schilder-erkennen

Machine Learning Algorithmus der eine kleine Auswahl an deutschen Straßenschilder erkennen kann.

Konfiguration (Windows)

Benötigte Packages:

• OpenCV
• JupyterLabs

1. venv erstellen python3 -m venv ., um ein virtual environment im aktuellen Verzeichnis zu erstellen
2. venv aktivieren (Windows): .\Scripts\activate
3. Installation mit pip install -r requirements.txt

Training

Die Straßenschilder werden mit Hilfe von Cascade Classifiers entdeckt. Die Umsetzung erfolgt anhand dieses OpenCV Tutorials: Cascade Classifier Training.

• Für diesen Schritt werden die opencv Tools benötigt. Die letzte Version, die mit den Tools zum Trainieren eines Cascade Classifiers ausgestatt ist, die die Version 3.4.14. Die korrekte Version kann hier heruntergeladen werden.

1. Jedes Straßenschild enthält ein Verzeichnis für positive (mit Objekt welches erkannt werden soll) und negative Dateien (ohne Objekt).

2. Es werden noch 2 weitere Dateien pos.txt und neg.txt benötigt.

   1. pos.txt: Enthält Pfade zu Bildern, sowie die Anzahl an enhaltenen Objekten sowie die Koordinaten zu den Objekten. Wird mit dem Tool opencv_annotations erstellt
   2. neg.txt: Enthält Pfade zu Bildern, welche keine Objekte enthalten, die man sucht. Wird mit dem Skript generate_neg_file.py erstellt, indem das Skript mit einem Pfad zu einem Verzeichnis ausgeführt wird.

3. Vektor-Datei erstellen: opencv_createsamples.exe -info pos.txt -w 24 -h 24 num 1000 -vec pos.vec

   • -info pos.txt: Die Datei mit allen Pfaden zu den Bildern + Markierungen in den Bildern
   • -w 24 -h 24 ist die mindeste Größe des Suchfensters. Dieser Wert sollte mindestens so groß wie die kleinste Markierung sein
   • num 1000: Dieser Wert muss größer als die Anzahl aller Markierungen sein
   • -vec pos.vec: Wo die Vektor-Datei gespeichert wird

4. Cascade Classifier trainieren: opencv_traincascade.exe -data cascade/ -vec pos.vec -bg neg.txt -w 24 -h 24 -numPos 100 -numNeg 200 -numStages 10