• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

Том 34 №4

Содержание

  1. ПЛАСТИЧНОСТЬ ИНЕРЦИАЛЬНОЙ МАССЫ В ОРГАНЕ РАВНОВЕСИЯ В ИЗМЕНЯЮЩЕМСЯ ГРАВИТАЦИОННОМ ПОЛЕ
  2. ПСИХОФИЗИЧЕСКИЕ И НЕЙРОФИЗИОЛОГИЧЕСКИЕ ХАРАКТЕРИСТИКИ ОЦЕНКИ НАКЛОННЫХ ОРИЕНТАЦИЙ У МУЖЧИН И ЖЕНЩИН
  3. РОЛЬ МЕДЛЕННЫХ НАТРИЕВЫХ КАНАЛОВ В ГАМК- И NO-ЕРГИЧЕСКОЙ МОДУЛЯЦИИ ВОЗБУДИМОСТИ НОЦИЦЕПТИВНОГО НЕЙРОНА
  4. PROLAB: ПСИХОФИЗИЧЕСКИ РАВНОМЕРНАЯ ПРОЕКТИВНАЯ СИСТЕМА ЦВЕТОВЫХ КООРДИНАТ
  5. УСТОЙЧИВАЯ К ШУМУ В РАЗМЕТКЕ СВЕРТОЧНАЯ НЕЙРОННАЯ СЕТЬ В ЗАДАЧЕ СЕГМЕНТАЦИИ ГЛИОМ НА МРТ ИЗОБРАЖЕНИЯХ
  6. ИСПОЛЬЗОВАНИЕ ОКОННОГО ПРЕОБРАЗОВАНИЯ ХАФА ДЛЯ ПОИСКА ПРОТЯЖЕННЫХ ГРАНИЦ НА ИЗОБРАЖЕНИИ

ИСПОЛЬЗОВАНИЕ ОКОННОГО ПРЕОБРАЗОВАНИЯ ХАФА ДЛЯ ПОИСКА ПРОТЯЖЕННЫХ ГРАНИЦ НА ИЗОБРАЖЕНИИ

© 2020 г. Е. И. Панфилова1,2,3, И. А. Кунина1,2,4

1Институт проблем передачи информации им. А.А. Харкевича РАН 127051 Москва, Большой Каретный переулок, 19, Россия
e.panfilova@smartengines.com
2ООО "Смарт Энджинс Сервис"" 117312 Москва, проспект 60-летия Октября, 9, Россия
3Институт проблем управления им. В.А. Трапезникова РАН 117997 Москва, Профсоюзная улица, 65, Россия
4Московский физико-технический институт (НИУ) 141701 Долгопрудный, Институтский переулок, 9, Россия

Поступила в редакцию 30.03.2019 г.

В работе предложен алгоритм нахождения протяженных границ на изображении. Рассматривается случай, когда граница может быть приближена ломаной с ограничением на угол излома. Задачи поиска таких границ возникают при детектировании линий дорожной разметки, построении карты дорог по космическим снимкам Земли, поиске дислокаций в кристаллах на отдельных проекциях рентгеновской топо-томографии. Для поиска звеньев ломаной изображение обрабатывается скользящим окном, в каждом новом положении которого ищется прямолинейный сегмент при помощи быстрого преобразования Хафа. Далее найденные сегменты в зависимости от взаимного расположения объединяются в группы, покрывающие искомые границы, и аппроксимируются ломаными. Предложенный алгоритм был использован в задаче детектирования линий дорожной разметки для определения беспилотным транспортным средством (БПТС) своего положения на заданной векторной карте дорог. Алгоритм был протестирован на реальных данных, собранных c фронтальной камеры БПТС при проезде на полигоне “Калибр” (г. Москва). Точность детектора линий дорожной разметки составила 43%, полнота – 73%. Точность локализации БПТС с его использованием составила 0.2 м в евклидовой метрике на маршруте, что в 8 раз меньше, чем локализация без использования информации о дорожной разметке. Также алгоритм был протестирован на отдельных изображениях ДЗЗ и топо-томограммах.

