффициент энтропийной корреляции (ECC).

    50 пар изображений выбираются из GTSRB. Изображения в каждой паре имеют один и тот же дорожный знак, но немного отличаются по размеру и фону. Половина изображений используется в качестве образцового набора данных, а другая половина используется в качестве тестового набора.Каждое изображение из тестового набора будет обрабатываться 8 ядрами размытия, указанными в ссылке [14], и 11 уровнями шума (0% — 10%).

    В этом эксперименте в качестве измерения используется коэффициент успешности, и результат считается совпадающим только в том случае, если совпадающий образец является соответствующим в тестовом наборе. Коэффициент успешности r s определяется следующим образом (15) где N t — общее количество тестовых изображений, а N m — количество успешно сопоставленных изображений.

    Результаты коэффициента успешности показаны в таблице 2.

    Согласно таблице 2, предложенный GECC превосходит все остальные три метода.

    Помимо статистических результатов, на рис. 3 также показаны визуальные результаты.

    Рис. 3. Сравнение результатов сопоставления.

    (a)—(f) обозначают резкое изображение, соответствующее размытое изображение, результат NCC, MI, ECC и наш метод, соответственно, примерно пример ограничения скорости 20 знаками. (g)—(l) обозначают резкое изображение, соответствующее размытое изображение, NCC, MI,ECC и наш метод, соответственно, о другом примере знаков уступить дорогу.

    https://doi.org/10.1371/journal.pone.0191367.g003

    Очевидно, что в обоих примерах, показанных на рис. 3, GECC и NCC преуспевают в сопоставлении результатов, в то время как MI и ECC терпят неудачу, что совпадает со статистикой результаты, показанные в таблице 2, показывают, что и GECC, и NCC имеют более высокую точность, чем MI и ECC.

    MI очень чувствителен к перекрытию изображений, а ECC выводится из MI. Как MI, так и ECC игнорируют пространственную информацию, содержащуюся в изображениях, что означает, что случайное перетасовка вокселей изображения (идентичное для обоих изображений) дает то же значение ECC или MI, что и для исходных изображений. И это может привести к дилемме для сопоставления образцов: перетасованное изображение может иметь большее значение MI или ECC, чем наиболее подходящее. С другой стороны, GECC использует информацию о градиенте и успешно избегает дилеммы, упомянутой выше.

    Эксперимент 3: сравнение разреженности ядра

    Для проверки разреженности оцененных ядер размытия проводятся эксперименты между предложенным методом и методом в [9]. Поскольку ядра имеют разреженные функции, разреженность измеряется с точки зрения подобия ядра [9].

    6 изображений выбираются из набора данных GTSRB, и они размываются 8 различными ядрами размытия, в результате чего получается 48 тестовых изображений. Результаты показаны на рис. 4.

    Согласно рис. 4, наш метод с использованием нормы L 0,5 демонстрирует лучшее сходство по сравнению с [9] с использованием нормы L 2 в целом.

    Визуальные результаты для различных норм приведены на рис. 5.

    Из рис. 5 видно, что ядра, оцененные нашим методом, имеют тенденцию быть более разреженными, чем ядра, полученные в [9], и между тем по сравнению с реальным ядром размытия наши ядра более похожи.

    В модели оценки ядра размытия из ссылки [9] используется норма L 2 , которая может гарантировать стабильность, но не описывает разреженность ядра размытия. Согласно [16], мы можем добиться лучшей разреженности, когда норма меньше 1, что дает нам основание использовать в нашем методе лучшую норму, например, 0,5. Однако лучшая разреженность также достигается за счет более высокой сложности вычислений.

    Эксперимент 4: Оценка восстановления для синтетического набора данных

    Чтобы проверить эффективность восстановления предложенного метода, мы сравнили его с современными методами, такими как SED[7], предварительная разреженность [12, 15,16,17] и образцы[9].Все используемые коды предоставлены авторами оригинальных статей просто для справедливости. При восстановлении изображения мы применяем неслепой метод деконволюции из [28] с теми же параметрами.

    50 изображений выбираются из GTSRB и размываются 8 различными ядрами размытия, что генерирует 400 тестовых изображений.

    Коэффициент ошибок r ошибка первоначально представлена ​​в справочнике [14] и объясняется следующим образом (16) Где I ek и I tk обозначают восстановленные образы через оценочное ядро ​​и истинное ядро ​​соответственно. I t обозначает истинное изображение. std(⋅) обозначает стандартное отклонение.

