Исследование влияния гаммы-коррекции изображения в задаче распознавания объектов на пешеходном переходе

Цель исследования. Повышение достоверности распознавания объектов на изображении путём исследования влияния гамма-коррекции входного изображения на качество распознавания объектов на нём.

Методы. Предварительная обработка входных изображений, полученных с помощью комплекса видеофиксации нарушений правил дорожного движения, установленного в городе Курске, включает гамма-коррекцию, преобразования из RGB в градации серого, размытия фильтром Гаусса, выделения границ объектов на основании алгоритма Canny, классификации объектов с помощью алгоритма YOLO.

Результаты. Рассмотрены основные преимущества систем регулирования дорожного движения с адаптивным управлением. Описана структурная схема системы управления пешеходных переходом и этапы предварительной обработки входного изображения, включающие гамма-коррекцию, и их влияние на достоверность детектирования объектов. Проведён расчёт показателя Recall для количественной оценки эффективности детекции при различных значениях гамма-коррекции каждого из рассматриваемых классов: пешеходы (Recall = 0,46), автомобили (Recall =0,824), светофоры (Recall =0,60).

Заключение. Результаты серии проведённых экспериментальных исследований доказывают положительное воздействие гамма-коррекции на эффективность распознавания только некоторых классов объектов, таких как светофоры, требуя минимального значения γ ≈ 1,5 (гамма 100) для начала распознавания. Детекция других рассмотренных классов, таких как пешеходы и автомобили, остаётся стабильной при любых значениях гамма из диапазона [0; 200]. Наибольшее количество обнаружений зафиксировано при гамме 20 и 80 для пешеходов и при гамме 60, 100 и 120 для автомобилей.

1. Бекларян А. Л., Бекларян Л. А., Акопов А. С. Имитационная модель интеллектуальной транспортной системы «умного города» с адаптивным управлением светофорами на основе нечеткой кластеризации // Бизнес-информатика. 2023. Т. 17, № 3. С. 70-86.

2. Мясников В. В., Агафонов А. А., Юмаганов А. С. Детерминированная прогнозная модель управления сигналами светофоров в интеллектуальных транспортных и геоинформационных системах // Компьютерная оптика. 2021. Т. 45, № 6. С. 917-925.

3. Жанказиев С. В., Воробьев А. И., Бачманов М. Д. Оптимизация адаптивного управления светофорными объектами в рамках директивного управления транспортным потоком // Вестник Московского автомобильно-дорожного государственного технического университета (МАДИ). 2016. № 4(47). С. 138-143.

4. Андронов С. А. Сравнение эффективности адаптивных алгоритмов светофорного регулирования в среде AnyLogic // Программные продукты и системы. 2019. № 1. С. 150-158.

5. Бобырь М. В., Храпова Н. И., Ламонов М. А. Система управления интеллектуальным светофором на основе нечеткой логики // Известия Юго-Западного государственного университета. 2021. Т. 25, № 4. С. 162-176. https://doi.org/10.21869/2223-1560-2021-25-4-162-176.

6. Bobyr M. V., Khrapova N. I. A Two-Level Information and Analytical Control System for Intelligent Traffic Lights // Automatic Documentation and Mathematical Linguistics. 2024. Vol. 58, no. S5. P. S269-S278.

7. Бобырь М.В., Емельянов С.Г., Храпова Н.И. Онтологическая модель управления временем ожидания разрешающего сигнала светофора участниками дорожного движения в зоне пешеходного перехода // Известия Юго-Западного государственного университета. 2024. Т. 28, № 4. С. 124-137. https://doi.org/10.21869/2223-1560-2024-28-4-124-137.

8. Емалетдинова Л. Ю., Назаров М. А. Нейросетевой алгоритм распознавания объекта на изображении на основе эталонного контура // Математические методы в технике и технологиях - ММТТ. 2020. Т. 4. С. 137-141.

9. Распознавание объектов и типов опорной поверхности по данным комплексированной системы технического зрения / А. В. Вазаев, В. П. Носков, И. В. Рубцов, С. Г. Цариченко // Известия ЮФУ. Технические науки. 2016. № 2(175). С. 127-139.

