Click here to load reader

Reconnaissance de panneaux de signalisation routière en utilisant la détection et la classification évolutive « AdaBoost Forest-ECOC »

  • View
    2.514

  • Download
    0

Embed Size (px)

Text of Reconnaissance de panneaux de signalisation routière en utilisant la détection et la...

  1. 1. 1
  2. 2. 1.Introduction 2.Dtection a. Architecture de dtection b. Diples dissocis c. Evolutive Adaboost d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. Error Correcting Output Codes b. Forest-ECOC 4.Systme de reconnaissance de signes de circulation 5.Rsultats 6.Conclusion 7.Rfrences 2
  3. 3. 1.Introduction 2.Dtection a. Architecture de dtection b. Diples dissocis c. Evolutive Adaboost d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. Error Correcting Output Codes b. Forest-ECOC 4.Systme de reconnaissance de signes de circulation 5.Rsultats 6.Conclusion 7.Rfrences 3
  4. 4. 4 La forte variabilit de panneaux de signalisation routire (PSR) dans des environnements non contrls a rend leur dtections et classification un problme difficile !!!
  5. 5. La reconnaissance PSR permet de prvenir le conducteur de ne pas prendre des dcisions inappropries dans des situations potentiellement dangereuses. Fig.1 Certains panneaux d'avertissement. 5
  6. 6. Les mthodes de reconnaissance des PSR sont utilises en combinaison avec d'autres mthodes afin de recueillir des informations, mesurer de la position par rapport la route et l'orientation des diffrents points de repre en mouvement dans la plate-forme terrestre. 6
  7. 7. Dans la littrature, on peut trouver deux principales approches pour rsoudre le problme de la RPS: 1. Reconnaissance base sur la couleur 2. Reconnaissance base sur les niveaux de gris Fig.2 Rsultats de reconnaissance de la RPS 7
  8. 8. La premire s'appuie sur la couleur pour rduire de faux rsultats positifs dans le processus de reconnaissance alors que les mthodes de niveaux de gris se concentrent sur la gomtrie de l'objet. Des travaux rcents utilisent combinaison des deux cases pour amliorer le taux de dtection. 8
  9. 9. Le seuil est appliqu sur une reprsentation HSV(HUE,SATURATION,VALUE) de l'image pour trouver des rgions avec une forte probabilit d'avoir un panneau de signalisation. Fig.3 Le seuil est appliqu sur une reprsentation HSV 9
  10. 10. Une fois que les rgions sont normalises une taille prdfinie, un SVM linaire est utilis pour classer la rgion de l'une des formes possibles, comme cercle ou d'un triangle. La couleur et les informations sur la forme sont utilises pour la classification grossire, et enfin un SVM gaussien est utilis pour effectuer l'tape de classification fine. 10
  11. 11. Puisque l'information de couleur est fortement lie au type de camra, clairage et vieillissement du signe, l'utilisation des informations de couleur introduit des difficults supplmentaires pour le processus de reconnaissance!!! Fig.4 Le vieillissement du panneau Fig.5 Diffrents clairages du panneau 11
  12. 12. Solutions pour rsoudre lenjeu: 1. Rseau neuronal 2. Approche complexe base sur une cascade de dtecteurs, o chacun est un ensemble de classificateurs dops Boosted sur la base des caractristiques de Haar. Pour le dernier: Lienhart et Maydt [3] ont prsent une extension densemble des caractristiques de Haar, ce qui dmontre que Adaboost converge plus rapidement et avec de meilleurs rsultats lorsque lensemble des caractristiques est grand. 12
  13. 13. D'autre part, en raison de la recherche exhaustive sur les caractristiques exposes, le temps dapprentissage saugmente par rapport au nombre de caractristiques. Ce fait rend impossible toute approche qui tente d'tendre l'ensemble des caractristiques. 13
  14. 14. Les auteurs proposent une technique pour rsoudre le dernier problme. Error Correcting Output Codes (ECOC) Cette technique est un outil de catgorisation multi-classe trs russi en raison de sa capacit partager les connaissances du classificateur entre les classes. ECOC dmontre une haute prcision avec un trs petit nombre de classificateurs binaires. 14
  15. 15. : 1. La dtection de PSR de larrire-plan se fait laide de la mthode volutive AdaBoost. 2. Deuximement, pour faire face au problme de catgorisation multi-classe, afin de faire la distinction entre un grand nombre de classes, la technique d'apprentissage multi-classe ECOC sera utilise. 15
  16. 16. 1.Introduction 2.Dtection a. Architecture de dtection b. Diples dissocis c. Evolutive Adaboost d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. Error Correcting Output Codes b. Forest-ECOC 4.Systme de reconnaissance de signes de circulation 5.Rsultats 6.Conclusion 7.Rfrences 16
  17. 17. Le processus de dtection prend une image en entre et fournit en sortie les rgions qui contiennent l'objet candidat. 17