    При определенном коэффициенте ошибок процент успешных попыток означает отношение количества протестированных изображений ниже этого коэффициента ошибок к общему количеству протестированных изображений.

    Очевидно, что при определенном коэффициенте ошибок чем выше процент успешных попыток, тем лучше будет качество восстановленного изображения. Совокупные коэффициенты ошибок показаны на рис. 6.

    Из рис. 6 видно, что кривая предлагаемого метода выше других кривых в целом, что свидетельствует о его лучшей производительности.Таким образом, наш метод превосходит другие современные методы в синтетическом удалении размытия изображений дорожного движения.

    Наглядный пример и соответствующие коэффициенты ошибок можно найти на рис. 7.

    Рис. 7. Сравнение устранения размытия для синтетических изображений.

    (a) обозначает входное изображение и реальное ядро ​​размытия. (b) обозначает согласованный образец. (c) обозначает предсказанное ∇ S . (d)—(j) обозначают результаты устранения размытия Кришнана [12], Сюй и др. [17], Шаня [15], Сюй и Цзя [7], Левина [16], Пана [9] и нашего метода соответственно. .В (d)-(j) каждое изображение включает изображение с устранением размытия, расчетное ядро ​​и коэффициент ошибок.

    https://doi.org/10.1371/journal.pone.0191367.g007

    С помощью предложенного метода мы можем получить более четкую контурную структуру на восстановленном изображении и более похожее ядро ​​размытия. Мы также можем обнаружить, что метод устранения размытия на основе SED [7] и методы, основанные на априорной разреженности [12,16,15,17], приводят к очевидному искусственному эффекту, поскольку методы, основанные на априорной разреженности, не могут описать контуры дорожных знаков. и те, которые основаны на SED, не могут получить надежную информацию о выступающих краях из размытых изображений дорожных знаков.

    Для дополнительной проверки эффективности предлагаемого метода на рис. 8 приведен еще один пример с еще более сильным размытием.

    Рис. 8. Пример устранения размытия с более сильным размытием.

    (a) обозначает входное изображение и реальное ядро ​​размытия. (b) обозначает согласованный образец. (c) обозначает предсказанное ∇ S . (d)—(j) обозначают результаты устранения размытия Кришнана [12], Сюй и др. [17], Шаня [15], Сюй и Цзя [7], Левина [16], Пана [9] и нашего метода соответственно. . В (d)-(j) каждое изображение включает изображение с устранением размытия, расчетное ядро ​​и коэффициент ошибок.

    https://doi.org/10.1371/journal.pone.0191367.g008

    Рис. 7(B) и Рис. 8(B) демонстрируют наиболее подходящие образцы двух примеров. Внутренняя структура совмещенного образца для рис. 7 несколько отличается от структуры тестового изображения, в то время как образец на рис. 8 и тестовые изображения имеют разные дорожные знаки, но аналогичную структуру контуров. Из рис. 8 видно, что ядро ​​размытия по-прежнему может быть эффективно оценено с помощью предложенного метода, несмотря на то, что имеются только похожие контуры, но разные внутренние структуры.

    Эксперимент 5: оценка восстановления реальных изображений

    В этой части используются реальные изображения дорожных знаков для проверки эффективности предложенного метода. На рис. 9 показаны результаты устранения размытия для реального изображения дорожных знаков.

    Рис. 9. Пример реального захваченного изображения.

    (a) обозначает реальное захваченное изображение. (b) обозначает согласованный образец. (c) обозначает предсказанное ∇ S . (d)—(j) обозначают результаты устранения размытия Krishnan [12], Xu et al.[17], Shan [15], Xu & Jia [7], Levin [16], Pan [9] и наш метод соответственно. В (d)-(j) каждое изображение включает в себя изображение с устранением размытия и оцененное ядро.

    https://doi.org/10.1371/journal.pone.0191367.g009

    Из рис. 9 очевидно видно, что методы из ссылок [7, 9, 15] все еще имеют искусственный эффект, в то время как методы из [12,16, 17] приводят к заметному искажению и размытию. Предлагаемый нами метод превосходит эти методы в результатах устранения размытия.

    Эксперимент 6: оценка восстановления для синтетических изображений с различными сценариями

    В этой части синтетические изображения дорожных знаков используются для проверки эффективности предлагаемого метода.На рис. 10–14 показаны результаты устранения размытия для синтетических дорожных знаков с различными сценариями.

