Загрузка...
Учебная работа. Реферат: Применение нейронных сетей в интеллектуальной системе безопасности легкового автомобиля
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ
ОТЧЕТ ПРИНЯТ
Оценка ___________
____________ М.Н. Янтудин
(подпись, дата)
Реферат
на тему
«Применение нейронных сетей в умственной системе сохранности легкового кара»
по дисциплине «Нейроинформатика»
Выполнил студент гр. ЭМ-06-01 ____________ Мустафина А.Р.
(подпись, дата)
Уфа 2010
СОДЕРЖАНИЕ
ВВЕДЕНИЕ…………………………………………………………….
3
1
Умственные системы сохранности в карах………
4
2
Постановка задачки………………………………………………….
4
3
Подготовительная обработка данных………………………………
7
4
Архитектура модульной нейронной сети и оценка приобретенных результатов………………………………………………………….
10
ЗАКЛЮЧЕНИЕ……………………………………………….………..
13
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ………………….
14
ВВЕДЕНИЕ
Одним из важных направлений при разработке современного кара является разработка систем сохранности и, а именно, умственных систем, которые разрешают гибко реагировать на экстремальные ситуации. одной из таковых систем является умственная система управления открытием подушек сохранности. Система создана для идентификации объекта, находящегося на фронтальном пассажирском сиденье легкового кара. Необходимость таковой системы идентификации обоснована 2-мя причинами, во-1-х, травмами, а время от времени и смертельными вариантами, которые имеют пространство при использовании подушек сохранности. При этом жертвами таковых ситуаций почаще всего бывают детки. И, во-2-х, подмена подушек сохранности процедура дорогостоящая и в случае отсутствия пассажира нет необходимости открывать подушечки. Умственная система сохранности обязана, исходя из результатов оптических наблюдений, скорректировать работу подушек сохранности.
1 Умственные системы сохранности в карах
Хоть какой непростой механизм, и кар тут не исключение, представляет для человека определенную опасность. А поэтому с самого начала производства разных самоходных телег изобретатели пробовали создать их как можно безопаснее для водителя, пассажиров и пешеходов. Поначалу выдумывались непонятные законы о применении сигнальщиков, бегущих с флагами впереди кара, позже же инженерная идея взяла свое. Возникло упорядоченное дорожное движение, знаки и светофоры, сама система каров повсевременно совершенствовалась во избежание появления аварийных ситуаций и для уменьшения катастрофических последствий.
Так современная сохранность кара бывает пассивной и активной. Элементы пассивной сохранности встраиваются в саму систему кара и служат как раз таки для понижения тяжести последствий от трагедии. Это усиленные элементы рамы и кузова, особые зоны деформации на бамперах и в подкапотном пространстве, также подушечки и ремни сохранности. Активные же средства сохранности нацелены на то, чтоб предупредить аварийно-опасную ситуацию, сопоставимо с тем, что на данный момент алкотестер приобрести, но ни в коем случае не двигаться опьяненным за рулем. К активным средствам причисляют оборудование, которое контролирует тяговые и сцепные характеристики кара, курсовую устойчивость и наклоны в поворотах, также торможение.
2 Постановка задачки
Существует огромное количество обычных библиотек для работы с графическими изображениями. Но для решения поставленной задачки большая часть из их не применимы из-за ряда технических качеств, таковых как низкая разрешающая способность применяемых видеокамер, внедрение широкоугольных объективов со значимой дисторсией, наличие помех в виде существенных перепадов яркости по полю изображения, требования высочайшего быстродействия. Доп условием будет то, что разрабатываемая система обязана быть просто приспособляема под всякую марку кара. При изменении марки кара, как правило, изменяется не только лишь форма салона, да и размещение камеры снутри салона. Более многообещающим решением представляется внедрение нейронных сетей, которые как раз и предусмотрены для решения сложных задач определения. При всем этом для адаптации разработанной системы под новейший кар довольно собрать данные в новейших критериях и переобучить нейронную сеть. Структура системы и методы ее функционирования останутся постоянными.