  18. 18. 1.Introduction 2.Dtection a. Architecture de dtection b. Diples dissocis c. Evolutive Adaboost d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. Error Correcting Output Codes b. Forest-ECOC 4.Systme de reconnaissance de signes de circulation 5.Rsultats 6.Conclusion 7.Rfrences 18
  19. 19. Lorsquon travaille avec des problmes asymtriques tels que la dtection de l'objet, chaque fois quon analyse une image, le systme doit se dbarrasser d'un grand nombre de rgions ngatives alors que seulement celles correspondant l'objet que nous recherchons sont conservs. 19
  20. 20. L'architecture en cascade permet de jeter les rgions non-objets faciles cot de calcul faible, tandis que les rgions plus complexes sont profondment analyses. 20
  21. 21. Ensuite, un classificateur est entran raliser un nombre calcul minimal et obtenir un taux maximal de fausse alarme. Ce processus est rpt jusqu' ce que le nombre dsir de phases ou le taux de fausses alarmes atteignent le but dsir. 21
  22. 22. 1.Introduction 2.Dtection a. Architecture de dtection b. Diples dissocis c. Evolutive Adaboost d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. Error Correcting Output Codes b. Forest-ECOC 4.Systme de reconnaissance de signes de circulation 5.Rsultats 6.Conclusion 7.Rfrences 22
  23. 23. Le Dissociated Dipole oprateur est un outil pour effectuer des comparaisons d'image non-locales. Comme un arrte-viseur de recherche simple, Dissociated Dipole est un oprateur diffrentiel compos d'un excitateur et dun lobe inhibiteur, et peut tre utilis dans n'importe quelle orientation ou chelle. 23
  24. 24. Fig.6 Le but de l'approche des Dissociated Dipole est de dissocier les deux attributs 24
  25. 25. La valeur moyenne de tous les pixels dans le diple inhibiteur est soustraite de la valeur moyenne des pixels excitateurs dipolaires. Comme dans le cas des fonctions de Haar, l'image intgrale est utilise pour calculer la somme des pixels l'intrieur des rgions rectangulaires. Fig.7 Traffic Sign Recognition using Evolutionary Adaboost detection and Forest-ECOC classification , page 2, [1] 25
  26. 26. En termes de calcul, l'utilisation de diples dissocies signifie que si on augmente les caractristiques d'environ 600.000 plus de 230 caractristiques dans une taille de fentre dapprentissage de 30 30 pixels, ce qui rend l'approche classique de calcul . Pour faire face cette limitation, nous dfinissons une approche volutive de Adaboost. 26
  27. 27. 1.Introduction 2.Dtection a. Architecture de dtection b. Diples dissocis c. Evolutive Adaboost d. Classificateur faible e. Algorithme d'apprentissage 3.Classification: Forest-ECOC a. Error Correcting Output Codes b. Forest-ECOC 4.Systme de reconnaissance de signes de circulation 5.Rsultats 6.Conclusion 7.Rfrences 27
  28. 28. Boosting est une technique d'apprentissage puissant qui permet de combiner la performance de nombreuses fonctions simples de classification ou classificateurs faibles pour produire un classificateur fort. 28
  29. 29. AdaBoost - est un mta-algorithme. Dans l'apprentissage, il construit une composition des algorithmes d'apprentissage de base pour amliorer leur efficacit. AdaBoost algorithme adaptatif est amplifiant, en ce sens que chaque classifier est bas sur les objets suivants, qui sont mal classs en utilisant des classificateurs prcdents. 29
  30. 30. Cette mthode est base sur un algorithme adaptatif boosting (gain adaptatif) ou AdaBoost abrge. Le sens de l'algorithme est que, si nous disposons d'un ensemble d'objets de rfrence, cest-a-dire davoir les valeurs et la classe laquelle ils appartiennent (par exemple: -1 pas de visage, +1 a un visage), en plus il y a beaucoup de classificateurs simples, nous pouvons faire un classificateur meilleur et puissant. 30
  31. 31. Fig.8 Exemple des objets sur une visage 31
  32. 32. Lalgorithme dAdaBoost AdaBoost appelle un classificateur faible pour chaque cycle. Aprs chaque appel est faite la mise jour de poids de distribution qui rpondent l'importance de chacun des objets comme un ensemble dapprentissages pour la classification. Ensuite, chaque itration, le poids dobjet mal class augmente, de sorte que le nouveau classificateur "concentre" sur ses objets. 32
  33. 33. Avantages de l'algorithme Adaboost. 1. Bonne capacit de gnralisation. En vrais problmes (pas toujours, mais souvent) il est possible de construire une composition qui est de qualit suprieure par rapport lalgorithme de base. La capacit de la gnralisation peut tre amliore (dans certains problmes) en augmentant le nombre d'algorithmes de base. 33
  34. 34. Avantages de l'algorithme Adaboost. 2. Facile mettre en uvre. 34
  35. 35. Avantages de l'algorithme Adaboost. 3. La dure de la construction des compositions est presque entirement dtermin par les algorithmes d'apprentissage de base. 35
  36. 36. Avantages de l'algorithme Adaboost. 4. Capable d'identifier les objets qui sont des missions de bruit. 36
  37. 37. Inconvnients de l'algorithme Adaboost. 1. AdaBoost a tendance surapprentissage quand il y a un brui

Search related