    Рис. 10. Результаты устранения размытия синтетических дорожных знаков в солнечный день.

    (a) обозначает входное изображение и реальное ядро ​​размытия. (b) обозначает размытое изображение. (c) и (d) обозначают результаты устранения размытия Pan[9] и нашего метода соответственно.

    https://doi.org/10.1371/journal.pone.0191367.g010

    Рис. 11. Результаты удаления размытия для синтетических дорожных знаков в облачное дневное время.

    (a) обозначает входное изображение и реальное ядро ​​размытия l. (b) обозначает размытое изображение. (c) и (d) обозначают результаты устранения размытия Pan[9] и нашего метода соответственно.

    https://doi.org/10.1371/journal.pone.0191367.g011

    Рис. 12. Результаты удаления размытия для синтетических дорожных знаков в туманное дневное время.

    (a) обозначает входное изображение и реальное ядро ​​размытия. (b) обозначает размытое изображение. (c) и (d) обозначают результаты устранения размытия Pan[9] и нашего метода соответственно.

    https://doi.org/10. 1371/journal.pone.0191367.g012

    Рис. 13. Результаты удаления размытия для синтетических дорожных знаков поздним утром.

    (a) обозначает входное изображение и реальное ядро ​​размытия. (b) обозначает размытое изображение. (c) и (d) обозначают результаты устранения размытия Pan[9] и нашего метода соответственно.

    https://doi.org/10.1371/journal.pone.0191367.g013

    Рис. 14. Результаты удаления размытия для синтетических дорожных знаков ранним вечером.

    (a) обозначает входное изображение и реальное ядро ​​размытия. (b) обозначает размытое изображение. (c) и (d) обозначают результаты устранения размытия Pan[9] и нашего метода соответственно.

    https://doi.org/10.1371/journal.pone.0191367.g014

    Из рис. 10–14 ясно видно, что оценка ядра размытия в движении более четкая, чем оценка по [9], и предлагаемый метод выполняет лучше в обычных сценариях.

    Заключение и будущая работа

    На основе примеров в этой статье предлагается новый метод устранения размытости изображения дорожного знака. Используя стратегию разделения с несколькими размерами, мы предлагаем новый метод построения набора данных, который значительно снижает затраты времени на расчет во время сопоставления образцов. Мы также предлагаем пример критерия соответствия под названием GECC, который сочетает в себе как пространственную информацию, так и ECC, и может помочь достичь большей точности. Во время процедуры оценки ядра мы вводим член регулирования с нормой L 0,5 , чтобы улучшить разреженность ядра.

    Эксперименты подтверждают превосходство предложенных подходов, а обширные оценки современных алгоритмов устранения размытия показывают, что предложенный алгоритм эффективен для устранения размытия изображений дорожных знаков.Будущая работа будет сосредоточена на оценке критерия степени размытия изображения и дальнейшем улучшении реального времени.

    Благодарности

    Работа выполнена при финансовой поддержке Национального фонда естественных наук Китая (61172108), Фонда общих научных исследований Образовательного комитета Ляонина (L2014540), Фонда фундаментальных исследований для центральных университетов (DC201502060405). Авторы признательны доктору Джиншану Пану и доктору Даниэлю Зорану за их помощь.