По снимку с камеры, находящейся в салоне кара, нужно систематизировать тип объекта, находящегося на пассажирском сиденье с водителем. Вероятные варианты систематизации приведены в табл.1.
Таблица 1 — Типы пассажиров
Номер
класса
Описание
0
Взрослый человек
1
Пустое сидение
2
Детское сидение
При сборе данных для класса «взрослый человек»приглашались люди различного роста, веса и пола, которые могли занимать произвольные позы, прямо до частичной либо полной блокировки камеры. Снимки «пустого сидения»содержали как стопроцентно пустое сидение, так и сидение с неким количеством предметов на нем. В качестве пассажира «детскогосидения»использовались куколки соответственного размера.
Камера оборудована широкоугольным объективом с углом обзора 90о
и инфракрасным фильтром. Применение широкоугольного объектива обосновано малым расстоянием до объекта систематизации. Для способности работы системы при отсутствии наружных источников света в состав системы входят диоды инфракрасной подсветки. Размер получаемого изображения 320×240 пикселов. Примеры снимков для различных классов представлены на рис.1. Конечным результатом обязана стать программка на языке «C», которая потом будет приспособлена для выполнения на контроллере, находящемся в каре.
Набросок 1 — Примеры снимков: вверху —взрослый пассажир, понизу слева — пустое сидение, понизу справа — детское сидение
Размер обучающей подборки насчитывал 135500 снимков, размер испытательной подборки приравнивался 55000 снимков. Сбор данных происходил в критериях слабенькой интенсивности наружных источников света, что несколько понижает репрезентативность приобретенных выборок. Для придания системе стойкости к неточной установке камеры с начального набора был сгенерирован аналогичный набор данных со случайным смещением рисунки в случайном направлении на расстояние до 5 пикселов, таковым образом общее число векторов в обучающей и испытательной последовательности удвоилось.
3 Подготовительная обработка данных
Самым неформализованным шагом внедрения нейронных сетей для решения прикладных задач, является подготовительная обработка данных. время от времени подготовительной обработки реально избежать либо свести ее к минимуму, но при работе с изображениями она играет немаловажную роль.
Беря во внимание требования к высочайшей скорости определения, метод подготовительной обработки не должен добиваться огромных вычислительных издержек. Потому был использован один из простых алгоритмов выделения контуров, а в качестве признаков использовались локальные градиенты освещенности, средние уровни освещенности на участках изображения и гистограммы расстояний от края изображения до выделенных контуров.
Обработка изображения проводилась методом выделения локальных признаков. Для этого использовалась обычная техника скользящего окна. Все изображение разбивалось на окна размером 40х40 пикселов в любом, из которых находились наибольшие градиенты яркости в 2-ух направлениях: горизонтальном и вертикальном. При всем этом отысканные величины градиентов сравнивались с пороговым значением. Если наибольший градиент по абсолютной величине не превосходит порога, то считаем, что в данном окне градиент вдоль этого направления отсутствует.
С учетом знака градиента для всякого окна получаем 4 признака, соответственно, с учетом количества окон на изображении (48, если окна не пересекаются), для градиентов освещенности на изображении получаем 192 признака. Так как большая часть парадигм нейронных сетей более удачно работают для данных, лежащих в спектрах [-1;1] или [0;1], приобретенный вектор признаков нормировался в данный спектр [0;1]. При нормировке для всякого вектора находился собственный коэффициент масштабирования. Необходимо подчеркнуть, что простая нормировка с внедрением фиксированного коэффициента для всех векторов в выборке время от времени дает наилучшие результаты. Но нормировка снутри 1-го вектора наиболее устойчива к перепадам наружной освещенности салона кара.