Ключевые слова: детектирование границ, линии дорожной разметки, протяженные дислокации, быстрое преобразование Хафа, оконный анализ изображений

DOI: 10.31857/S0235009220030075

Цитирование для раздела "Список литературы": Панфилова Е. И., Кунина И. А. Использование оконного преобразования хафа для поиска протяженных границ на изображении. Сенсорные системы. 2020. Т. 34. № 4. С. 340–353. doi: 10.31857/S0235009220030075
Цитирование для раздела "References": Panfilova E. I., Kunina I. A. Ispolzovanie okonnogo preobrazovaniya khafa dlya poiska protyazhennykh granits na izobrazhenii [Using window hough transform for detecting elongated boundaries in an image]. Sensornye sistemy [Sensory systems]. 2020. V. 34(4). P. 340–353 (in Russian). doi: 10.31857/S0235009220030075

Список литературы:

  • Абрамов М.П., Шипитько О.С., Лукоянов А.С., Панфилова Е.И., Кунина И.А., Григорьев А.С. Система позиционирования внутри зданий мобильной робототехнической платформы на основе детекции краев. Сенсорные системы. 2019. Т. 33. № 1. С. 30–43. https://doi.org/10.1134/S0235009219010025
  • Котов А.А., Коноваленко И.А., Николаев Д.П. Прослеживание объектов в видеопотоке, оптимизированное с помощью быстрого преобразования Хафа. ИТиВС. 2015. № 1. С. 56–68.
  • Тропин Д.В., Шемякина Ю.А., Коноваленко И.А., Фараджев И.А. О локализации плоских объектов на изображениях со сложной структурой проективных искажений. Информационные процессы. 2019. Т. 19. № 2. С. 208–229.
  • Aliev M., Ershov E.I., Nikolaev D.P. On the use of FHT, its modification for practical applications and the structure of Hough image. ICMV 2018. 2019. V. 11041. https://doi.org/10.1117/12.2522803
  • Anil P.N., Natarajan S. A novel approach using active contour model for semi-automatic road extraction from high resolution satellite imagery. 2010 Second International Conference on Machine Learning and Computing. 2010. P. 263–266.
  • Bezmaternykh P.V., Nikolaev D.P. A document skew detection method using fast Hough transform. ICMV 2019. 2020. V. 11433. P. 1–6. https://doi.org/10.1117/12.2559069
  • Brady M.L., Yong W. Fast parallel discrete approximation algorithms for the Radon transform. Proceedings of the fourth annual ACM symposium on Parallel algorithms and architectures. 1992. P. 91–99.
  • Bulatov K.B., Chukalina M.V., Nikolaev D.P. Fast x-ray sum calculation algorithm for computed tomography. Bulletin SUSU MMCS. 2020. V. 13. № 1. P. 95–106. https://doi.org/10.14529/mmp200107
  • Canny J. A computational approach to edge detection. IEEE Transactions on pattern analysis and machine intelligence. 1986. № 6. P. 679–698.
  • Ding Y., Xu Z., Zhang Y., Sun K. Fast lane detection based on bird’s eye view and improved random sample consensus algorithm. Multimedia Tools and Applications. 2017. V. 76. № 21. P. 22979–22998.
  • Ershov E., Terekhin A., Nikolaev D., Postnikov V., Karpen-ko S. Fast Hough transform analysis: pattern deviation from line segment. ICMV 2015. 2015. V. 9875. P. 1–5. https://doi.org/10.1117/12.2228852
  • Fan S., Shui P., Zhang Z., Sun Y. SAR image edge detection via directional Bhattacharyya coefficient with its application on image segmentation. Eleventh International Conference on Machine Vision (ICMV 2018). 2019. V. 11041. P. 1104107.
  • Hough P.V.C. Machine analysis of bubble chamber pictures. Conf. Proc. 1959. T. 590914. P. 554–558.
  • Hough P.V.C. Method and means for recognizing complex patterns. Patent USA. No 3069654. 1962.
  • Khanipov T.M. Computational complexity lower bounds of certain discrete Radon transform approximations. arXiv preprint arXiv:1801.01054. 2018.
  • Kirthika A., Mookambiga A. Automated road network extraction using artificial neural network. 2011 International Conference on Recent Trends in Information Technology (ICRTIT). 2011. P. 1061–1065.