    Каталожные номера

    1. 1.Флейех Х., Догерти М. Обнаружение и распознавание дорог и дорожных знаков. Журнал ветеринарной медицины. 2005 г.; 52(6):278–283.
    2. 2. Chourasia K, Chourasia J N. Обзор и сравнительный анализ последних достижений в области методов обнаружения и распознавания дорожных знаков. САМРИДДХИ: ЖУРНАЛ ФИЗИЧЕСКИХ НАУК, ТЕХНИКИ И ТЕХНОЛОГИЙ. 2011 г.; 2(1):27–34.
    3. 3. Fu MY Y, Huang Y S. Обзор распознавания дорожных знаков. 2010 Международная конференция по вейвлет-анализу и распознаванию образов (ICWAPR).IEEE. 2010 г.; 119–124.
    4. 4. Гомес-Морено Х., Мальдонадо-Баскон С., Гил-Хименес П., Лафуэнте-Арройо С. Целевая оценка алгоритмов сегментации для распознавания дорожных знаков. Транзакции IEEE в интеллектуальной транспортной системе. 2010 г.; 11(4): 917–930.
    5. 5. Ли С., Чо С. Последние достижения в области устранения размытия изображения. Курс SIGGRAPH Азия 2013; 2013.
    6. 6. Цзя Дж. Математические модели и практические решатели для устранения размытия при равномерном движении. Издательство Кембриджского университета; 2014.
    7. 7. Сюй Л., Цзя Дж. Двухфазная ядерная оценка для надежного устранения размытости движения. Европейская конференция по компьютерному зрению. 2010 г.; 157–170.
    8. 8. Пан Дж.С., Лю Р.С., Су ZX, Гу XF. Оценка ядра на основе заметной структуры для надежного устранения размытости движения. Обработка сигналов: передача изображений. 2013; 28(9):1156–1170.
    9. 9. Пан Дж.С., Ху З., Су З.С., Ян М.Х. Размытие изображений лиц с помощью образцов, Европейская конференция по компьютерному зрению (ECCV). 2014; 47–62.
    10. 10. Пан Дж.С., Ху З., Су З.С., Ян М.Х. L0-Regularized Intensity and Gradient Prior для устранения размытия текстовых изображений и других целей. Транзакции IEEE по анализу образов и машинному интеллекту (TPMI). 2017; 39(2): 342–355.
    11. 11. Пан Дж.С., Сан Д.К., Пфистер Х., Ян М.Х. Удаление размытия слепого изображения с использованием априорного темного канала. Конференция IEEE по компьютерному зрению и распознаванию образов (CVPR). 2016; 1628–1636 гг.
    12. 12. Кришнан Д., Тай Т., Фергус Р. Слепая деконволюция с использованием нормализованной меры разреженности.Конференция IEEE по компьютерному зрению и распознаванию образов. 2011 г.; 2657–2664.
    13. 13. Михаэли Т., Ирани М. Слепое удаление размытия с использованием повторения внутреннего исправления. Европейская конференция по компьютерному зрению. 2014; 783–798.
    14. 14. Левин А., Вайс Ю., Дюран Ф., Фримен В.Т. Понимание и оценка алгоритмов слепой деконволюции. Конференция IEEE по компьютерному зрению и распознаванию образов. 2009 г.; 1964–1971 гг.
    15. 15. Shan Q, Jia J, Agarwala A. Высококачественное устранение размытия движения на одном изображении. Графика ACMTransactions. 2008 г.; 27(3):73.
    16. 16. Левин А., Вайс Ю., Дюран Ф., Фримен В.Т. Эффективная оптимизация предельного правдоподобия в слепой деконволюции. Конференция IEEE по компьютерному зрению и распознаванию образов. 2011 г.; 2657–2664.
    17. 17. Сюй Л., Чжэн С., Цзя Дж. Неестественное разреженное представление L0 для естественного устранения размытия изображения. В: ЦВПР. 2013; 1107–1114 гг.
    18. 18. Цзя Дж. Устранение размытости при движении одиночного изображения с использованием прозрачности. Конференция IEEE по компьютерному зрению и распознаванию образов.2007 г.; 1–8.
    19. 19. Джоши Н., Шелиски Р., Кригман Д. Дж. Оценка PSF с использованием предсказания острых краев. Конференция IEEE по компьютерному зрению и распознаванию образов. 2008 г.; 1–8.
    20. 20. Чо С., Ли С. Удаление размытия в быстром движении. Транзакции ACM на графике. 2009 г.; 28(5):145.
    21. 21. ХаКоэн Ю. , Шехтман Э., Лищински Д. Удаление размытия на примере с использованием плотной корреспонденции. Международная конференция по компьютерному зрению. 2013; 2384–2391.
    22. 22.Немецкий тест обнаружения дорожных знаков, доступен по адресу: http://benchmark.ini.rub.de/?section=gtsdb&subsection=dataset.
    23. 23. He K, Sun J, Tang X. Управляемая фильтрация изображений. Европейская конференция по компьютерному зрению. 2010 г.; 1–14
    24. 24. Оцу Н. Метод порогового выбора из гистограмм серого. Транзакции IEEE по системам, человеку и кибернетике. 1979 год; 9(9):62–66.
    25. 25. Maes F, Collignon A, Vandermeulen D, et al.Мультимодальная регистрация изображений путем максимизации взаимной информации. Транзакции IEEE по медицинской визуализации. 1997 год; 16(2):187–198.
    26. 26. Плуим Дж. П. В., Майнц Дж. Б. А., Виргевер М. А. Регистрация изображений путем максимизации комбинированной взаимной информации и информации о градиенте. Транзакции IEEE по медицинской визуализации. 2000 г.; 19(8): 809–814. пмид:11055805
    27. 27. Xu L, Lu C, Xu Y, Jia J. Сглаживание изображения с помощью минимизации градиента L 0 . Транзакции ACM на графике.2011;30:174.
    28. 28. Левин А., Фергюс Р., Дюран Ф., Фриман Б. Изображение и глубина с обычной камеры с кодированной апертурой. АКМ Транс. График, 2007; 26(3):70.
    29. 29. Сталкамп Дж., Шлипсинг М., Салмен Дж., Игель С. Человек против компьютера: бенчмаркинг алгоритмов машинного обучения для распознавания дорожных знаков. Нейронные сети. 2012 г.; 32(2):323–332.