Средний уровень освещенности рассчитывался для тех же самых 48 окон. признак средней освещенности предназначен для выделения объектов изображения, которые не имеют точных границ, другими словами не дают значений градиентов, превосходящих выбранное пороговое
На рассматриваемом массиве данных, при использовании в качестве признаков лишь градиентов, можно получить свойство определения на уровне 99,5–99,7% правильных ответов. Но на практике при использовании в качестве признаков лишь контуров система оказывается не устойчива к смещению камеры относительно позиции, в какой набиралась обучающая подборка. Для исправления данного недочета были применены доп признаки. Одним из таковых признаков были гистограммы расстояний от края окна до границы. Гистограммы дают наиболее интегрированное описание изображения.
Третьей группой признаков, использовавшихся для формирования входного вектора нейронной сети, являются гистограммы контуров. Для получения гистограмм контуров проводилась бинаризация начального изображения. Для убыстрения подготовительной обработки изображений бинаризация проводилась снутри ранее использованных окон.
Процедура бинаризации содержит в себе поиск наибольшего градиента снутри каждой строчки и всякого столбца окна. Если наибольший градиент превосходит порог, то соответственному пикселу на бинарном изображении присваивается количество единичных пикселов для всякого окна составляет сумму количества строк и столбцов в окне. На практике количество единичных пикселов в окне обычно не превосходит половины данной нам суммы. Так как для бинаризации употребляются наибольшие градиенты в каждой строке и столбце, то на бинарном изображении получаем полосы, надлежащие более соответствующим контурам объектов. Пример получаемого бинарного изображения представлен на рис.2.
Набросок 2 — Начальное и бинаризованное изображения пустого сиденья
На базе бинарного изображения строились гистограммы расстояний контуров от края рисунка. Измерялись расстояния до единичных пикселов в каждой строке и любом столбце. Гистограммы строились для вертикальных и горизонтальных полос, другими словами любой элемент гистограммы содержит сумму единичных пикселов, попадающих в данный спектр расстояний и лежащих снутри полосы. Ширина полосы выбиралась равной размеру применяемых окон. Таковой выбор обоснован только соображениями быстродействия метода.
Для данных размеров изображения, получаемого с камеры, и принятых размеров окна получаем 6 горизонтальных и 8 вертикальных полос. Гистограмма расстояний для каждой полосы строилась для 15 диапазонов, другими словами любая гистограмма содержит 15 частей. С учетом количества полос в итоге получаем 210 признаков. Таковым образом, полный вектор признаков, применяемый для определения 1-го изображения, содержит 450 частей.
При использовании лишь гистограмм свойство определения меньше 99%, потому их недозволено разглядывать в качестве единственных признаков. Но добавление гистограмм в качестве доборной инфы обязано значительно повысить устойчивость системы.
4 Архитектура модульной нейронной сети и оценка приобретенных результатов
В данной работе признаки объектов на изображении как по поверхности в пространстве признаков, по способности, представляли собой совокупа гиперплоскостей. Соответственно, в качестве нейросетевого классификатора использовались мультислойные персептроны.
Лучший вариант модульной нейронной сети строился по принципу локальных профессионалов и состоял из 4 модулей, реализующих мультислойный персептрон (рис.3), обучаемый по методу ExtendedDelta-Bar-Delta. 1-ые три модуля выступали в роли локальных профессионалов и воспринимали решение, исходя из значений на собственной группе входов. На входы модуля «Edge»подавался вектор признаков, содержащий лишь градиенты освещенностей. Модуль «Brightness»в качестве входов употреблял вектор средних освещенностей в окнах, и модуль «Histogram» — гистограммы контуров. Крайняя сеть «FinalNet»воспринимала окончательное решение, основываясь на результатах работы первых 3-х модулей. Модули учились поочередно.
Набросок 3 — Архитектура модульной нейронной сети
Результаты работы всей нейронной сети и ее модулей приведены в табл. 2.
Таблица 2 — Результаты работы модулей нейронной сети.
Имя сети
Обучающая подборка
Тестовая подборка
Edge
99,97 %
99,66 %
Brightness
99,34 %
94,26 %
Histogram
99,85 %
98,57 %
FinalNet
99,97 %
99,82 %
Видно, что свойство работы модуля «Edge»достаточно велико, но при тестировании на данные со смещенной камеры он указывает достаточно нехорошие результаты: уже при смещении изображения на 5-10 пикселов свойство определения падает до 70-80%, при всем этом свойство работы других сетей меняется не значительно. Другими словами наибольшие градиенты в качестве признаков, связанных с положением скользящего окна, весьма чувствительны к положению объектов на изображении.