10. Медведев М. В., Кирпичников А. П. Система управления беспилотным летательным аппаратом на основе вейвлет-методов обнаружения и распознавания объектов на изображениях // Вестник Казанского технологического университета. 2014. Т. 17, № 19. С. 359-362.

11. Соловьев Ф. С., Тарасов И. Е., Петров А. Б. Распознавание образов и обнаружение контуров объекта на изображении // Инновации в науке. 2019. № 4(92). С. 4-9.

12. Choudhary P., Dey S. FAIERDet: Fuzzy-based Adaptive Image Enhancement for Real-time Traffic Sign Detection and Recognition Under Varying Light Conditions // Expert Systems with Applications. 2023. Vol.295. P. 128795.

13. Бобырь М. В., Кулабухов С. А. Моделирование процесса управления температурным режимом в зоне резания на основе нечеткой логики // Проблемы машиностроения и надежности машин. 2017. № 3. С. 76-82.

14. Бобырь М. В., Милостная Н. А. Анализ использования мягких арифметических операций в структуре нечетко-логического вывода // Вестник компьютерных и информационных технологий. 2015. № 7(133). С. 7-15.

15. Multi-exposure image enhancement and YOLO integration for nighttime pedestrian detection / X. Dai, J. Lan, Z. Chen, B. Wang, X. Wen // Signal Processing: Image Communication. 2025. Vol. 140. P. 117421.

16. Трофименко Я. М., Виноградова Л. Н., Ершов Е. В. Алгоритмы предобработки изображений в системе идентификации лиц в видеопотоке // Вестник Череповецкого государственного университета. 2019. № 4(91). С. 21-29.

17. Танцевов Г. М., Майков К. А. Исследование алгоритмов предобработки изображения кисти руки, применимых к распознаванию жестовых символов // Cloud of Science. 2020. Т. 7, № 1. С. 61-74.

18. Исследование алгоритмов предобработки изображений для повышения эффективности распознавания медицинских снимков / П. А. Шагалова, А. Д. Ерофеева, М. М. Орлова [и др.] // Труды НГТУ им. Р.Е. Алексеева. 2020. № 1(128). С. 25-32.

19. Лагунов Н. А., Мезенцева О. С. Влияние предобработки изображений на качество обучения нейронной сети для их распознавания // Вестник Северо-Кавказского федерального университета. 2015. № 1(46). С. 51-58.

20. Deng G. A generalized gamma correction algorithm based on the SLIP model // Eurasip Journal on Advances in Signal Processing. 2016. Vol. 2016, no. 1. P. 69.

21. Томакова Р.А., Дзюбин И.А., Брежнев А.В. Метод и алгоритм обучения сверточной нейронной сети, предназначенной для интеллектуальной системы распознавания меланомы // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2022. Т. 12, № 1. С. 65-83. https://doi.org/10.21869/2223-1536-2022-12-1-65-83

22. Рябинов А.В., Уздяев М.Ю., Ватаманюк И.В. Применение многозадачного глубокого обучения в задаче распознавания эмоций в речи // Известия Юго-Западного государственного университета. 2021. Т. 25, № 1. С. 82-109. https://doi.org/10.21869/2223-1560-2021-25-1-82-109.

23. Автоматическое распознавание частиц на цифровых изображениях / Е.С. Опарин, М.А. Дзус, Н.Н. Давыдов, К.С. Хорьков // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2024. Т. 14, № 1. С. 50-66. https://doi.org/10.21869/2223-1536-2024-14-1-50-66.

24. Абросимов В. К., Матвеева Ю. Н. Формирование синтетических данных для машинного обучения распознаванию подводных объектов // Робототехника и техническая кибернетика. 2023. Т. 11, № 4. С. 256-266.

25. You Only Look Once: Unified, Real-Time Object Detection / J. Redmon, S. Divvala, R. Girshick, A. Farhadi // IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. P. 779-788.