    13 декабря 2018 г. ЗАГОЛОВКИ – Northern Kittitas County Tribune

    НОВОСТИ ПЕРВОЙ СТРАНИЦЫ:

    • Пожертвования наполняют семейные рождественские корзины – (фотографии)
    • Мохар-роуд снова открылась для движения в прошлую пятницу! – (фото)
    • Дух Польского Альянса
    • Цепочка или оплата на Snoqualmie Pass в этом зимнем сезоне
    • Перезагрузка Northern Exposure в разработке

    ГОСУДАРСТВЕННЫЕ И РЕГИОНАЛЬНЫЕ НОВОСТИ:

    • Отчет о снегопаде
    • Возобновление отлова для исследования «хищник-жертва» на северо-востоке Вашингтона
    • Зимнее солнцестояние
    • Рональд Винтерфест освещает декабрьское ночное небо – (фото)
    • Местные налоги с продаж повышаются в трех городах Вашингтона
    • События на горизонте
    • Государственный секретарь удостоверяет исторически высокую явку промежуточных выборов 2018 года
    • В Cle Elum теперь можно наполниться или зарядиться — (фото)
    • Один человек серьезно ранен в результате аварии в Лоуэр-Пео-Пойнт
    • Два новых дорожных знака в Рональде делают свое дело — (фото)
    • ‘Рыбаки выпущены в Северных каскадах
    • Что дальше для возрождения центра города Кле Элум – (фотографии)
    • Макморрис Роджерс приветствует законопроект о защите исчезающего лосося
    • Теперь у вас есть время до декабря. 31, чтобы прокомментировать правила сверхурочной работы

    ГОЛОСА:

    • Откровенно говоря: Семейный праздник Рослин [НЕ] — Традиция: фаршированные перцы мамы
    • ПИСЬМО: Как пережить Рождество (пастор оставляет совет, чтобы сосредоточиться на причине этого сезона) — Roger Campbell
    • ПИСЬМО: Министр сельского хозяйства Пердью хвалит замену правила Федеральных вод США — Сонни Пердью — U.S. Министр сельского хозяйства

    СООБЩЕСТВО:

    • Пожертвовано более 1500 фунтов еды – (фото)
    • Санта посещает пекарню Cle Elum — (фото)
    • Поддержите окружную программу наставничества молодежи с помощью приложения
    • Подарите праздничным растениям наилучший вид – (фото)
    • Граждане и спутники смотрят на птиц
    • Рождество сообщества Thorp — (фото)
    • Subaru Winner — (фото)
    • Мастерская зимних праздников Fun- (фото)
    • Магазин с полицейским и пожарным Праздничное приключение- (фото)
    • У. S. Береговая охрана отправляется в космос
    • Инаугурационная акция по сбору средств Giving Back собирает тысячи для бенефициаров – (фото)
    • Класс Кле Элума 1958 года отмечает 60-летие — (фото)
    • Программа Green Direct компании Puget Sound Energy расширяется
    • Школа Элленсбурга получила качели для инвалидных колясок – (фото)
    • РОЖДЕСТВО В CLE ELUM 2018 – Фото)

    НЕКОРОРЫ И ИЗВЕЩЕНИЯ О СМЕРТИ:

    СПОРТ И ШКОЛА:

    • Леди Уорриорз хорошо выглядят: 2:0 дома, 2:1 на выезде – (фото)
    • Место пяти воинов в «Железо точит железо» — (фото)
    • Маленькие Санта-Клаусы Истона доставляют угощения — (фото)
    • Мальчики-воины падают перед Каскадом и Начессом — (фото)
    • UKC Мужская и женская лига 8-Ball Pool
    • Старшая смешанная лига боулинга
    • Школьный обед
    • Студенты-спортсмены недели — Бейли Линделоф — Учебный центр Swiftwater — (фото)
    • В центре внимания Студент недели — Джейк Келли — Средняя школа Кле Элум-Рослин — (фото)

     

    • ПЛЮС РЕЦЕПТЫ, КОМИКСЫ, ЗАГАДКИ, ГОРОСКОП, КАЛЕНДАРЬ И ДРУГОЕ

    ФОТОРЕЛИЗ: МЭР ГАРЧЕТТИ ПОДПИСАЛ ПОСТАНОВЛЕНИЕ О СНИЖЕНИИ СКОРОСТИ НА УЛИЦАХ ГОРОДА

     

    ЛОС-АНДЖЕЛЕС  — Мэр Эрик Гарсетти сегодня провел церемонию подписания постановления, которое снизит ограничения скорости на 177 милях улиц Лос-Анджелеса. Постановление, которое было разработано городским прокурором и одобрено городским советом, стало прямым результатом принятия AB-43, законопроекта штата, возглавляемого членом Ассамблеи Лаурой Фридман, который предоставляет городам больше полномочий по контролю за ограничением скорости.

    «Нет ничего более важного, чем безопасность наших жителей, и нам нужны все имеющиеся в нашем распоряжении средства, чтобы гарантировать, что каждое решение, которое мы принимаем, ставит во главу угла их благополучие», — сказал мэр Эрик Гарсетти. «Возможность управлять ограничениями скорости на местном уровне имеет решающее значение для снижения риска смертельных случаев и серьезных травм, и после долгой борьбы на государственном и местном уровнях это постановление поможет сделать наши улицы более безопасными для всех, кто их использует.

    Мэр Гарсетти и его команда тесно сотрудничали с членом Ассамблеи Фридманом, чтобы помочь сформировать законопроект и провести его через законодательный процесс. Законопроект конкретно направлен на снижение ограничения скорости на улицах с высоким уровнем дорожно-транспортных происшествий со смертельным исходом и тяжелыми травмами или на пешеходных и велосипедных маршрутах с интенсивным движением. В соответствии с этой структурой на улицах, затронутых постановлением, будет снижено ограничение скорости в соответствии с городской программой Vision Zero, которая специально определяет городскую сеть с высоким уровнем травматизма.

    «Город Лос-Анджелес был вынужден увеличить ограничения скорости по всему городу из-за загадочного закона штата, который позволяет скоростным водителям устанавливать ограничение скорости. Это ошибочная политика, которая имела разрушительные последствия. Безрассудно быстрое вождение только увеличилось, что привело к увеличению числа дорожно-транспортных происшествий со смертельным исходом в городе на 21% в 2021 году», — сказала член Ассамблеи Лаура Фридман. «Лос-Анджелес сыграл важную роль в том, чтобы помочь мне модернизировать закон с принятием AB 43, и я ценю быстрые действия города по восстановлению безопасных ограничений скорости по всему региону.

    Перед прохождением AB-43 города должны были провести «исследование скорости» для измерения типичной скорости большинства транспортных средств, чтобы установить обязательное ограничение скорости для городской улицы. Во время последнего раунда исследований скорости, завершенного в 2018 году, город потребовал от города повысить ограничения скорости примерно на 94 мили. После подписания нового постановления городские власти получат больше автономии для принятия собственных решений в отношении ограничений скорости и сосредоточения внимания на безопасности пешеходов, велосипедистов и автомобилистов.

    «Я очень рад возможности восстановить более разумные ограничения скорости на городских улицах протяженностью 177 миль, — сказал член совета Майк Бонин. самые опасные водители. Я приветствую тяжелую работу LADOT и неустанную пропаганду более безопасных улиц».

    «Я так благодарен члену Ассамблеи Фридману за то, что он работал с нами, чтобы убедить Законодательное собрание Калифорнии вернуть Лос-Анджелесу и другим городам Калифорнии свободу действий в отношении местных ограничений скорости», — сказал член совета Пол Корец.

  • Добавить комментарий

    Ваш адрес email не будет опубликован.