Одним из преимуществ модульной сети при решении данной задачки будет то, что модуль «FinalNet», принимающий решение на базе выходов первых 3-х модулей, оказывается устойчив к смещению камеры. При смещении 10-15 пикселов свойство систематизации не опускается ниже 99,6%, что является применимым. Введение доп локальных профессионалов, которые принимают решение по интегральным признакам, как лицезреем, позволило не только лишь повысить робастность системы в целом, да и несколько сделать лучше свойство ее работы, хотя и некординально.
Все работы с нейронной сетью проводились с внедрением программного пакета MNNCAD © InternationalScientificResearch, LLC. Благодаря данному пакету, можно не только лишь сделать и научить модульную нейронную сеть, да и произвести автоматическую генерацию «С»-кода приобретенной сети, что оказывается полезным при разработке прикладных систем.
Крайним шагом работ было проведение экспериментальной проверки свойства работы нейронной сети в настоящих критериях. Целью таковых испытаний являлась оценка стойкости сети и представительности обучаемой и испытательной выборок. Проверка выполнялась последующим образом: сформированный «С»-код был скомпилирован и подключен в виде DLL (DynamicLinkLibrary) к специально сделанному эмулятору, который дозволяет в динамике создавать зрительный контроль за работой нейронной сети. В целом были получены достаточно отличные результаты, но в процессе испытаний обнаружились некие недочеты, обусловленные, сначала, малым объемом обучающих выборок. Было найдено несколько позиций пассажира, при которых нейронная сеть не давала стабильно правильных ответов. Для устранения этого недочета был собран доп набор данных. Повторные тесты проявили, что обучение нейронной сети на полный набор данных позволило стопроцентно избавиться от этого недочета без ухудшения свойства определения на оставшейся части подборки.
ЗАКЛЮЧЕНИЕ
В данном реферате приведено внедрение нейронных сетей для умственной системы сохранности пассажира, основанной на результатах ультразвуковой локации салона кара.
Применение нейронных сетей в умственных системах сохранности дозволяет не только лишь значительно упростить процесс сотворения таковых систем, да и в значимой мере формализовать его.
К огорчению, не взирая на довольно высочайшие результаты систематизации избранных объектов, существует еще много вопросцев, требующих решения. Так, к примеру, тестирование системы в каре указывает, что важное значение имеет представительность обучающей подборки. При разработке конечного варианта таковых систем нужен анализ представительности выборок, применяемых при обучении сетей.
иной неувязкой, не рассматриваемой в рамках данной работе, является блокировка камеры. Разумеется, что система сохранности обязана включать механизмы детектирования ситуаций, когда сигнал с камеры по тем либо другим причинам не несет инфы о ситуации в салоне кара.
СПИСОК ИСПОЛЬЗУЕМЫХ ИТОЧНИКОВ
1. Дворкович А.В., Дворкович В.П., Зубарев Ю.Б. и др. «Цифровая обработка телевизионных и компьютерных изображений» — М.: Радио и связь, 1997, 212 С.
2. Резник А.М., Куссуль М.Э., Сычев А.С., Садовая Е.Г., Калина Е.А. // Математичиские машинки и системы// Система проектирования модульных нейронных сетей САПР МНС, 2002, № 3, с.28-37.
3. Хуанг Г.С. «Резвые методы цифровой обработки изображений» — М.: Радио и связь, 1984, 224 С.
4. Федороа А. «Бинаризация черно-белых изображений: состояние и перспективы развития»:
http://iu5.bmstu.ru/~philippovicha/ITS/IST4b/ITS4/Fyodorov.htm
5. «Умственные системы сохранности в карах»:
http://vyazma-market.ru/action/news/nid/687/
]]>