  • Korobov N., Shipitko O., Konovalenko I., Grigoryev A., Chukalina M. SWaP-C based comparison of onboard computers for unmanned vehicles. Proceedings of 14th International Conference on Electromechanics and Robotics “Zavalishin’s Readings”. 2019. Singapore. Springer. V. 154. P. 573–583. https://doi.org/10.1007/978-981-13-9267-2_47
  • Kunina I., Panfilova E., Gladkov A. Matching of SAR and optical images by independent referencing to vector map. Eleventh International Conference on Machine Vision (ICMV 2018). 2019. V. 11041. P. 1104102.
  • Li Y., Chen L., Huang H., Li X., Xu W., Zheng L., Huang J. Nighttime lane markings recognition based on Canny detection and Hough transform. 2016 IEEE International Conference on Real-time Computing and Robotics (RCAR). 2016. P. 411–415.
  • Limonova E.E., Bezmaternykh P.V., Nikolaev D.P., Arlazarov V.V. Slant Rectification in Russian Passport OCR System Using Fast Hough Transform. ICMV 2016. SPIE, July 2017. 2017. V. 10341. ISSN 0277-786X. ISBN 978-15-10611-31-3. P. 1–5. https://doi.org/10.1117/12.2268725
  • Limonova E.E., Tropin D.V., Savelev B.I., Mamay I.B., Nikolaev D.P. Mobile and Embedded Fast High Resolution Image Stitching for Long Length Rectangular Monochromatic Objects with Periodic Structure. IC-MV 2017. SPIE, Apr. 2018. 2018. V. 10696. ISBN 978-15-10619-41-8. P. 1–8. https://doi.org/10.1117/12.2310093
  • Lopez A., Canero C., Serrat J., Saludes J., Lumbreras F., Graf T. Detection of Lane Markings based on Ridgeness and RANSAC. Proceedings 2005 IEEE Intelligent Transportation Systems. 2005. P. 254–259.
  • Ma R., Wang W., Liu S. Extracting roads based on Retinex and improved Canny operator with shape criteria in vague and unevenly illuminated aerial images. Journal of applied remote sensing. 2012. V. 6. № 1. C. 063610.
  • Mousavi S.M.H., Lyashenko V., Prasath S. Analysis of a robust edge detection system in different color spaces using color and depth images. Компьютерная оптика. 2019. V. 43. № 4.
  • Mukhopadhyay P., Chaudhuri B.B. A survey of Hough Transform. Pattern Recognition. 2015. V. 48. № 3. P. 993–1010.
  • Radon J. Uber die Bestimmung von Funktionen durch ihre Integralwerte langs gewisser Mannigfaltigkeiten. Berichte Sachsische Acadamie der Wissenschaften, Leipzig, Math.-Phys. Kl. 1917. V. 69. P. 262–267.
  • Shipitko O., Grigoryev A. Ground Vehicle Localization With Particle Filter Based On Simulated Road Marking Image. ECMS 2018. 2018. https://doi.org/10.7148/2018-0341
  • Soshin K.V., Nikolaev D.P., Gladilin S.A., Ershov E.I. Acceleration of Summation Over Segments Using the Fast Hough Transformation Pyramid. Bulletin of the South Ural State University. Ser. Mathematical Modelling, Programming & Computer Software. 2020. V. 13. № 1. P. 129–140. https://doi.org/10.14529/mmp200110
  • Sheshkus A., Ingacheva A., Arlazarov V., Nikolaev D. HoughNet: neural network architecture for vanishing points detection. ICDAR 2019. IEEE Feb. 2020. ISSN 1520-5363. ISBN 978-17-28130-15-6. P. 844–849. https://doi.org/10.1109/ICDAR.2019.00140
  • Wang Y., Teoh E.K., Shen D. Lane detection and tracking using B-Snake. Image and Vision computing. 2004. V. 22. № 4. P. 269–280.
  • Xiao L., Li C., Zhao D., Chen T., Dai B. Road marking detection based on structured learning. 12th World Congress on Intelligent Control and Automation (WCICA). 2016. P. 2047–2051.
  • Zolotov D.A., Asadchikov V.E., Buzmakov A.V., D’yachkova I.G., Krivonosov Y.S., Chukhovskii F.N., Suvorov E.V. X-ray Diffraction Tomography Using Laboratory Sources for Studying Single Dislocations in a Low Absorbing Silicon Single Crystal. Optoelectronics, Instrumentation and Data Processing. 2019. V. 55. № 2. P. 126–132.